Прикладная аналитика данных

7M06103 Applied data Analytics (Прикладная аналитика данных)

Профильные предметы: алгоритмы и структуры данных, а также базы данных.

Магистерская программа «Прикладная аналитика данных» — это комплексная и специализированная образовательная программа, которая дает студентам необходимые навыки и знания для анализа и интерпретации сложных наборов данных. Сочетая статистику, математику, информатику и бизнес, студенты изучают различные методы анализа данных и приобретают навыки владения языками программирования и инструментами, обычно используемыми в данной области. Программа уделяет особое внимание этическим соображениям и практическому применению, готовя выпускников к решению задач, связанных с данными, в различных отраслях промышленности. Благодаря практическому опыту студенты применяют свои знания в реальных сценариях, способствуя глубокому пониманию аналитики данных в различных областях. В конечном счете, выпускники хорошо подготовлены к таким ролям, как аналитики данных, ученые и консультанты, внося ценный вклад в работу организаций в мире, все больше ориентированном на данные.

Контакты

Приемная комиссия

(7172) 64-57-10
info@astanait.edu.kz

Пн-Пт 9:00 — 18:00

Цель образовательной программы

Обеспечить подготовку высококвалифицированных научных и прикладных специалистов и программных инженеров по направлению анализа данных большого объема, а также руководителей и управленцев программно-информационных систем для отрасли информационных технологий и междисциплинарных отраслей связанных с обработкой данных в различных секторах экономики Республики Казахстан.

Перечень должностей специалиста

Карьерные возможности
  • Аналитик данных
  • Data Scientist
  • Аналитик больших данных
  • Инженер больших данных
  • Разработчик программного обеспечения
  • Руководитель организации
  • Зам. руководителя структурного подразделения
  • Руководитель структурного подразделения
  • Эксперт республиканского центра
  • Сотрудник национального, научно-практического центра, ВУЗа.

M094 – Информационные технологии

Присуждаемая степень

Магистр технических наук по образовательной программе «7M06103 Прикладная аналитика данных»

Присуждаемая степень

2 года

Срок обучения

Результаты обучения

  • Формулировать задачи, возникающие в ходе научно-исследовательской деятельности, применять методологические, психологические подходы в исследованиях
  • Обладать критическим мышлением и владеть академическим языком на профессиональном уровне, позволяющем проводить научные исследования и осуществлять преподавание специальных дисциплин в вузах
  • Применять методы анализа данных для решения различных прикладных задач по анализу данных и аналитической обработки
  • Управлять командой и руководить процессом разработки программного обеспечения и анализа данных
  • Применять методы проектирования и разработки программных систем для решения широкого класса прикладных задач в области анализа в различных областях.
  • Формулировать, модифицировать и разрабатывать методы машинного обучения и искусственного интеллекта
  • Понимать фундаметальные принципа и обладать математическими знаниями, лежащими в основах методов аналитики данных и машинного обучения
  • Обладать знаниями в смежных областях проектного менеджмента, вычислительных наук, информационной безопасности

Документы

Module Handbook

"Applied Data Analytics"

Программа развития

"Applied Data Analytics"

Учебные дисциплины

Цикл базовых дисциплин

Вузовский компонент

История и философия науки

Данная дисциплина предполагает изучение основных направлений, проблем, теории и методов, применяемые в истории и философии науки, а также содержания современных философских дискуссий по проблемам общественного развития.

Педагогика высшей школы

Данная дисциплина предполагает изучение основных категории педагогики, методов педагогической действительности, категориальный строй науки педагогики и др.

Иностранный язык (профессиональный)

Данная дисциплина предполагает изучение функциональных особенностей устных и письменных профессионально-ориентированных текстов, в том числе научно-технического характера, требования к оформлению документации (в пределах программы), принятые в профессиональной коммуникации и в странах Европы и изучаемого языка.

