Big Data Analysis

Методология проектирования баз данных для систем NoSQL. Подход основан на NoAM (абстрактная модель NoSQL), новой абстрактной модели данных для баз данных NoSQL, которая использует общие черты различных систем NoSQL и используется для определения независимого от системы представления данных приложения. В целом методология направлена на поддержку масштабируемости, производительности и согласованности, необходимых для веб-приложений следующего поколения.

Курс предназначен для более продвинутого изучения языка программирования Java, включая изучение JSP (Java Server Pages), Servlet, JDBC (Java Database connection), включая многие основные принципы Java to Enterprise Edition (Advanced Java EE)

Курс основан на конкретных примерах. Разрабатывают математические методы на примерах и строят алгоритмы для решения конкретных задач. Курс включает в себя следующие темы: рекурсии, суммы, целочисленные функции, элементарная теория чисел, биномиальные коэффициенты, специальные числа, производящие функции, дискретная вероятность, асимптотика.

Этот курс представляет собой промежуточный класс, охватывающий разработку компьютерных алгоритмов и анализ сложных алгоритмов. Студенты учатся анализировать асимптотическую производительность алгоритмов и знакомятся с основными алгоритмами и структурами данных. Они также применяют важные парадигмы алгоритмического проектирования и методы анализа, в дополнение к синтезу эффективных алгоритмов в обычных ситуациях инженерного проектирования. Материалы курса предназначены для того, чтобы помочь студентам понять разницу между поддающимися разрешению и трудноразрешимыми проблемами и ознакомиться со стратегиями борьбы с трудноразрешимостью.

Этот курс предназначен для изучения основ мобильной разработки. Мобильные приложения, полученные в результате прохождения курса, можно загрузить в репозитории университета, а также отобразить в Play Store.

Дисциплина знакомит студентов с основными направлениями в разработке и использовании систем хранения данных. Цель преподавания учебной дисциплины: создание базы для применения современных методов сбора и анализа данных для решения практических задач и формирование у студентов умения создавать необходимую архитектуру хранилища данных для анализа больших массивов данных с целью получения агрегированной информации.

Дисциплина, которая фокусируется на практическом применении методов машинного обучения для решения реальных проблем и создания прогнозов или решений на основе данных. Она охватывает широкий круг тем, таких как предварительная обработка данных, выбор и проектирование функций, выбор и оценка моделей, алгоритмы обучения с учителем и без учителя, ансамблевые методы, глубокое обучение и этические аспекты машинного обучения. Изучая эту дисциплину, учащиеся получат четкое представление о ключевых концепциях и алгоритмах машинного обучения и разовьют навыки их эффективного применения в различных областях и наборах данных. Они узнают, как предварительно обрабатывать и преобразовывать данные, выбирать подходящие функции, обучать и оценивать модели, оптимизировать гиперпараметры, интерпретировать результаты моделей и развертывать решения для машинного обучения. Результаты обучения включают способность определять подходящие методы машинного обучения для конкретных задач, создавать точные и надежные прогностические модели и использовать машинное обучение для получения информации и принятия обоснованных решений на основе сложных наборов данных.

Курс предназначен для изучения основ работы с большими данными и принципов высокопроизводительных вычислении. Под большими данными предполагается наличие огромных массивов структурированной и неструктурированной информации, и выбор инструментов для их эффективной обработки и извлечения полезной информации.

Курс направлен на изучение принципов работы современной микропроцессорной техники, лежащей в основе универсальных и специализированных ЭВМ, и встраиваемых систем, методов организации взаимодействия микропроцессора с памятью и внешними устройствами. В процессе изучения курса студенты должны получить понятие об особенностях внутреннего устройства современного микропроцессора.

На данном курсе обучающийся научится внедрять агентов на основе Deep Reinforcement Learning, типе машинного обучения, где агент узнает, как вести себя в среде, выполняя действия и видя результаты. Обучающиеся будут создавать агентов с использованием Tensorflow и Pytorch, для самостоятельного обучения в простые игры. По изучении данных методов обучающийся погрузится во внедрение агентов на основе глубокого обучения с подкреплением в прикладных отраслях.

