7M06105 Деректер туралы ғылым (бейінді бағыт) в Қазақстан-Британ техникалық университеті

Курс грамматика мен сөйлеу дағдыларына бағытталған ағылшын тілін үйренудің қарқынды бағдарламасын қамтиды. Курста Ақпараттық технологиялар саласындағы соңғы жетістіктерді көрсететін тақырыптар енгізілген, ал терминологиялық сөздік оларды магистранттардың қажеттіліктеріне тікелей сәйкес етеді.

Бұл курс магистранттарды шетелдік және отандық басқару ғылымының даму тарихымен, оның психологиялық білім жүйесіндегі орнымен таныстырады. Курс ғылыми басқарудың қазіргі тенденциялары - жаңа ғылыми басқарушылық парадигма туралы түсінік қалыптастыруға мүмкіндік береді, сонымен қатар осы пәннің негізгі бөлімдерінде бағдарлануға үйретеді: басқарушылық қызметтің психологиялық мазмұны, көшбасшының жеке басқарушылық тұжырымдамасы, басқарушылық өзара әрекеттестіктің теориялық негіздері, Негізгі басқару функцияларын жүзеге асырудың психологиялық ерекшеліктері, басқарушылық қызмет субъектісінің психологиясы. Пән ұйымдастырушылық проблемалардың өзара байланысын психологиялық талдау дағдыларын және басшының өзінің басқару функцияларын іске асыру сапасын алуға ықпал етеді.

Пән жоғары оқу орны компонентінің бейіндік пәні болып табылады. Ол келесі модульдерден тұрады: ұйымды стратегиялық басқару, ұйымның миссиясы мен мақсаттарының рөлі, компанияның сыртқы және ішкі ортасын Стратегиялық талдау, компанияның бәсекелестік стратегиялары, стратегияны әзірлеу және іске асыру, корпоративтік стратегия, Стратегиялық өзгерістерді басқару.

Зерттеу әдістері курсы магистранттарды техникалық ғылымдар саласындағы зерттеулермен таныстыруға және магистранттардың зерттеу және аналитикалық дағдыларын дамытуға арналған. Білім алушылар зерттеу теориясы мен логикасымен, зерттеу процесінің негізінде жатқан этикамен, сондай-ақ техникалық ғылымдарда жиі қолданылатын бірқатар зерттеу әдістерімен танысады. Зерттеу дизайнына, деректерді жинауға, деректерді қарапайым талдауға және есептерді жазуға назар аударылады. Курс нақты әдістемелік тәсілдерді талқылауды қамтиды.

Курс аралық статистикалық деңгейде оқытылады. Көп мәнді статистиканың теориясына және оның көп өзгермелі талдаудағы қосымшаларына назар аударылады. Курс ықтималдықтар мен теорияның негізгі концепцияларымен танысады. Компьютерлік сауаттылық өте маңызды, өйткені біз SAS статистикалық бағдарламалық жасақтаманы қолдану арқылы компьютерді кеңінен қолданамыз.

Бұл курс желілік, желілік, дискретті, сызықты емес, динамикалық оңтайландыру және оңтайлы бақылау үшін негізгі алгоритмдерді ұсынады. Әдіснамада және негізгі математикалық құрылымдарда көңіл бөлінеді. Симплекс әдісі, желілік ағын әдісі, дискреттік оңтайландыру үшін салалық және қатпарлы жазықтық әдісі, сызықты емес оңтайландырудың оңтайлылық шарттары, дөңес оңтайландыру үшін интерстрациялық нүкте әдісі, Ньютон әдісі, эвристикалық әдістер, динамикалық бағдарламалау және оңтайлы бақылау әдістері.

Курс магистранттарға педагогикалық теория мен педагогикалық шеберліктің теориялық негіздері, жоғары мектепте оқыту үшін оқу-тәрбие процесін басқару туралы білім береді, педагогиканың негізгі санаттары туралы, адам туралы ғылым жүйесіндегі және педагогтің практикалық қызметіндегі жоғары мектеп педагогикасының орны, рөлі мен маңызы туралы түсінік береді, сондай-ақ қазіргі педагогиканың базалық қағидаттары мен жоғары мектептің педагогикалық міндеттерін шешуге әдістемелік тәсілдер туралы түсінік қалыптастырады.

Бұл курс Hadoop, HBase, Hive, Sqoop және PIG көмегімен үлкен деректер инфрақұрылымын жан-жақты зерттеуге, сонымен қатар жіктеу, кластерлеу, мәтінді талдау, уақыт қатарларын талдау және графикалық талдау негізінде деректерді жинау мен талдауды зерттеуге арналған. Осы курстың соңында магистранттар бағалау әдістерін жоспарлап, басқару архитектурасын құрып, үлкен деректерді талдай алады.

