Составлен с учетом требований Государственного стандарта госо рк для специальности

Вид материала

Содержание

Подобный материал:

1 2 3 4

Университет «Туран»

«Утверждаю»

Первый проректор университета «Туран»

____________________ Тазабеков К.А.

«______»_____________2011 г.

КАТАЛОГ ЭЛЕКТИВНЫХ ДИСЦИПЛИН

для магистрантов специальности

6М070400 – Вычислительная техника и программное обеспечение

(научно-педагогическое направление)

Составлен с учетом требований

Государственного стандарта

ГОСО РК для специальности

6М070400 – Вычислительная техника

и программное обеспечение

АЛМАТЫ, 2011

СОДЕРЖАНИЕ

ЦИКЛ БАЗОВЫХ ДИСЦИПЛИН (БД)
Дисциплина		Количество кредитов		Семестр
БДКВ01	Интеллектуальный анализ данных Анализ данных в ЭИС Современные технологии анализа данных	3		1
БДКВ02	Нейрокомпьютинг Нейрокомпьютерные системы Интеллектуальные робототехнические системы	3		1
БДКВ03	Геоинформационные технологии Телематика Мобильные коммуникации	2		1
ЦИКЛ ПРОФИЛЬНЫХ ДИСЦИПЛИН (ПД)
ПДКВ01	Технологии анализа клиентских сред Технология прогнозирования взаимосвязанных процессов Информационный маркетинг		3	3
ПДКВ02	Порождающее программирование Инженерия предметной области Ментальное программирование		3	3
ПДКВ03	Имитационное моделирование Моделирование в управлении инновационными проектами Имитационное моделирование сложных систем		3	3
ПДКВ04	Современные образовательные технологии в ВШ Технология магистерского исследования Психология карьеры и профессионального развития		2	2
ПДКВ05	Технология проектирования программных систем Менеджмент программных проектов Управление проектами		2	2
ПДКВ06	Сетевые технологии Облачные вычисления Облачные Web - приложения		3	2

ЦИКЛ БАЗОВЫХ ДИСЦИПЛИН (БД)

«ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ»

1курс, 1семестр

Код дисциплины	БДКВ01
Общая трудоемкость	3 кредита
В том числе аудиторная нагрузка	45 ч.
Цель изучения дисциплины	Ознакомление магистрантов с наиболее перспективными направлениями в области разработки корпоративных систем: организация хранилищ данных, распределенный, оперативный, интеллектуальный и визуальный анализ данных.
Пререквизиты	Системы искусственного интеллекта. Технологии баз данных.
Постреквизиты	Нейросетевые алгоритмы в идентификации объектов, Распознавание образов и принятие решений.
Тьюторы	к.т.н., доц. Нурмаганбетова А.Т. , к.т.н., доц. Ахметова М.А.
Кафедра	«Компьютерная и программная инженерия»
Контакты	Тел. 2646395, act_piret@mail.ru
Виды учебной работы	Лекции. Лабораторные работы. Консультации. СРM. СРMП
Формы самостоятельной работы:	доклады, написание рефератов, компьютерный эксперимент, индивидуальные занятия (СРМ)
Формы контроля	рубежный контроль (р1, р2), итоговый контроль (устно)
Ожидаемые результаты изучения дисциплины	В результате освоения дисциплины магистранты должны понимать важность задач, связанных с анализом накопленной информации для извлечения новых знаний; представлять и применять наиболее перспективные направления и методы анализа данных: хранение информации, оперативный и интеллектуальный анализ.

Содержание курса

Системы поддержки принятия решений. Хранилище данных. OLAP- системы. Многомерная модель данных. Архитектура OLAP –систем. Интеллектуальный анализ данных: добыча данных, задачи Data Mining, практическое применение Data Mining, модели и методы Data Mining, процесс обнаружения знаний. Классификация и регрессия. Методы построения правил классификации и математических функций. Поиск ассоциативных правил. Алгоритмы поиска ассоциативных правил. Базовые и адаптивные методы кластеризации. Визуальный анализ данных –Visual Mining. Методы визуализации. Анализ текстовой информации- Text Mining. Извлечение ключевых понятий из текста. Методы и средства кластеризации текстовых документов. Стандарты Data Mining.