Курс посвящен изучению технологий защиты информации.

Курс посвящен изучению технологий защиты информации.

Дисциплина, изучающая принципы, методы и алгоритмы эффективного извлечения и анализа полезной информации из больших наборов данных. Она охватывает различные аспекты, такие как поиск информации, фокусирующийся на извлечении релевантной информации из неструктурированных источников данных, таких как документы или Интернет, и интеллектуальный анализ данных, который включает обнаружение закономерностей, взаимосвязей и выводов из структурированных и неструктурированных данных. Эта дисциплина охватывает такие темы, как предварительная обработка данных, модели поиска, индексирование, языки запросов, кластеризация данных, классификация, анализ ассоциаций и метрики оценки. Изучая эту дисциплину, учащиеся получат четкое представление о теоретических основах и практических методах, используемых в поиске информации и анализе данных. Они приобретут навыки проектирования и внедрения эффективных систем поиска и извлечения информации, оценки их производительности и применения их к реальным задачам, что позволит им принимать решения на основе данных и извлекать ценные сведения из огромных объемов информации.

Курс предназначен для изучения основных методов и инструментов требуемых для введения научных исследований. Курс также знакомит студентов с наиболее популярными поисковыми и наукометрическими базами данных научных статей, такими как Web of Science, Scopus, ScienceDirect и другие. Во время курса обучающиеся ознакомятся с инструментами цитирования и поиска требуемой научной информации.

В первой части дисциплины «Статистика и наука о данных» обучающиеся углубятся в фундаментальные понятия и методы статистики. В этом разделе основное внимание уделяется обеспечению надежной статистической основы, необходимой для работы с большими данными. Они изучат такие темы, как описательная статистика, теория вероятностей, проверка гипотез и регрессионный анализ, а также узнают, как обобщать и интерпретировать большие наборы данных, используя показатели центральной тенденции, дисперсии и графического представления.

Вторая часть дисциплины «Статистика и наука о данных» посвящена практическому применению методов науки о данных для извлечения ценной информации из крупномасштабных наборов данных. В этом разделе рассматриваются различные аспекты науки о данных, включая предварительную обработку данных, визуализацию данных, машинное обучение и интеллектуальный анализ данных. Они узнают, как очищать, преобразовывать и предварительно обрабатывать большие данные для решения распространенных проблем, таких как пропущенные значения, выбросы и несоответствия, обеспечивая качество данных для дальнейшего анализа; изучат различные методы визуализации для эффективного представления и обмена информацией, полученной из больших данных, что позволит вам выявлять закономерности, тенденции и аномалии; ознакомятся с алгоритмами и методами машинного обучения, подходящими для анализа больших данных, такими как классификация, регрессия, кластеризация и уменьшение размерности, обеспечивающие автоматическое распознавание образов и прогнозирование; поймут принципы и методы интеллектуального анализа данных, чтобы обнаруживать значимые закономерности и взаимосвязи в больших наборах данных, облегчая принятие решений и раскрывая скрытые идеи.

Курс представляет сбор и анализ материалов для написания дипломного проекта

Темы включают (но не ограничиваются) биоинформатические базы данных, последовательность и структуру выравнивания и анализ экспрессии дифференциального гена. Кроме того, студенты также узнают, как сравнивать результаты разных образцов.

В рамках курса будут рассмотрены возможности легальной атаки на различные веб-ресурсы. В рамках данного курса студенты научатся находить уязвимости и эксплуатировать их. Также будут рассмотрены методы обхода защиты, сетевой протокол TCP/IP, внутреннее устройство ОС Windows, и язык программирования Python.

Курс посвящен практическому применению распределенных вычислений MapReduce модель. Для реализации алгоритмов был выбран свободно распространяемый набор утилит Hadoop, который используется для реализации поисковых и контекстных механизмов многих высоконагруженных веб-сайтов при массовой параллельной обработке данных. В настоящее время Hadoop считается одной из фундаментальных технологий при работе с большими данными и используется во многих отраслях экономики, промышленности, а также в государственном управлении правоохранительных органов.