Осы Apache Kafka курсында сіз архитектураны, орнатуды, конфигурацияны және Kafka ашық хабар алмасу интерфейстерін игеруді үйренесіз. Осы Кафка курсының көмегімен сіз орталықтандырылған қызмет ретінде Apache ZooKeeper негіздерін үйренесіз және Кафканы нақты уақыттағы хабар алмасу үшін қолдану дағдыларын дамытасыз.

Деректерді талдау әдістерін білу жалақыға әсер ете ме? Банк клиенттерінің несиелік қабілетін бағалау жүйесі жұмыс істей ме? Жаңа баннер бұрынғыдан жақсы ма? Бұл сұрақтарға жауап беру үшін сізге деректер жинау керек. Деректер әрқашан дерлік шуды қамтиды, сондықтан олардың негізінде жасалуы мүмкін тұжырымдар әрдайым шындыққа сәйкес келмейді, тек белгілі бір ықтималдылықпен. Статистикалық әдістер ең дұрыс қорытынды жасауға және оларға деген сенімділік дәрежесін сандық бағалауға көмектеседі.Жүйенің белгісіз параметрлерін аздаған бақылаулардан қалай бағалауға болады? Мұндай бағалардың дәлдігін қалай өлшеуге болады? Сіздің сұрағыңызға жауап беру үшін қандай деректер қажет және қолда бар деректерді пайдаланып қандай сұрақтарға жауап беруге болады? Сіз деректерді түсінікке айналдыру үшін қажет нәрсенің бәрін - эксперименттерді ұйымдастыруды, A / B тестілеуді, параметрлерді бағалаудың әмбебап әдістерін және гипотезаларды тексеруді, корреляциялар мен себеп-салдар байланыстарын білесіз. Курстың видеолары

Машиналарды оқыту және үлгіні тану әдістері "ақылды есептеу"саласындағы көптеген соңғы жетістіктердің негізі болып табылады. Қазіргі заманғы қосымшаларға машиналық қабылдау (көру, тыңдау, сөйлеуді тану), басқару (процесті басқару, робототехника), деректерді іздеу, уақыттық қатарларды болжау (мысалы, қаржы саласында), табиғи тілді өңдеу, мәтінді іздеу және мәтінді жіктеу, биоинформатика, нейрондық жүйе кіреді. модельдеу, биологиялық процестердің есептеу модельдері және басқа да көптеген салалар.

Бұл курс машиналық оқытуға және статистикалық үлгіні тануға кеңірек кіріседі. Тақырыпқа мыналар жатады: бақыланатын оқыту (генеративті / дискриминативті оқыту, параметрлік / параметрлік емес оқыту, нейрондық желілер, векторлық қолдау машиналары); бақылаусыз оқыту (кластеризация, өлшемділікті төмендету, ядро әдісі); оқыту теориясы (қиғаштық / дисперсиялық келісімдер, практикалық кеңестер); күшейтуді оқыту және бейімделуді бақылау. Сондай-ақ курстың барысында роботты бақылау, деректерді өңдеу, дербес навигация, биоинформатика, сөйлеуді тану және мәтіндік және веб-деректерді өңдеу сияқты машина оқытудың соңғы қосымшалары талқыланады.

Машиналық оқытуда мәліметтер құрылымын зерттеу, ондағы жасырын байланыстар мен заңдылықтарды табу қажет болатын тапсырмалар бар. Мысалы, бізге әр банк клиентін азырақ айнымалыларды қолдану арқылы сипаттау қажет болуы мүмкін - ол үшін матрицалық кеңейтуге негізделген өлшемдерді азайту әдістерін қолдануға болады. Мұндай әдістер ескілерге негізделген жаңа мүмкіндіктерді қалыптастыруға тырысады, мәліметтерде мүмкіндігінше көбірек ақпарат сақтайды. Тағы бір мысал - тақырыптық модельдеу проблемасы, онда мәтіндер жиынтығы үшін осы мәтіндерді тақырыптардың аз мөлшерінен қалыптастыру процесін түсіндіретін модель құру қажет. Мұндай тапсырмаларды бақылаусыз оқыту деп атайды. Бақыланатын оқудан айырмашылығы, олар нысандар мен мақсатты айнымалы арасындағы байланысты қалпына келтіруді көздемейді. Бұл курста сіз деректерді кластерлеу алгоритмдері туралы білесіз, оның көмегімен сіз ұялы байланыс операторының ұқсас клиенттерінің топтарын іздей аласыз. Сіз матрицалық кеңейтуді құруға және тақырыптық модельдеу мәселелерін шешуге, деректерді кішірейтуге, ауытқуларды іздеуге және көпөлшемді деректерді визуализациялауға үйренесіз.