Психология управления

Данная дисциплина предполагает ознакомление обучающихся с основными ресурсными возможностями человеческого фактора в управлении организациями в современных условиях. В рамках дисциплины также рассмотрены психологические характеристики объектов управления как персонала, так и организации в целом, и субъектов управления, которыми выступают менеджеры разного уровня с целью раскрыть психологические механизмы, обеспечивающие эффективность деятельности управленческих систем.

Педагогическая практика

Педагогическая практика — вид практической деятельности магистрантов, включающий преподавание специальных дисциплин, организацию учебной деятельности студентов, научно-методическую работу по предмету, получение навыков и умений в работе преподавателя.

Цикл базовых дисциплин

Компонент по выбору

Методы и инструменты анализа данных

Данная дисциплина предполагает изучение методов и технологий обработки данных, которые включают структурированные и неструктурированные данные огромных объёмов и значительного многообразия. Во время изучения дисциплины также будут рассмотрены горизонтально масштабируемыми программные инструменты, которые являются альтернативами традиционным базами данных

Введение в нейронные сети

Данная дисциплина предполагает изучение разделов математики и информатики, необходимых для введения в теорию машинного обучения и ее раздел теорию глубокого обучения, основанного на алгоритме обратного распространения ошибки, которая позволяет системе ИИ самообучаться. Данный раздел содержит в себе задачи распознавания изображения, генерации изображений и 3D, распознавание текстов, звуков и т.д и является одним за самых распространенных направлений в современном машинном обучении

Обработка и понимание данных

Данные дисциплины предполагают изучение основ понимания работы с данными, и извлечения требуемой нужно информации из данных. Дисциплина «Принятие решении основанных на данных» предполагает изучение бизнес составляющей, т.е. каким образом можно применить анализ данных для принятия правильных управленческих решении.

Высокопроизводительные вычисления

Целью дисциплины является изучение фундаментальных методов разработки приложений, часто используемых платформ высокопроизводительных вычислений , методов измерения, оценки и анализа производительности высокопроизводительных приложений, а также роли администрирования, управления рабочей нагрузкой и ресурсами в управлении высокопроизводительными вычислениями. Студенты познакомятся с вопросами, связанными с использованием технологий при решении крупных научных задач.

Марковские цепи и процессы принятия решений

Данная дисциплина предполагает изучение Марковских цепей, в которых каждый элемент полностью определен предыдущим. Данные цепи широко используются в постановке задач привязки искусственного интеллекта к поведению агента в определенной среде, например, робота в реальном окружении, на чем, например, основывается обучение с подкреплением. В результате изучения дисциплины студент должен знать: методы построения вероятностных моделей описывающих стохастическую динамику процессов; системы массового обслуживания; уметь устанавливать свойства решений стохастических систем.

Бизнес-аналитика

Данные дисциплины предполагают изучение основных количественных и качественных методов в области аналитики данных применительно к различным отраслям, в том числе к бизнес-аналитике, цифровым финансам и экосистема цифрового бизнеса.

Цикл профилирующих дисциплин

Вузовский компонент

Программирование для анализа данных и базы данных

Данная дисциплина предполагает изучение наиболее актуальных в настоящее время технологий программирования, такие как язык программирования Python и язык статистической обработки данных R. Также в рамках дисциплины будут рассмотрены и изучены основы управления реляционными и нереляционными базами данных.

Методы и стратегии преподавания

Этот курс исследует инновационные педагогические подходы и эффективные методы для привлечения и облегчения процесса обучения в различных образовательных средах.

Математика для науки о данных

Данные дисциплины предполагают изучение основ статистики, линейной алгебры, математического анализа и дискретной математики, требуемой для формирования математической основы аналитики данных.

Машинное обучение и искусственный интеллект

Данная дисциплина предполагает изучение основ машинного обучения и искусственного интеллекта, и применение данных знаний для решения реальных прикладных задач. Дисциплина покрывает многие темы обучения с учителем и без учителя. Частично покрывается третий вид задач машинного обучения, так называемое обучение с прикреплением.

