Образовательная программа магистратуры «Вычислительные науки»

Computational Science

7M06104 - Вычислительные науки

Образовательная программа «Вычислительные науки» предполагает использование в процессе обучения современных моделей, методов и подходов в области аналитики данных, машинного обучения, искусственного интеллекта, а также моделирования и анализа процессов. Образовательная программа предполагает использование или применение полученных знаний в одной из сфер экономики, тем самым покрывая не только научную составляющую программы, но и прикладную часть. В результате обучения по образовательной программе «Вычислительные науки» выпускники получат возможность работать в научных и производственных проектах в качестве аналитика данных, эксперта по бизнес интеллекту, инженера процессов.

Контакты

Приемная комиссия

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

Пн-Пт 9:00 — 18:00

Классификатор направлений

  • Группа образовательных программ: M094 – Информационно-коммуникационные технологии
  • Образовательная программа «Вычислительные науки» (Computational Sciences)
  • Язык обучения: английский
  • Присваиваемая академическая степень: Магистр технических наук по образовательной программе 7M06104 «Computational Sciences» (Вычислительные науки)

Научно-педагогическое направление — 2 года

Цель образовательной программы

Подготовка высококвалифицированных научных и прикладных специалистов и программных инженеров по направлению моделирования алгоритмов и 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.

Задачи образовательной программы

  1. Подготовить высококвалифицированных научных и прикладных специалистов и инженеров по направлению вычислительных наук и применения полученных знаний в различных отраслях экономики.
  2. Обучить к проведению научно-исследовательских работ, связанных с объектами профессиональной деятельности и дать способность анализировать существующие алгоритмы, модели и методы анализа данных, а также общие концепции, теорию и подходы к вычислительным наукам;
  3. Выработать у магистрантов умение разрабатывать новые модели и методы вычислительных наук, а также улучшение существующих методов и алгоритмов вычислительных наук в информационно-вычислительных системах;
  4. Научить магистрантов применять полученные теоретические и практические знания в решении практических проблем в области информационно-коммуникационных технологий и междисциплинарных отраслях, а также успешно осуществлять управленческую и исследовательскую деятельность.
  5. Привить магистрантом навыки самостоятельной работы, а также показать важность постоянного развития и применения профессиональных знаний, умений и навыков для решения нестандартных задач.
  6. Научить магистрантов применять знания педагогики и психологии высшей школы, требуемых в их профессиональной педагогической деятельности, а также дать способность использовать интерактивные методы обучения для улучшения доступности презентации и материалов.
  7. Ознакомить магистрантов с проведением методов исследования и системного анализа для решения сложных технических проблем и применения результатов анализа для наибольшей оптимизации процесса вычислительных наук.
  8. Научить магистрантов оптимизировать алгоритмы и модели вычислительных наук, чтобы при решении задач получить требуемый результат за минимальное количество итераций и требуемых вычислительных ресурсов.
  9. Обучить магистрантов к обобщению результатов научно-исследовательских и аналитических работ в виде диссертации, научных статей и докладов на научно-технических конференциях, а также предоставить помощь при написании академических отчетов, аналитических записок и других.