Фундаментальные принципы бизнес-анализа, применимые к проектам любого масштаба в гибкой и традиционной бизнес-среде. Лучшие практики, инструменты и методы, доступные для помощи бизнес-аналитикам в достижении целей проекта и обеспечении ценности бизнеса. Техники фасилитации и подходы к моделированию, планирование и мониторинг бизнес-анализа, а также документация по выяснению требований. Agile и Lean подходы к постановке задач, стратегическому и тактическому анализу, принципы проектного мышления и методы оценки решений. Соответствует отраслевому стандарту A Guide to the Business Analysis Body of Knowledge® (BABOK® Guide), опубликованному Международным институтом бизнес-анализа® (IIBA®).

Курс предназначен для выполнения студентами проекта, готового минимального продукта, который они смогут презентовать на разлиных соревнованиях (хакатонах) по анализу данных. Курс не предполагает наличие лекции, а все занятия будут практико-ориентированными, с максимальным акцентом на получение результатов готового продукта. Во время курса, студенты должны применить все полученные на втором курсе знания, включая знания по разработке готовых приложении.

Данный курс предназначен для разработки программных систем и приложении где основной упор будет сделан на применение облачных решении там где это покажет наибольшую эффективность. У обучающихся будет возможность работать с различными провайдерами облачных решении, таких как Amazon, Google, Microsoft. Они научатся развертывать облачные решения для баз данных, аналитики данных, машинного обучения. Курс содержит следующие темы: «Load Balancing», «Scalability, Availability and Fault Tolerance», «BigQuery», «Machine Learning on Unstructured Datasets» и т.д.

Дисциплина знакомит обчающихся с фундаментальными понятиями, методами и приложениями генеративных моделей в искусственном интеллекте и машинном обучении. Курс охватывает ряд генеративных методов, включая вариационные автоэнкодеры (VAE), генеративно-состязательные сети (GAN) и авторегрессионные модели, для создания новых выборок данных из изученных распределений. Студенты изучат практическое применение генеративных моделей в различных областях, таких как синтез изображений, обработка естественного языка и творческий ИИ, а также приобретут практический опыт проектирования, обучения и оценки этих моделей с использованием популярных сред машинного обучения.

Цель дисциплины состоит в том, чтобы изучить фундаментальные методы разработки приложений высокопроизводительных вычислений (ВВ), часто используемых платформ ВВ, методов измерения, оценки и анализа эффективности приложений ВВ и роли администрирования, рабочей нагрузки и управления ресурсами в управлении ВВ программного обеспечения. Студенты будут ознакомлены с задачами, связанными с использованием методов ВВ в решении больших научных проблем.

Курс формирует у обучающихся понимание области информационной безопасности, её составных компонентов, основных угроз, протоколов и инструментов защиты. В ходе изучения обучающиеся получат базовые навыки обеспечения информационной безопасности и ознакомятся с профессиональными инструментами и программами.

Биоинформатика — это междисциплинарная тема, которая разрабатывает и реализует новые методологии и инструменты для анализа и обучения биологических данных.
Этот курс охватывает основополагающие знания домена, необходимые как из биологических, так и вычислительных дисциплин для дальнейшего изучения и исследований в этой теме с сильным практическим и теоретическим акцентом на повышение понимания. Никаких предыдущих знаний о биоинформатике не требуется.

Курс охватывает область управления рисками в контексте проекта; содержит основные теории и концепции управления рисками, применимые к проектным средам, включая планирование, подготовку и реагирование на риски проекта; рассматривает области выявления рисков, оценки, мониторинга и контроля. В рамках данного курса студентам будут представлены методы качественного и количественного анализа риска.

Курс предназначен для выполнения студентами проекта, готового минимального продукта, который они смогут презентовать на разлиных соревнованиях (хакатонах). Курс не предполагает наличие лекции, а все занятия будут практико-ориентированными, с максимальным акцентом на получение результатов готового продукта. Во время курса, студенты должны применить все полученные на втором курсе знания, включая знания по разработке готовых приложении.