Бұл пәннің мақсаты компьютерлік қауіпсіздік теориясының құрылымын зерттеу. Компьютерлік қауіпсіздік теориясының негізгі түсініктері. Тіл. Объектілері. Субъектілері. Қол жеткізу. Ақпараттың құндылығы. Аддитивті модель. Әріпке өзінің рет шкаласы. Құндылық торы. Ақпараттық қауіпсіздік қатерлерін талдау. Ақпараттың құпиялылығына, тұтастығына, қол жетімділігіне, деректердің ақпараттық жүйесінің параметрлерін ашуға қауіп төндіреді. АС-қа шабуылдардың негізгі түрлері. АС-қа және зиянды бағдарламаларға негізгі шабуылдарды жіктеу. Қорғалған АС жүйелерін құру әдістемесі. Ақпараттың құпиялылығын бұзу қаупінен қорғау жүйесін құру. Ұйымдастырушылық режимдік шаралар. NSD-ден қорғау. Пароль жүйелерін құру. Криптографиялық қорғау әдістері. Ақпараттың мазмұны деңгейінде құпиялылықты бұзу қаупінен қорғау. Ақпараттың тұтастығын бұзу қаупінен қорғау жүйесін құру. Ұйымдастырушылық-технологиялық қорғау шаралары. Бағдарламалық-аппараттық ортаның тұтастығын қорғау. Жадты қорғаудың негізгі әдістері. Сандық қолтаңба. Ақпараттың мазмұны деңгейінде тұтастық қаупінен қорғау. АС қорғауды зерттеу және жобалау әдістемесі. Тазартылған АС құру үшін иерархиялық әдісті қолдану. АС-ты іске асырудың дұрыстығын және верификациялау әдістерін зерттеу. Қауіпсіз жүйелер теориясы (TCB). Қауіпсіздік саясаты. Қауіпсіздік саясаты ұғымы қауіпсіздік саясаты(стратегиясы). Қол жеткізуді демаркациялаудың дискрециялық саясаты. Қол жеткізуді шектеудің мандаттық (өкілетті) саясаты. Қауіпсіздік саясатын әзірлеу және іске асыру. Қауіпсіздік модельдері. Қол жеткізу матрицасы арқылы қорғаныс жүйелерінің сипаттамасы. Харрисон-Руззо-Ульман моделі (HRU). Қауіпсіздік мәселесін шешу. Take-Grant қол жеткізу құқығын тарату моделі. Кеңейтілген Take-Grant моделі, ақпараттық арналарды талдау. Белла-Лападула (BL) моделінің сипаттамасы. Ақпаратты ішкі қауіптерден қорғау. Ақпараттың қорғалатын периметрі. Ағуды болдырмау (Data Loss Prevention, DLP)-ақпараттық жүйеден тыс құпия ақпараттың ағуын болдырмау технологиясы, сондай-ақ осындай ағуды болдырмау үшін техникалық құрылғылар (бағдарламалық немесе бағдарламалық-аппараттық). SearchInform Шешімдері.

Бұл курста студенттерге SAS Viya пакетімен визуализацияны жақсы түсінуге үйретеді. Сондай-ақ, визуализация мен техниканың тұжырымдамасын біле аласыз.

Мәліметтер базасының жүйелері бизнес, өндіріс және ғылым үшін маңызды. АТ мамандары осындай жүйелер ұсынған мүмкіндіктер мен салдарды сыни тұрғыдан бағалауы керек. Сондай-ақ, оларға осы жүйелерді таңдау, дамыту, басқару және пайдалану үшін тәжірибе мен шеберлік қажет. Бұл жетілдірілген курс мыналарды зерттейді: мәліметтер базасын басқару жүйелері және онымен байланысты технологиялар; мәліметтер базасын басқару; және деректерді сақтау мен пайдалануды жеңілдететін деректерді модельдеу нұсқалары. Деректер базасын жобалауды басқаратын теорияларды зерттеу тергеу, әрі қарай практикалық енгізу және сыни бағалау арқылы жетілдірілген тұжырымдамаларды талдаумен біріктіріледі.

