7M06102 Machine Learning & Data Science в Satbayev University
-
Цель образовательной программы Целью образовательной программы является подготовка магистров технических наук, обладающих специализированными компетенциями исследования и разработки методов машинного обучения для сбора, анализа и обработки больших данных.
-
Академическая степень Магистратура
-
Языки обучения Русский, Казахский, Английский
-
Срок обучения 2 года
-
Объем кредитов 120
-
Группа образовательных программ M094 Информационные технологии
-
Область образования 7M06 Информационно-коммуникационные технологии
-
Направление подготовки 7M061 Информационно-коммуникационные технологии
-
История и философия науки
Кредитов: 3Предмет философии науки, динамика науки, специфика науки, наука и преднаука, античность и становление теоретической науки, основные этапы исторического развития науки, особенности классической науки, неклассическая и постнеклассическая наука, философия математики, физики, техники и технологий, специфика инженерных наук, этика науки, социально-нравственная ответственность ученого и инженера.
Год обучения - 1
-
BigData Processing applications
Кредитов: 5Основное внимание в курсе уделяется пониманию основ, программированию и проектированию систем больших данных. Темы включают теорию и методы сбора данных, очистки, агрегирования, управления большими разнородными коллекциями данных, обработки, извлечения информации и знаний. Курс знакомит с алгоритмами MapReduce, потоковой передачи и внешней памяти и их реализациями с использованием Hadoop и его экосистемы (HBase, Hive, Pig и Spark).
Год обучения - 1
-
Методология научного исследования и инновационная деятельность
Кредитов: 5Целью освоения курса является формирование у студента навыков ведения научно- исследовательской деятельности. Содержание дисциплины включает вопросы определения направления иследования; цели и задачи исследования; этапы написания научной публикации, литературного обзора; организация научного эксперимента; направления инновационной деятельности; роль научных исследований в инновационной деятельности.
Год обучения - 1
-
Компьютерное зрение
Кредитов: 5Компьютерное зрение изучает вопросы создания компьютерных систем, обладающих общим высокоуровневым представлением о цифровых изображениях или видео и предназначенных для обнаружения, отслеживания и классификации объектов. С практической точки зрения компьютерное зрение стремится понять и автоматизировать задачи, которые может выполнять зрительная система человека.
Селективная дисциплина
Год обучения - 1
-
Computer Architecture & Concurrency
Кредитов: 5Дисциплина является естественно-научной дисциплиной, знакомит обучающихся с фундаментальными основами системного программирования.Отвечает за предоставление практических знаний об аппаратном обеспечении и архитектуре современной компьютерной системы, уделяя особое внимание аспектам параллелизма и тем, которые влияют на написание многопоточного программного обеспечения. Курс охватывает понимание параллелизма от низкоуровневых аспектов до высокоуровневых шаблонов проектирования, используемых в пакетах параллелизма.
Селективная дисциплина
Год обучения - 1
-
Основы Нейронных сетей
Кредитов: 5Курс основан на теоретических и практических знаниях, необходимых для решения прикладных задач обработки данных с использованием нейронных сетей. В курсе изучаются математические основы теории нейронных сетей, приводятся краткая история теории нейронных сетей, математические модели нейросетевых архитектур, постановка задачи обучения и методы ее решения, рассматриваются особенности организации процесса обучения и применения нейронных сетей для решения практических задач.
Селективная дисциплина
Год обучения - 1
-
QA/QC and Continuous Integration
Кредитов: 5В рамках курса обучающиеся получат знания в области оценки качества, контроля качества программного обеспечения, научатся разрабатывать тестовые примеры, выполнять тестирование по тестовым примерам, обнаруживать ошибки при выполнении тестирования и документировать их, оценивать и тестировать программный продукт с точки зрения модуля, функциональности, интегрированности. В курсе обсуждаются темы, связанные с обеспечением качества и непрерывной интеграции в проектах, проводимых с использованием гибких методологий.
Селективная дисциплина
Год обучения - 1
-
Machine Learning & Deep Learning
Кредитов: 5Курс посвящен методам машинного обучения и моделям глубокого обучения. В этом курсе изучаются основы глубокого обучения, нейронные сети, сверточные сети. Отдельное внимание уделяется построению прогностических моделей с использованием классических методов машинного обучения и глубоких нейронных сетей. Дополнительное внимание уделяется подготовке данных. Также рассматриваются специальные темы глубокого обучения, такие как долговременная кратковременная память, генеративно-состязательное обучение и передача стилей.
Селективная дисциплина
Год обучения - 1
-
Virtual Reality Systems
Кредитов: 5Курс изучает вопросы визуализации и виртуальной реальности: подготовка данных, визуализация данных, представление данных, взаимодействие с данными, устройства и компьютерные технологии, широко используемые методы рендеринга, современные методы и системы визуализации, примеры реализации виртуальной реальности, стандарты взаимодействия данных, моделирование в реальном времени, обнаружение столкновений, тактильные ощущения, поврежденные объекты, дополненная реальность. Рассматриваются вопросы взаимосвязи между виртуальной реальностью и другими технологиями смешанной реальности.