«АНАЛИЗ ДАННЫХ В ЭИС»

1курс, 1семестр

Код дисциплины	БДКВ01
Общая трудоемкость	3 кредита
В том числе аудиторная нагрузка	45 ч.
Цель изучения дисциплины	Ознакомление магистрантов с наиболее перспективными направлениями в области разработки корпоративных систем: организация хранилищ данных, распределенный, оперативный, интеллектуальный и визуальный анализ данных.
Пререквизиты	Системы искусственного интеллекта. Технологии баз данных.
Постреквизиты	Нейросетевые алгоритмы в идентификации объектов, Распознавание образов и принятие решений.
Тьюторы	к.т.н., доц. Нурмаганбетова А.Т. , к.т.н., доц. Ахметова М.А.
Кафедра	«Компьютерная и программная инженерия»
Контакты	Тел. 2646395, act_piret@mail.ru
Виды учебной работы	Лекции. Лабораторные работы. Консультации. СРM. СРMП
Формы самостоятельной работы:	доклады, написание рефератов, компьютерный эксперимент, индивидуальные занятия (СРМ)
Формы контроля	рубежный контроль (р1, р2), итоговый контроль (устно)
Ожидаемые результаты изучения дисциплины	В результате освоения дисциплины магистранты должны понимать важность задач, связанных с анализом накопленной информации для извлечения новых знаний; представлять и применять наиболее перспективные направления и методы анализа данных: хранение информации, оперативный и интеллектуальный анализ.

Содержание курса

Теоретические основы проектирования экономических информационных систем (ЭИС). Архитектура экономических информационных систем. Методологические основы проектирования ЭИС. Содержание и методы канонического проектирования ЭИС. Проектирование классификаторов технико-экономической информации. Проектирование системы экономической документации. Проектирование внутримашинного информационного обеспечения ЭИС. Основы проектирования технологических процессов обработки данных. Проектирование процессов получения первичной информации, создания и ведения информационной базы. Проектирование технологических процессов обработки в локальных ЭИС. Проектирование процессов защиты данных. Реинжиниринг бизнес-процессов и проектирование корпоративной ЭИС. Проектирование клиент-серверных корпоративных ЭИС. Автоматизированное проектирование ЭИС (CASE-технология). Типовое проектирование ЭИС. Организационные структуры проектирования ЭИС. Планирование и контроль проектных работ.

«СОВРЕМЕННЫЕ ТЕХНОЛОГИИ АНАЛИЗА ДАННЫХ»

1курс, 1семестр

Код дисциплины	БДКВ01
Общая трудоемкость	3 кредита
В том числе аудиторная нагрузка	45 ч.
Цель изучения дисциплины	Ознакомление магистрантов с наиболее перспективными направлениями в области разработки корпоративных систем: организация хранилищ данных, распределенный, оперативный, интеллектуальный и визуальный анализ данных.
Пререквизиты	Системы искусственного интеллекта. Технологии баз данных.
Постреквизиты	Нейросетевые алгоритмы в идентификации объектов, Распознавание образов и принятие решений.
Тьюторы	к.т.н., доц. Нурмаганбетова А.Т. , к.т.н., доц. Ахметова М.А.
Кафедра	«Компьютерная и программная инженерия»
Контакты	Тел. 2646395, act_piret@mail.ru
Виды учебной работы	Лекции. Лабораторные работы. Консультации. СРM. СРMП
Формы самостоятельной работы:	доклады, написание рефератов, компьютерный эксперимент, индивидуальные занятия (СРМ)
Формы контроля	рубежный контроль (р1, р2), итоговый контроль (устно)
Ожидаемые результаты изучения дисциплины	В результате освоения дисциплины магистранты должны понимать важность задач, связанных с анализом накопленной информации для извлечения новых знаний; представлять и применять наиболее перспективные направления и методы анализа данных: хранение информации, оперативный и интеллектуальный анализ.

Содержание курса

Введение в анализ данных. Методология анализа. Аналитический подход к моделированию. Теория бизнес - анализа. Технологии анализа данных. Информационный подход к моделированию. Принципы анализа данных. Процесс анализа. Извлечение и визуализация данных.. Этапы моделирования. Формулирование цели моделирования. Подготовка и сбор данных. Процесс построения модели. Структурированные данные. Формы представления данных. Типы данных.

«НЕЙРОКОМПЬЮТИНГ»

1 курс, 1 семестр

Код дисциплины	БДКВ02
Общая трудоемкость	3 кредита
В том числе аудиторная нагрузка	45 ч.
Цель изучения дисциплины	Ознакомление магистрантов с наиболее перспективными направлениями в области нейронных сетей: современных многоканальных и многосвязанных систем, современных нейрокомпьютеров.
Пререквизиты	Дискретная математика. Алгоритмы и структуры данных.
Постреквизиты	Распознавание образов и принятие решений, Нейросетевые алгоритмы в идентификации объектов.
Тьюторы	к.т.н., доц. Ахметова М.А., к.т.н., доц. Нурмаганбетова А.Т
Кафедра	«Компьютерная и программная инженерия»
Контакты	Тел. 2646395, act_piret@mail.ru
Виды учебной работы	Лекции. Лабораторные работы. Консультации. СРM. СРMП
Формы самостоятельной работы:	доклады, написание рефератов, компьютерный эксперимент, индивидуальные занятия (СРМ)
Формы контроля	рубежный контроль (р1,р2), экзамен (устно)
Ожидаемые результаты изучения дисциплины	В результате изучения дисциплины магистранты должны освоить новую парадигму вычислительных систем, основанную на ассоциативной обработки данных, технологии распознавания ситуаций и принятия решений.