Бұл курста сіз функционалды бағдарламалау стилінің элементтерін ашасыз және оларды күнделікті бағдарламалау міндеттерінде қалай қолдануға болатындығын білесіз. Сондай-ақ, сіз инварианттардың дәлелі мен орындалу барысын символдық түрде іздеу арқылы функционалды бағдарламалар туралы ой қозғаудың берік негізін жасайсыз. Курс қолда; көптеген қондырғылар маңызды тұжырымдамалардың иллюстрациясы ретінде қызмет ететін және оларды өзгертіп, жетілдіріп отыруға шақыратын қысқа бағдарламаларды ұсынады. Курс үйге тапсырма ретінде бірқатар бағдарламалық жобалармен толықтырылған. Ұсынылатын ақпарат: Сізде кемінде бір жыл бағдарламалау тәжірибесі болуы керек. Java немесе C # тілдерін білу өте жақсы, бірақ C / C ++, Python, Javascript немесе Ruby сияқты басқа тілдерді меңгеру жеткілікті. Пәрмен жолын қолдану арқылы сізге біраз таныс болу керек.

Деректерді талдау курсы (индустриядан кейстер) объектіге бағытталған тұжырымдама мен қағидаттарды зерделеуге, дерексіз ойлауды дамытуға және болашақ маманның кәсіби дағдыларын дамытуға, жобаның құрылымын әзірлеуге, деректерді талдау, деректерді жинау және деректерді құрылымдау құралдарын пайдалана отырып, жобаны іске асыру дағдыларын қалыптастыруға және дамытуға бағытталған. Осы пәннің соңында магистранттар: * Python, SAS, Qlik және т. б. сияқты бағдарламалау тілдерінің әртүрлі кітапханаларын пайдаланыңыз.;* Деректерді талдау үшін дайындай білу; * Деректерді талдау үшін статистикалық болжау модельдерін білу. * Деректердің дұрыс талдауын жасау.

Курста қолданбалы бағдарламалар мен әкімшіліктен бағдарламалау мен инфрақұрылымға дейінгі бұлтты есептеудің жоғарыдан төмен көрінісі ұсынылған. Оның негізгі бағыты бұлтты есептеу үшін параллель бағдарламалау әдістері мен бұлтты инфрақұрылымды құрайтын ауқымды таратылған жүйелерге бағытталған. Тақырыптарға мыналар кіреді: бұлтты есептеулерге шолу, бұлтты жүйелер, бұлттағы параллельді өңдеу, таратылған сақтау жүйелері, виртуалдандыру, бұлттағы қауіпсіздік және көп ядролы операциялық жүйелер. Студенттер Google, Amazon, Microsoft, Yahoo, VMWare және т.с.с. әзірлеген заманауи шешімдерді оқып үйренеді. Сонымен қатар студенттер білгендерін бір бағдарламалау тапсырмасында және Amazon веб-сервисінде орындалған бір жобада қолданады.

Бұл курстың негізгі мақсаты-магистранттар АИ не екенін түсіну үшін ең іргелі білім беру. Уақыттың шектеулі болуына байланысты біз студенттерге АИ-дің толық бейнесін оңай алу үшін теориялық дәлелдер мен ресми белгілерді алып тастауға тырысамыз. Бұл курс ЖИ-ні түсіну үшін ең іргелі білімді зерттейміз. Мәселелерді шешу үшін кейбір негізгі іздеу алгоритмдерін енгіземіз; білімді ұсыну және дәлелдеу; үлгіні тану; айқын логика; және нейрондық желілер. Жасанды интеллектке қызығушылық танытқан магистранттар одан әрі оқу үшін докторантураға түсе алады.

Бұл курста терең нейрондық желілердің негіздері және олардың әртүрлі ЖИ тапсырмаларына қолдану туралы білетін боламыз. Курстың соңында оқушылар тақырыпты едәуір жақсы білетін болады және Deep Learning-ды әртүрлі тапсырмаларға қолдануы мүмкін. Олар сондай-ақ осы тақырып бойынша көптеген әдебиеттерді түсінуге және одан әрі оқу арқылы өз білімін кеңейтуге мүмкіндік береді.

Бұл курстың мақсаты студенттерге компьютерлік көзқараста және робототехника, денсаулық сақтау және графика сияқты қолданбалы салаларда зерттеу жүргізу үшін қажетті ақпараттар мен дағдыларды беру болып табылады. Студенттер зерттеудің проблемаларына қазіргі көзқарастардың күшті және әлсіз тұстарын түсініп, қызықты ашық сұрақтар мен болашақ зерттеу бағыттарын анықтауы керек. Студенттер сыни оқу мен қарым-қатынас дағдыларын жақсартуға үміттенеді.