Требования к оценке результатов обучения образовательной программы

Обучающийся, после освоения всей образовательной программы, должен уметь выполнять следующие пункты:
  • Формулировать и решать задачи, возникающие в ходе научно-исследовательской деятельности, требующие углубленных профессиональных знаний. Для формулирования задачи могут быть использованы как математический аппарат, так и компьютерные средства;
  • Выбирать необходимые подходы и методы исследования, а также модифицировать существующие и разрабатывать новые, в зависимости из задач конкретного исследования или случая;
  • Применять методологические и методические знания в проведении научного исследования, а также при педагогической и воспитательной работах;
  • Применять в процессе обучения психологические методы и средства повышения эффективности и качества обучения;
  • Владеть иностранным (английским) языком на профессиональном уровне, позволяющем обучающимся проводить научные исследования на качественно высоком уровне и осуществлять преподавание специальных дисциплин в вузах;
  • Моделировать и проектировать сложные системы используя математические и компьютерные модели и методы;
  • Применять количественные и качественные методы и приёмы для сбора первичной информации для исследования, а также выработки эффективных решений проблем;
  • Анализировать и проектировать программные инструменты анализа данных, а также алгоритмы, модели и методы, требуемые для эффективного анализа данных и извлечения знаний из данных;
  • Управлять командой аналитиков в процессе разработки программных систем анализа данных, а также моделей и методов анализа данных;
  • Выбирать стандарты, методы, технологии, инструменты и технические средства для проведения работ по дальнейшему сопровождению программных систем анализа данных;
  • Применять методы проектирования и разработки программных систем для решения широкого класса прикладных задач в различных областях, включая междисциплинарные отрасли;
  • Программировать и тестировать различные решения (модели, методы) по анализу данных, принимать участие в создании и управлении систем анализа данных на всех этапах жизненного цикла разработки систем;
  • Создавать реляционные и нереляционные базы данных для эффективного хранения и управления данными в различных крупных организациях, государственных учреждений и других компаниях;
  • Создавать модели анализа структурированных, полуструктурированных и частично неструктурированных данных;
  • Разрабатывать программы и приложения для аналитической обработки структурированных и полуструктурированных данных огромных объемов;
  • Анализировать сложность вычислений и возможность распараллеливания (оптимизации) разрабатываемых алгоритмов и программ;
  • Оценивать основные параметры получаемых параллельных программ, таких как численные показатели требуемых вычислительных ресурсов, ускорение, эффективность и масштабируемость;

Перечень компетенций и результаты обучения образовательной программы:

Перечень компетенций

ОК1. Способность понимать движущие силы и закономерности исторического процесса, место человека в историческом процессе и способность понимания философии как методологии деятельности человека, готовностью к самопознанию, самодеятельности, освоению культурного богатства как фактора гармонизации личностных и межличностных отношений.
ОК2. Способность формировать и развивать умения и компетенции в области организации, планирования и управления производством, способность применять полученные знания для осмысления окружающей экологической действительности, способность обобщать, анализировать, прогнозировать при постановке целей в профессиональной сфере и выбирать пути их достижения с применением научной методологии исследования
ОК3. Способность к письменной и устной коммуникации на государственном языке и языке межнационального общения, способность использовать зарубежные источники информации, владеть коммуникативными навыками, к публичным выступлениям, аргументации, ведению дискуссии и полемики на иностранном языке
ОК4. Способность быть компетентным при выборе методов ИКТ и математического моделирования для решения конкретных инженерных задач, способность быть готовым выявить естественнонаучную сущность проблем, возникающих в процессе профессиональной деятельности, и способностью привлечь для ее решения соответствующий математический аппарат
ПК1. Способен использовать полученные знания для оригинального развития и применения идей в контексте научных исследований.
ПК2. Способен критически анализировать существующие концепции, теории и подходы к анализу процессов и явлений.
ПК3. Способен самостоятельно и постоянно приобретать, развивать и применять профессиональные знания, умения и навыки для решения нестандартных задач (междисциплинарные и др.).
ПК4. Способен применять знания педагогики и психологии высшей школы в своей педагогической деятельности, а также способен применять интерактивные методы обучения.
ПК5. Владеет иностранным языком на профессиональном уровне, позволяющем проводить научные исследования и осуществлять преподавание специальных дисциплин в вузах
ПК6. Способен отбирать и разрабатывать методы анализа объектов профессиональной деятельности на основе общих тенденций развития отрасли вычислительных наук.
ПК7. Способен применять полученные теоретические и практические знаний в решении практических проблем в области ИКТ, успешно осуществлять управленческую и исследовательскую деятельность.
ПК8. Способен самостоятельно формулировать предметную область при решении задач по анализу данных, определять требования и ожидания конечного пользователя или заказчика, составлять поэтапный план и разрабатывать документацию для программной системы анализа данных и его компонентов.
ПК9. Способен проводить системный анализ для решения сложных технических проблем и применяет результаты анализа для наибольшей оптимизации алгоритма решения задач вычислительных наук.
ПК10. Способен применять эффективные методы для управления проектом по вычислительным наукам в определенной среде, распределять задачи и управлять командой аналитиков.
ПК11. Способен разрабатывать архитектуры программной системы для вычислительных наук, обладающие высоким уровнем преемственности и качества сложных программных разработок с использованием передовых решений и трендов в области ИКТ.
ПК12. Способен проводить анализ требовании для решения сложных программных (технических) проблем и обеспечивать внедрение наиболее оптимальных решений.
ПК13. Способен внедрять инновационные методы и усовершенствования, усиливающие конкурентоспособность и эффективность моделей и методов вычислительных наук на всех этапах жизненного цикла разработки программной системы.
ПК14. Способен оптимизировать алгоритмы вычислительных наук с минимизацией всех требуемых ресурсов, включая вычислительные ресурсы.
ПК15. Способен обобщать результаты научно-исследовательской и аналитической работы в виде диссертации, научной статьи и докладов на научно-технических конференциях.