Селективная дисциплина
Год обучения - 1
-
Big Data Storage Systems and Computations
Кредитов: 5Курс изучает теоретические и практические основы в области методологии, обработки и анализа больших данных. В курсе рассматриваются вопросы формирования представления о технических и методологических средствах анализа больших данных, изучения основных принципов и понятий, позволяющих сознательно применять эти знания в практической деятельности, использования практических навыков анализа больших объемов данных для решения широкого спектра задач. В дисциплине также обсуждаются тенденции развития инфраструктурных решений для обработки и хранения больших данных.
Селективная дисциплина
Год обучения - 1
-
Педагогика высшей школы
Кредитов: 3В рамках курса магистранты освоят методологические и теоретические основы педагогики высшей школы, научатся использовать современные педагогические технологии, планировать и организовывать процессы обучения и воспитания, овладеют коммуникативными технологиями субъект-субъектного взаимодействия преподавателя и магистранта в образовательном процессе вуза. Также магистранты изучат управление человеческими ресурсами в образовательных организациях (на примере высшей школы).
Год обучения - 1
-
Облачные технологии
Кредитов: 5Курс изучает теоретические и практические основы технологии облачных вычислений, модели облачных вычислений в современном бизнесе, инструментальные средства облачных технологий. А также в курсе рассматриваются технологии создания облачного сервиса и существующие облачные сервисы, способы применения технологии облачных вычислений при решении задач оптимизации ИТ-процессов. В данном курсе обсуждаются наиболее важные API, используемые в облаках Amazon и Microsoft.
Селективная дисциплина
Год обучения - 1
-
Иностранный язык (профессиональный)
Кредитов: 5Курс рассчитан на магистрантов технических специальностей для совершенствования и развития иноязычных коммуникативных умений в профессиональной и академической сфере. Курс знакомит обучающихся с общими принципами профессионального и академического межкультурного устного и письменного общения с использованием современных педагогических технологий (круглый стол, дебаты, дискуссии, анализ профессионально-ориентированных кейсов, проектирование).
Год обучения - 1
-
Моделирование экосистем
Кредитов: 5Данный курс дает систематическое введение в разработку и анализ бизнес-экосистем и дает обзор важных подходов и типов моделей. Цифровые сетевые взаимодействия порождают новую бизнес-конфигурацию — экосистему, отличную как от внутрифирменных, так и от межфирменных отношений предыдущего типа. Рассматривается концептуальная модель бизнес-экосистемы с ее преимуществами, ограничениями и рисками, а также ее применимость в ИТ индустрии.
Год обучения - 1
-
Психология управления
Кредитов: 3Дисциплина изучает современную роль и содержание психологических аспектов в управленческой деятельности. Рассматривается улучшение психологической грамотности обучающегося в процессе реализации профессиональной деятельности. Самосовершенствуется в области психологии и изучает состав и устройство управленческой деятельности, как на местном уровне так и в зарубежном. Рассматривается психологическая особенность современных управленцев.
Год обучения - 1
-
Multiagent Systems
Кредитов: 5Курс изучает общие принципы построения, основные свойства и архитектуры автономных агентов; методологию, методы и модели формирования мультиагентных систем (МАС); базовые ситуации, режимы и модели взаимодействия, коммуникации, кооперации агентов; программные языки и инструментальные средства реализации искусственных агентов; методы, модели, средства и технологии компьютерной обработки информации и автоматизированного управления на основе теории искусственных агентов и МАС.
Селективная дисциплина
Год обучения - 2
-
Theory of Complexity & Computations
Кредитов: 5Курс изучает основы теории сложности и вычислений. Дается определение вычислительной сложности алгоритма. В курсе рассматриваются вопросы вычислительной и емкостной сложности алгоритмов, их соотношении между собой, эффективности алгоритмов, решающих задачи за полиномиальное время и иных с экспоненциальной зависимостью времени решения от данных. А также изучаются детерминированные и недетерминированные алгоритмы, полиномиально разрешимые задачи, полиномиальные алгоритмы. Приводятся доказательства NP полноты.
Селективная дисциплина
Год обучения - 2
-
Прикладное машинное обучение и глубокое обучение
Кредитов: 5Курс посвящен моделям глубокого обучения. Являясь областью в рамках машинного обучения, модели глубокого обучения иллюстрируют количественно-качественный переход. Новые модели и их свойства требуют отдельного изучения и практики настройки метапараметров таких моделей.
Селективная дисциплина
Год обучения - 2
-
Обработка естественного языка
Кредитов: 5Курс изучает теоретические и практические основы обработки естественного языка. В курсе рассматриваются теоретические аспекты NLP, включая базовые сведения из области лингвистики, и практические методы обработки текстов. Рассматриваются классические алгоритмы обработки текстовой информации, такие как регулярные выражения, измерение расстояний, подстановок, поиск строк и подстрок. Лингвистические деревья. Корпус текста. Таксономия. Рассматриваются модели Word2Vec, Text Embeding, LSTM модели нейронных сетей. Изучаются существующие библиотеки анализа текстовой информации.