Содержание курса

Вычислительная система с MSIMD – архитектурой. Обзор современных нейровычислителей и их элементной базы. Классификация архитектур вычислительных систем. Теория нейронных сетей - алгоритмический базис нейрокомпьютеров. Теоретические положения нейроматематики. Построение современных многоканальных и многосвязанных систем управления с использованием нейросетевого подхода и на основе нейросетевого логического базиса. Основные преимущества нейрокомпьютеров. Проблема эффективного параллелизма. Средства реализации параллельных процессов заданной абстрактной архитектуры. Современные нейрокомпьютеры и основные правила выделения функциональных компонентов идеального нейрокомпьютера. Wetware - новое направление, основанное на соединении биологических нейронов с электронными элементами.

«НЕЙРОКОМПЬЮТЕРНЫЕ СИСТЕМЫ»

1 курс, 1 семестр

Код дисциплины	БДКВ02
Общая трудоемкость	3 кредита
В том числе ауд. нагрузка	45 ч.
Цель	Овладение основами по изучаемой дисциплине, как отрасли психологической науки, расширение профессиональных возможностей в плане применения психологических знаний в научных исследованиях и профессиональной деятельности
Пререквизиты	Информатика Бионинформатика Нейроинформатика Нейрокомпьютинг Искусственный интеллект
Постреквизиты	Основы нейронных сетей и систем Логические нейронные сети Технологии высокоскоростных вычислений Высокопроизводительные вычислительные системы Нейросетевые алгоритмы прогнозирования и оптимизации систем
Тьюторы	к.т.н., доц. Ахметова М.А., к.т.н., доц. Нурмаганбетова А.Т
Кафедра	«Компьютерная и программная инженерия»
Контакты	Тел.2646395, act_piret@mail.ru
Виды учебной работы	Лекции. Семинары. Лабораторные работы.Консультации. СРМ. СРМП
Формы самостоятельной работы:	- написание эссе;- подготовка рефератов;- презентации и др.
Формы контроля	Эссе (Р1), реферат (Р 2), Экзамен (письменный)
Ожидаемые результаты	Навыки и умения практического использования полученных знаний в области искусственного интеллекта и научных исследованиях искусственных нейросетей.

Содержание курса

Основная цель данного курса - сформировать системное видение функционирования нейрокомпьютерных систем и искусственных нейросетей. В процессе изучения дисциплины магистранты рассмотрят такие актуальные вопросы, как современные понятия символьная и коннекционистская парадигмы искусственного интеллекта. Рассматриваются теоретические аспекты нейронных сетей и систем - новая модель параллельных и распределенных вычислений, один из основных архитектурных принципов построения машин 6-го поколения, а также методы решения конкретной задачи нейронных сетей: модель нейрона; топологию связей; веса связей.

Использование современных инструментов и методик позволит магистрантам в будущем, уже как специалистам в области управления персоналом, эффективно применять полученные знания.

«ИНТЕЛЛЕКТУАЛЬНЫЕ РОБОТОТЕХНИЧЕСКИЕ СИСТЕМЫ»

1 курс, 1 семестр

Код дисциплины	БДКВ02
Общая трудоемкость	3 кредита
В том числе ауд. нагрузка	45 ч.
Цель	Целью курса является обучение основным теоретическим положениям, понятиям, методам и практической работе при создании интеллектуальных систем и нового поколения интеллектуальных робототехнических систем, исключающих участие человека в сфере производства. Овладение основами по теории и методологии создания интеллектуальных систем и робототехнических комплексов.
Пререквизиты	Информатика. Бионинформатика. Нейроинформатика Нейрокомпьютинг. Искусственный интеллект
Постреквизиты	Основы нейронных сетей и систем Логические нейронные сети Технологии высокоскоростных вычислений Высокопроизводительные вычислительные системы Нейросетевые алгоритмы прогнозирования и оптимизации систем
Тьюторы	к.т.н.,доц. Ахметова М.А., к.т.н., доц. Нурмаганбетова А.Т
Кафедра	«Компьютерная и программная инженерия»
Контакты	Тел.2646395, act_piret@mail.ru
Виды учебной работы	Лекции, Семинары, Лабораторные работы, Консультации, СРМ СРМП
Формы самостоятельной работы:	- написание эссе; - подготовка рефератов; - презентации и др.
Формы контроля	Эссе (Р1), реферат (Р 2), Экзамен (письменный)
Ожидаемые результаты	Навыки и умения практического использования полученных знаний в области искусственного интеллекта и научных исследованиях искусственных нейросетей.

Blog

Составлен с учетом требований Государственного стандарта госо рк для специальности

Содержание