Исследовательская практика

Исследовательская практика

Тематическое исследование (Case study) по аналитике данных

Тематическое исследование — это в основном аналитическая и описательная задача, включающая выбор и анализ подходящего бизнес-процесса или производственного процесса на рабочем месте. Этот процесс описан, смоделирован и определены цели улучшения. Учащиеся решают, где и какие данные собирать в цепочке процессов. Они также генерируют соответствующий набор данных.

Цикл профилирующих дисциплин

Компонент по выбору

Методы и инструменты Big Data

Цель дисциплины «Методы и инструменты Big Data» состоит в том, чтобы предоставить магистрантам глубокое понимание концепций, технологий и методологий больших данных, позволяющих им обрабатывать, анализировать и получать информацию из крупномасштабных наборов в различных домены

Принятие решении основанных на данных

Данная дисциплина предполагают изучение основ понимания работы с данными, и извлечения требуемой нужно информации из данных. Дисциплина «Принятие решении основанных на данных» предполагает изучение бизнес составляющей, т.е. каким образом можно применить анализ данных для принятия правильных управленческих решений

Генеративные алгоритмы

Этот курс знакомит учащихся с различными методами генеративного моделирования и алгоритмами, такими как вариационные автоподошеры (VAE), генеративные состязательные сети (GANS) и авторегрессивные модели. Обучающиеся узнают, как разрабатывать, тренировать и оценивать генеративные модели, а также изучать свои приложения в таких областях, как компьютерное зрение, обработка естественного языка и синтез данных

Сервисная модель в управлении проектами

Курс охватывает область сервисного подхода при организации деятельности компании; инструментов услуг и сервиса, оказываемых внутренними подразделениями и и/или внешними подрядчиками

Анализ бизнес-процессов

Данная дисциплина предполагает изучение основ анализа и проектирования бизнес-процессов с помощью наиболее популярных методологии проектирования, таких как BPMN 2.0, EPC и других.

Управление заинтересованными сторонами проекта

Курс рассчитан изучение управления заинтересованными сторонами (стейкхолдерами) проекта. Магистранты рассмотрят базовые принципы и анализ внешней и внутренней среды проекта, направленные на идентификацию и систематизацию основных стейкхолдеров, оценку их целей, сбор информации о них и использование этих данных в процессе управления проектом. Также будет рассмотрено ведение переговоров и привлечение стейкхолдеров к сотрудничеству с управлением ожиданиями основных стейкхолдеров.

Управление IT проектами

Дисциплина, которая фокусируется на эффективном планировании, организации и контроле проектов в области информационных технологий. Он включает принципы и методологии, используемые для успешной реализации ИТ-проектов с учетом определенных ограничений, таких как время, бюджет и качество

Гетерогенная параллелизация

Этот курс представляет собой концепции, языки, методы и паттерны для программирования гетерогенных, массово параллельных процессоров. Он охватывает гетерогенные вычислительные архитектуры, модели программного программирования, методы управления полосой пропускания памяти и шаблоны параллельных алгоритмов на примере CUDA и OpenCL.

Обучение с подкреплением

Этот курс познакомит студентов с основами обучения с подкреплением. По окончании этого курса студент будет способен: Формализовать проблемы как марковские процессы принятия решений; Понимать основные методы разведки и компромисс между разведкой и эксплуатацией; Понять функции ценности как универсальный инструмент для принятия оптимальных решений; Знать, как реализовать динамическое программирование как эффективный подход к решению проблемы промышленного управления.

Научно-исследовательская работа магистранта, включая прохождение стажировки и выполнение магистерской диссертации

Научно-исследовательская работа магистранта, включая прохождение стажировки и выполнение магистерской диссертации

404 Not Found

404

Not Found

The resource requested could not be found on this server!


Proudly powered by LiteSpeed Web Server

Please be advised that LiteSpeed Technologies Inc. is not a web hosting company and, as such, has no control over content found on this site.