Результаты обучения

РО1. Разрабатывать методы и алгоритмы вычислительной математики на основе аппроксимирования дифференциальных уравнений методами конечных разностей, объемов или элементов.
РО2. Проводить фундаментальный анализ вычислительных методов и разностных схем на сходимость и корректность, в том числе, в случае высокопроизводительных алгоритмов с использованием элементов математической логики и теории вычислимости.
РО3. Решать вычислительные задачи со сложной геометрией областей, строя и используя корректные структурированные, криволинейные, неструктурированные расчетные сетки.
РО4. Использовать методы интеллектуального анализа данных на основе глубокого обучения, обучения с подкреплением, генеративно-состязательных сетей для эффективного прогнозирования результатов.
РО5. Разрабатывать параллельные вычислительные алгоритмы для инженерных задач и реализовывать их в высокопроизводительных системах, разрабатывать алгоритмы квантовых вычислений.
РО6. Разрабатывать и проводить вычислительные симуляции вероятностных процессов из различных отраслей с использованием методов стохастического моделирования.
РО7. Использовать методы анализа данных в различных сферах производства, на реальных данных для подбора параметров, адаптации и тестирования вычислительных систем на основе реальных экспериментов.
РО8. Проводить самостоятельные научные исследования, решая современные актуальные задачи, публикуя результаты в рейтинговых журналах и выступая на конференциях.

Оценка результатов обучения

Форма экзаменов Рекомендуемая доля, %
1 Компьютерное тестирование 20
2 Письменный 10
3 Устный 5
4 Проект 30
5 Практический 30
6 Комплексный 5

Документы образовательной программы

«Astana IT University»

Course Curriculum

Цикл базовых дисциплин

Вузовский компонент

История и философия науки

Содержание курса направлено на приобретение магистрантом знаний о свойствах науки как вида познания и социально-культурного феномена в её историческом развитии; формирование системных представлений об общих закономерностях научного познания в его историческом развитии и изменяющемся социокультурном контексте.

Педагогика высшей школы

Содержание курса направлено на приобретение магистрантом знаний о теоретических основах педагогической теории и педагогического мастерства, управлении учебно-воспитательным процессом для преподавания в высшей школе, формирование представления об основных категориях педагогики, о месте, роли и значении педагогики высшей школы, понимание базовых принципов современной педагогики и методических подходов к решению педагогических задач высшей школы.

Иностранный язык (профессиональный)

Целью курса является формирование иноязычной профессионально — ориентированной коммуникативной компетенции магистрантов, позволяющей интегрироваться в международную профессиональную среду для межкультурного и профессионального общения.

Психология управления

Содержание курса направлено на формирование системных представлений о психологических закономерностях управленческой деятельности, специфики использования социально — психологических знаний в структуре деятельности менеджера и освоении навыков анализа социально-психологических принципов, лежащих в основе эффективного управления.

Цикл базовых дисциплин

Компонент по выбору

Алгоритмы в теории графов

Дисциплина «Алгоритмы в теории графов» предполагает изучение основных понятий графа: связности, поиска путей в графе, понятий дерева и алгоритмов связанных с деревьями, задач размещения, паросочетаний и потоков, а так же распространенные алгоритмы по решению данных задач.

Цифровая геометрия

Данная дисциплина направлена на изучение методов программного представления геометрических объектов с использованием продвинутых инструментов объектно-ориентированного программирования и проектирования для их дальнейшего использования при изучении сложных алгоритмов двумерной и трехмерной геометрии.

Введение в уравнения с частными производными

Данная дисциплина предполагают изучение основ дифференциальных уравнений с частными производными, их типы и некоторые методы аналитического решения таких уравнений. По изучении дисциплины студент должен знать: типы дифференциальных уравнений с частными производными; концепции аналитических и численных решений; базовые методы аналитического решения уравнений в частных производных; уметь: определять тип уравнения; определять и применять простые методы аналитического решения уравнения.

