Нормативный срок освоения программы 2 года Красноярск 2011 г. Содержание
| Вид материала | Документы |
- Нормативный срок освоения программы 2 года Красноярск 2011 г. Содержание, 384.35kb.
- Нормативный срок освоения программы 2 года Красноярск 2011 г. Содержание, 361.97kb.
- Нормативный срок освоения программы 2 года Красноярск 2011 г. Содержание, 420.15kb.
- Нормативный срок, 21.25kb.
- Нормативный срок освоения программы 4 года Форма обучения очная Требования к результатам, 949.08kb.
- Нормативный срок освоения программы 4 года Красноярск 2011 г. Аннотация дисциплины, 1762.53kb.
- «Проблемы и перспективы развития личностно-ориентированного обучения на современном, 23.39kb.
- Нормативный срок освоения программы 4 года фгос впо утвержден приказом Минобрнауки, 687.29kb.
- Нормативный срок освоения программы 4 года фгос впо утвержден приказом Минобрнауки, 1014.52kb.
- Нормативный срок освоения программы 4 года фгос впо утвержден приказом Минобрнауки, 641.62kb.
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное
учреждение высшего профессионального образования
«СИБИРСКИЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ»
Институт космических и информационных технологий
АННОТАЦИИ ДИСЦИПЛИН
К основной образовательной программе
Высшего профессионального образования
230100 Информатика и вычислительная техника
230100.68. 05 Сети ЭВМ и телекоммуникации
Квалификация (степень) выпускника
Магистр
Форма обучения – очная
Нормативный срок освоения программы – 2 года
Красноярск 2011 г.
СОДЕРЖАНИЕ
Методы оптимизации 3
Интеллектуальные системы 4
Английский язык 5
История и методология информатики и вычислительной техники 7
Вычислительные системы 8
Технология разработки программного обеспечения 9
Современные проблемы информатики и вычислительной техники 11
Комплексная защита информации 12
Инструментальные программные средства 13
Междисциплинарный курсовой проект 14
Сетевые операционные системы и сервисы 15
Построение корпоративных сетей передачи данных 17
Управление проектами 19
Открытые технологии разработки программного обеспечения 21
Физические основы сетей передачи данных 22
Имитационное моделирование распределенных систем 23
Эволюционная разработка программного обеспечения 25
Основы информационной безопасности в компьютерных сетях 26
Организация облачных вычислений 28
28
Методы оптимизации
Общая трудоемкость дисциплины составляет 3 зачетные единицы (108 час).
Целью изучения дисциплины является овладение современными методами и навыками практического решения задач оптимизации с использованием среды MatLab для поиска оптимальных (наилучших) параметров заданных целевых функций (функций качества) с учетом различные ограничения на варьируемые параметры при поиске локальных и глобальных экстремумов, что позволяет находить наиболее эффективные решения для широкого класса прикладных задач.
Структура дисциплины: лекции – 25%, лабораторные работы – 25 %, самостоятельная работа – 50%.
Задачей дисциплины является: обучение студентов теоретическим и прикладным методам решения задач оптимизации - нахождения максимумов или минимумов целевых функций, выбору программ для их эффективного решения и проведения анализа решений.
Основные дидактические единицы (разделы): методы поиска локальных экстремумов нулевого, первого и второго порядка - покоординатный спуск, симплекс методы, наискорейший спуск, метод Ньютона; методы поиска глобального экстремума: методы мультистарта, генетические алгоритмы, метод роя частиц, метод усреднения координат; учет ограничений с помощью штрафных функций.
В результате изучения дисциплины студент должен:
знать: методы поиска локального и глобального минимума для целевых функций многих переменных;
уметь: использовать программы минимизации в среде MatLab;
владеть: методами решения задач оптимизации.
Виды учебной работы: лекции, лабораторные работы, самостоятельная работа (написание рефератов, подготовка докладов и презентаций).
Изучение дисциплины заканчивается защитой расчетных заданий, экзаменом.
Интеллектуальные системы
Общая трудоемкость дисциплины составляет 3 зачетные единицы (108 час).
Целью изучения дисциплины является подготовка магистров к созданию и/или применению интеллектуальных автоматизированных информационных систем.
Структура дисциплины: лекции – 25%, лабораторные работы – 25 %, самостоятельная работа – 50%.
Задачей дисциплины является: формирование умений и навыков решения задач проектирования и управления на основе методов искусственного интеллекта.
Основные дидактические единицы (разделы): основные понятия искусственного интеллекта. Базы данных и знаний. Основные области применения и задачи интеллектуальных систем. Классификация интеллектуальных систем. Проблема представления знаний. Методы представления знаний. Продукционные системы (ПС). Компоненты продукционной системы: рабочая память, набор продукций и интерпретатор. Направления поиска в ПС. Режимы применения продукций. Стратегии поиска. Пространства состояний. Методы поиска в ширину и глубину. Поиск в больших пространствах состояний. Поиск при неполных и неточных данных и знаниях. Фреймы. Структура и типы фреймов. Фреймы-примеры и фреймы-прототипы. Процедуры-случаи и процедуры-демоны. Основные операции в базе знаний на основе фреймов. Пример фреймовой модели знаний. Семантические сети (СС).
Исчисление предикатов первого порядка: формальные системы; алфавит, формулы, аксиомы и правила вывода теории. Исчисления высказываний. Алфавит исчисления предикатов первого порядка. Интерпретация формальной теории.
Языки искусственного интеллекта. Обзор языков представления знаний. Понятие о функциональном программировании. Язык ЛИСП. Понятие о логическом программировании. Язык Пролог.
Экспертные системы (ЭС). Области применения ЭС. Архитектура ЭС. База знаний, механизмы вывода, подсистемы объяснения, общения, приобретения знаний ЭС. Жизненный цикл экспертной системы.
Введение в нейронные сети Типы искусственных нейронов. Подходы к обучению нейронных сетей. Метод обратного распространения ошибки.
Искусственный интеллект и естественный язык. Понимание выражений естественного языка. Представление лингвистических знаний. Методы анализа и синтеза текста. ИИ и прикладная лингвистика.
В результате изучения дисциплины студент должен:
знать: модели представления и методы обработки знаний, системы принятия решений;
уметь: разрабатывать математические модели процессов и объектов, методы их исследования, выполнять их сравнительный анализ;
владеть: способами формализации интеллектуальных задач с помощью средств искусственного интеллекта.
Виды учебной работы: лекции, лабораторные работы, самостоятельная работа (написание рефератов, подготовка докладов и презентаций).
Изучение дисциплины заканчивается зачетом.