8D06102 Компьютерная наука и искусственный интеллект в КБТУ (KBTU)

Этот курс предлагается докторантам, чтобы познакомить их с процессным подходом к написанию докторской диссертации на английском языке. Он предназначен для улучшения навыков академического письма до требуемых международных стандартов академических потребностей. Курс требует регулярной управляемой практики для таких языковых навыков, как аудирование, разговорная речь, чтение и письмо, с концентрацией внимания на обучении точным письменным выражениям, необходимым для академического содержания, которое демонстрирует более высокий уровень навыков критического мышления.

Курс знакомит слушателей с основами машинного обучения и анализа данных. На курсе подробно рассматриваются основные теоретические понятия и задачи машинного обучения: классификация, кластеризация, регрессия, а также понижение размерности. Изучаются методы решения задач машинного обучения: регрессия, метод опорных векторов, деревья решений, нейронные сети и другие. Для проведения практических занятий используются наиболее популярные инструменты для анализа данных и машинного обучения – язык программирования Python, библиотеки Pandas и Scikit-learn.

Благодаря компьютерным наукам нас ждет прекрасное будущее, но стремительное накопления большого количества данных и применение его для построения моделей машинного обучения, вызывает много вопросов, и большинство из них касаются морали и этики. Курс посвящен проблемам этики, политики и законодательства в области компьютерных наук, в частности в анализе данных, а также возможные пути решения выявленных проблем.

На данном курсе докторанты освоят основные понятия цифровой обработки сигналов применительно к подготовке данных для дальнейшего использования их в моделях машинного обучения. На курсе будут рассмотрены: анализ Фурье, проектирование фильтров, дискретизацией, интерполяцией, квантованием и многое другое. Теория будет подкреплена практическими примерами из области компьютерного зрения и анализа временных рядов.

Курс "Методы научных исследований" предназначен для углубленной работы с исследованиями в области технических наук и для развития исследовательских и аналитических навыков докторантов. Обучающиеся знакомятся с теорией и логикой исследования, этикой, лежащей в основе исследовательского процесса, а также с рядом методов исследования, обычно используемых в технических науках. Внимание будет уделено дизайну исследования, сбору данных, элементарному анализу данных и написанию отчетов. Курс включает обсуждение конкретных методических подходов.

В рамках курса изучаются основные методы и принципы статистического анализа, интерпретация и визуализация получаемых результатов. Студенты курса изучают дисперсионный, регрессионный и кластерный анализ. Основной акцент делается на математических идеях, интуиции и логике, которые обуславливают методы и расчетные формулы. По итогам курса студенты научатся применять статистическое обучения для решения практических задач, возникающих в медицине, биологии, финансах и многих других отраслях науки и промышленности.

Обработка естественного языка является одной из наиболее широко применяемых областей машинного обучения и имеет решающее значение для эффективного анализа больших объемов неструктурированных текстовых данных. По итогам этого курса студенты смогут разрабатывать приложения с анализом текстовых данных, например: анализ настроения, создания инструментов для языкового перевода, аннотирование текста, а также создание чат-ботов.

В рамках данного курса студенты получат представление о том, какую информацию могут дать большие данные, если использовать специальные инструменты и методы для анализа больших данных. Докторанты познакомятся с основами использования Hadoop, Spark. По итогам курса докторанты смогут проводить базовое исследование больших и сложных наборов данных в разных областях науки и производства.

В рамках курса рассматриваются основные понятия современного перспективного направления – обучения с подкреплением. Слушатели изучат основные методы и алгоритмы обучения с подкреплением: Temporal-Difference learning, Монте-Карло, Sarsa, Q-learning, Policy Gradient и другие. Алгоритмы и методы, изученные на курсе, могут быть применены для решения задач из разных областей: разработка игр, рекомендательные системы, логистика, контроль качества на производстве, финансы, промышленные системам управления и так далее.

Компьютерное зрение – одна из самых интересных и важных областей машинного обучения. Компьютерное зрение находит применение во многих отраслях: беспилотные автомобили, робототехника, дополненная реальность и многое другое. Слушатели курса освоят базовые знания о компьютерном зрении, применяя основные подходы, методы и инструменты, включая: обработку изображений, построение 3D-сцены, сегментацию изображения и распознавание объектов.

Развивать научно-практические навыки академического письма, необходимые для формирования и написания докторской диссертации, проведения исследовательских работ и научных публикаций. Уметь применять критические методы мышления для достижения стратегических целей, понимание формирования сложности исследовательских гипотез, с которыми сталкиваются исследователи при разработке и выполнении научных и индустриальных проектов.

Составлять анализ фундаментальных и прикладных исследовательских практик в научной методологии и уметь интерпретировать основополагающие идеи в области компьютерных наук. Знать на профессиональном уровне количественные и качественные методы исследования в области новых парадигм программирования для эффективного проведения дизайн исследования, стратегии выбора и анализа данных, и разработку планов исследования научных публикаций.

Анализировать и сравнивать полученные модели в рамках построения простых и сложных гипотез на базе машинного обучения, и модели искусственного интеллекта для применения их в своих научных доводах, и публикациях при проведении исследовании.

Применять и изучать современные тенденции новых видов алгоритмов искусственного интеллекта с обработкой больших данных в области бизнеса, промышленности для понимания процессов, инструментов, и методов научного планирования организации и улучшения деятельности развития бизнеса.

Уметь выявлять современные проблемы и тенденции научного исследования в Казахстане и за рубежом в области искусственного интеллекта и находить пути решения за счет внедрения новых видов моделей поведения и построения прогнозов и перспектив развития управления бизнеса и промышленностей всех отраслей.

Создавать и модернизировать алгоритмы искусственного интеллекта в теоретических и экспериментальных опытах для развития социально-экономического развития Казахстана и мира, и понимать роль цифровизации рабочего места, взаимодействия человека и машины путем внедрения современных методов прикладных теории компьютерных наук.

Формулировать гипотезы относительно математических моделей, программной и/ или аппаратной архитектуры, программных алгоритмов и предложить их научному сообществу для использования методологической и программной инженерии, которые позволят оценить показатели эффективности распараллеливания в процессе оптимизации методов и алгоритмов искусственного интеллекта, как на уровне отдельных шагов, так и метода в целом.

Знать и уметь применять методы предварительной обработки информации, существенно повышающие точность и достоверность результатов на всех этапах обработки, а также позволяющие получить информацию об истинной структуре данных и выявить в них скрытые закономерности, которые позволяют выполнять такие операции предварительной обработки данных, как очистка сигналов от шума, выделение тренда в сигналах, оценивание степени хаотичности сигналов, фильтрация сигналов и пр.

Знать основные инструменты для анализа сигналов как в пространственной, так и в частотной областях, а также изучение основных методов обработки изображений для выделения признаков, сегментации изображений, регистрации изображений и сопоставления изображений.

Знать необходимые характеристики вычислительных мощностей оборудования для экспериментальных исследований определенной задачи в области компьютерных наук, которые включают методы интеллектуального анализа информации обеспечивающие автоматизацию процесса извлечения знаний в условиях априорной неопределенности и повышение оперативности обработки данных, что особенно эффективно при наличии большого объема данных. Данные методы позволят выполнять кластер-анализ данных, классификацию данных и визуализацию многомерных данных.

Применять архитектурные паттерны, которые позволят упростить и ускорить процесс разработки архитектуры систем искусственного интеллекта за счет использования набора готовых типовых решений. А также, использовать методы оптимального статистического синтеза, теории проверки статистических гипотез, теории инвариантности и теории концентрации меры для построения векторов признаков в системах машинного обучения и оценки качества моделей машинного обучения