Бұл курс Python бағдарламалау тілін қолдана отырып, IoT құрылғыларына қосылуға және кейбір функцияларды жүзеге асыруға мүмкіндік беретін бағдарламалаудың алғашқы түсініктерін үйретеді. Сонымен қатар, студенттер мәтіндік журнал файлдарын өңдеу үшін Python-ді қалай қолдануды үйренеді, мысалы, IoT датчиктерімен және басқа желіге қосылған жүйелермен автоматты түрде жасалынатын файлдар.

Бұл курста біз нейрондық желілердің тарихы мен терең білім алудың заманауи тәсілдерін қарастырамыз. Бітіруші студенттер нейрондық желінің архитектурасын және оқу процедураларын жобалауды практикалық тапсырмалар арқылы үйренеді. Магистратураның студенттері заманауи зерттеу тәсілдерін бағалау үшін, сонымен қатар танымалдылықтың қайта көтерілуінен туындайтын кейбір шу-шу туралы сұрақтар қою үшін қазіргі кездегі ғылыми мақалаларды оқиды. Біз TensorFlow, Open CV-ді заманауи терең оқытудың маңызды бағдарламалық құралын үйренеміз және қолданамыз.

Бұл курс технологияны коммерцияландыруға ұмтылатын инженерлер мен ғалымдарға арналған бизнес негіздеріне шолу жасайды. Егер сіз кәсіпкерлік бағдарламасы бойынша әрі қарай оқуды жалғастыруға мүдделі болсаңыз. Тақырыптар бизнес тұжырымдамаларын әзірлеуді, тестілеуді және бейімдеуді; технологиялық кәсіпорынды қаржыландыруды; маркетинг пен таратуды; ұйымдастыру мәселелерін; жаһандық бизнесті; технологиялық кәсіпорындарға әсер ететін заңды ойларды қамтиды. Магистранттар өздері игеруі керек дағдылардың нақты көрінісін дамытады және өздерінің кәсіпкерлік ұмтылыстарын жүзеге асыру үшін табуға болатын ішкі құмарлықты түсінуге келеді.

Ғылыми зерттеулер, педагогикалық және тәрбие жұмыстарын жүргізуде әдістемелік білімді қолдану, жұмыстың тиімділігі мен сапасын арттыру үшін психологиялық әдістер мен құралдарды білу, сондай-ақ коммуникацияларды құра білу және шет тілін жетік меңгеру.

Осы салада зерттеулер жүргізу үшін машиналық оқытудың теориялық негіздерін түсіну, сонымен қатар регрессия, жіктеу, кластерлеу және өлшемді азайту проблемаларынан туындауы мүмкін талдаулардағы негізгі айырмашылықтарды анықтау.

Деректер инфрақұрылымымен, үлкен датасеттерді өңдеу құралдарымен жұмыс істеу үшін бұлтты технологияларды қолдана отырып, ақпараттық жүйелерді жасау, сонымен қатар үлкен деректер инфрақұрылымы мен жоғары өнімді желілерді қолдана отырып, мәліметтерден алынған модельдерді бағалау.

Гипотеза тестін және статистикалық модельдеуді қолдана отырып, барлау мәліметтерін, кездейсоқ айнымалыларды, жалпы дискретті және үздіксіз үлестірімдерді, іріктеу үлестірімдерін талдау және бағалау.

Практикалық мәселелерді шешу, оқыту модельдерін оңтайландыру және осы модельдерді қолданудан күтілетін тиімділік туралы ақпарат беру үшін жаңа алгоритмдерді әзірлеу және қолданыстағы алгоритмдерді қолдану.

Машиналық оқыту алгоритмдерінің жұмыс нәтижелерін түсіндіру, олардың сенімділігін өлшеу және басқа қызмет салаларының сарапшыларымен алынған мәліметтермен алмасу.

Машиналық оқыту моделінің нәтижелерін бағалау, оқытудың жаңа алгоритмдерін әзірлеу және қолдану.

Тиімді визуализация және түсіндіру әдістерін қолдана отырып, деректер тақталары мен аналитикалық есептерді жасау.

Кәсіби қызмет мәселелерінде құзыретті болу, жоғары күрделілік деңгейдегі мәселелерді статистика тілінде тұжырымдау, сонымен қатар компьютерде математикалық есептеулерді орындай білу.

Ағымдағы деректер көздерін талдау және олардың негізінде қорытынды жасау, сонымен қатар дәйектеу және шешім қабылдау.