Численные методы и компьютерное моделирование

Данная дисциплина предполагает изучение основ численных методов в области моделирования физических процессов, включая алгебраические численные методы, численное интегрирование и численное решение дифференциальных уравнений в частных производных, в ней изучается также введение в методы конечных разностей.

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.

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.

Генетические алгоритмы

Данная дисциплина направлена на изучение генетических алгоритмов. Такие алгоритмы интересны для вычислительных экспериментов, дающих понимание развития сложных структур, зависящих от простых параметров, а так же могут работать для улучшения эффективности классических алгоритмов.

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.

Методы дробных шагов

Данная дисциплина направлена на изучение некоторых подходов метода конечных разностей, а именно методов дробных шагов для решения краевых задач для дифференциальных уравнений в частных производных. К таким методам относятся методы переменных направлений, стабилизирующей поправки, продольно-поперечной прогонки и т.д. По усвоении дисциплины студент должен знать: основные методы дробных шагов, алгоритмы итеративного решения краевых задач для параболических и эллиптических уравнений; уметь: решать практические задачи с помощью описанных методов, исследовать на сходимость решения и т.д.

Стохастическое моделирование

Данная дисциплина посвящена основам стохастического моделирования, практическому применению методов Монте-Карло, решению стохастических дифференциальных уравнений, вероятностному моделированию для решения практических задач.

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.

Прикладные математические модели

Данная дисциплина посвящена распространенным математическим моделям, используемым на производстве, и их решению с использованием численных методов. По освоении дисциплины студент должен знать: базовые математические модели такие, как «хищник-жертва», уравнение теплопроводности и т.д.; базовые модели гидродинамики, фильтрации, химических реакций; уметь: аппроксимировать и исследовать на сходимость модели; применять основные численные методы для решения прикладных задач.

Квантовые вычисления

Данная дисциплина предполагает изучение методов квантовых вычислений и их преимущества по сравнению классическими методами вычислений. В курсе рассматриваются основные положения классической теории вычислительной сложности, гейтовая модель квантовых вычислений, универсальные наборы гейтов, алгоритмы квантовых вычислений основанные на квантовом преобразовании Фурье, в частности, алгоритм Шора, квантовые алгоритмы поиска, алгоритмы квантовой симуляции физических систем, введение в квантовую коррекцию ошибок и устойчивые к ошибкам вычисления, гибридные квантово-классические алгоритмы, в частности вариационные квантовые алгоритмы.

Генеративно-состязательные сети

Данная дисциплина посвящена новейшим методам генеративно-состязательных сетей, и их использованию для создания реалистичных изображений и трехмерных структур. По освоению дисциплины студенты должны знать: концепцию и организацию генеративной модели; концепцию и организацию дискриминативной модели; уметь: обучать генеративно-состязательные сети и генерировать с их помощью изображения, начиная от базовых рукописных цифр, до восстановления, коррекции, окрашивания фотографий; генерировать 3D.

Гетерогенная параллелизация

Дисциплина поможет понять, использовать и спроектировать новейшие параллельные и гетерогенные системы. В ней студенты узнают, как работают современные системы, и рассмотрят недавние исследования в этой области, рассмотрят как аппаратные, так и программные аспекты, от компьютерной архитектуры до моделей программирования. Они будут иметь целостное представление о том, что успешные подходы должны учитывать как аппаратное, так и программное обеспечение.

Теория адаптивных расчетных сеток

Данная дисциплина посвящена методам построения неструктурированных и структурированных сеток адаптирующихся к определенным свойствам области и их использования для решения численных задач на данных областях. Рассматриваются такие методы структурированных сеток, как методы эквираспределения, метод Томпсона, и такие методы неструктурированных сеток, как триангуляция Делоне, диаграмма Вороного.

Математика для вычислительных наук

Данная дисциплина охватывает введение в математические курсы необходимые для освоения специализированных дисциплин вычислительных наук, основанных на численных решениях детерминированных и вероятностных уравнений математической физики и прикладных моделях, используемых на техническом производстве и финансовом секторе, а именно, теорию обыкновенных дифференциальных уравнений, их типизацию и базовые методы аналитического решения и введение в дифференциальные уравнения в частных производных.

Поступление

Трудоустройство

Инфраструктура

Наука