Селективная дисциплина
Год обучения - 2
-
Основы Искусственного Интеллекта
Кредитов: 5Курс посвящен искусственному интеллекту (ИИ), в частности слабому или мягкому ИИ, то есть методам и алгоритмам, которые могут сделать программное обеспечение умнее и полезнее. В рамках курса рассматриваются алгоритмы оптимизации основанные на имитации естественных процессов в живой и не живой природе, экспертные системы, алгоритмы кластеризации, обеспечивающие персонификацию обслуживание пользователей, методы предсказания основанные на регрессионных моделях, нейронные сети прямого распространения.
Селективная дисциплина
Год обучения - 2
-
Advanced Python
Кредитов: 5Курс изучает объектно-ориентированное программирование на Python, включая абстрактные базовые классы и инструменты программиста Python — отладчик, трассировку. В курсе представлены контейнеры, алгоритмы и итераторы, чтобы показать быстрые методы обработки огромных объемов данных. Манипуляции с файловой системой и XML, JSON и YAML просматриваются так, чтобы ими можно было манипулировать внутри Python. Рассматриваются RESTful и методы работы с конечными точками.
Селективная дисциплина
Год обучения - 2
-
Прикладная обработка текстов
Кредитов: 5Эта дисциплина знакомит с основами манипулирования текстов. Теоретический курс включает процесс обработки текста, структуры текста как для машины, так и для людей, описание фреймворка nltk языка Python для управления текстом, регулярные выражения (поиск текста), очистка текста и подготовка текста для использования процессами машинного обучения. Также будет рассмотрено применение базовых методов обработки естественного языка.
Год обучения - 2
-
Цифровая обработка изображений
Кредитов: 5Курс изучает основные принципы представления цифровых изображений, моделей работы с ними и интерпретации данных. В рамках курса рассматриваются компьютерные методы описания визуального мира, изучение цвета, текстуры, методов и моделей обработки изображений, виды цифровых изображений, форматы и модели, афинные, проективные и полиномиальные искажения, дисторсия камеры, извлечение фрагментов. Рассматриваются модели классификации и кластеризации данных, применение математических моделей для выделения качественных и количественных признаков изображения.
Селективная дисциплина
Год обучения - 2
-
Python для науки геномных данных
Кредитов: 5Курс изучает общие концепции и инструменты анализа и интерпретации геномных данных, полученных в результате экспериментов по секвенированию. В курсе изучаются библиотеки языка Python, алгоритмы биоинформатики, методы искусственного интеллекта, основные сервисы и программы для обработки биологических последовательностей. В курсе используются основные биологические базы данных, содержащие геномную, структурную и другую информацию для научно-исследовательской работы.
Селективная дисциплина
Год обучения - 2
-
Код ON1
Применять иностранный язык на профессиональном уровне, позволяющем осуществлять преподавание базовых дисциплин в вузах, проводить обзор литературных источников, анализировать тенденции современной науки и определять перспективные направления научных исследований.
-
Код ON9
Применять модель программирования MapReduce для обработки научных и масштабируемых данных.
-
Код ON2
Планировать и проводить семинарские, практические, лабораторные занятия с учетом требований разработанных и утвержденных рабочих учебных планов и методических указаний, разрабатывать учебно-методические материалы для сопровождения образовательного процесса и реализации инноваций в обучении и воспитании обучающихся, применять знания педагогики и психологии высшей школы в своей педагогической и научно-исследовательской деятельности.
-
Код ON7
Применять методы статистического анализа и машинного обучения применительно к задачам обработки различных данных, включая структурированные, неструктурированные, научные, геномные и т.п., вести научные изыскания, организовывать работы по сбору, хранению и обработке информации, создавать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения и глубокого обучения.
-
Код ON3
Устанавливать межличностные и групповые коммуникации; определять свою роль в команде, ставить цели и формулировать задачи, связанные с ее реализацией; выстраивать взаимодействие с учетом социальных особенностей членов команды; проектировать и организовывать командную работу; определять потребности участников команды в овладении новыми знаниями и умениями.
-
Код ON4
Интегрировать знания, полученные в рамках разных дисциплин для решения научно-исследовательских задач в новых незнакомых условиях и генерации новых идей в контексте научных исследований в области искусственного интеллекта и интеллектуального анализа данных.
-
Код ON6
Применять подход, основанный на численных методах решения задач оптимизации и линейного программирования, методах решений уравнений в частных производных, Навье-Стокса и теплопроводности для формализации и моделирования объектов реального мира.
-
Код ON8
Извлекать нужную информацию из всевозможных источников, включая информационные потоки в режиме реального времени, разрабатывать научные, технические и инновационные решения для информационной инфраструктуры предприятия с учетом возможностей технологий больших данных, моделей облачных вычислений и принципов информационной безопасности.
-
Код ON5
Применять концепции моделирования бизнес-экосистем, моделей виртуальной реальности, систем реального времени.
-
Код ON10
Разрабатывать и внедрять модели глубокого обучения и обучать их на реальных наборах данных.