Нормативный срок освоения программы 2 года Красноярск 2011 г. Содержание

Вид материалаДокументы

Содержание


Интеллектуальные системы 4
Инструментальные программные средства 13
Управление проектами 17
Имитационное моделирование распределенных систем 21
Методы оптимизации
В результате изучения дисциплины студент должен
Интеллектуальные системы
В результате изучения дисциплины студент должен
Английский язык
В результате изучения дисциплины студент должен
История и методология информатики и вычислительной техники
В результате изучения дисциплины студент должен
Вычислительные системы
Технология разработки программного обеспечения
Раздел 2. Парадигмы программирования, техника написания кода.
Раздел 3. Методы и методологии разработки программного обеспечения
Современные проблемы информатики и вычислительной техники
Комплексная защита информации
Раздел 2. Документ конфиденциальный.
Раздел 3. Система физической защиты в КЗИ.
...
Полное содержание
Подобный материал:
  1   2   3   4   5   6   7


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. 01 Высокопроизводительные вычислительные

системы


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

Модели параллельных вычислений и методы параллельного программирования 15

Организация и управление высокопроизводительными вычислительными комплексами 16

^ Управление проектами 17

Разработка переносимого программного обеспечения 18

Открытые технологии разработки программного обеспечения 19

Анализ данных на основе мягких вычислений. 20

^ Имитационное моделирование распределенных систем 21

Эволюционная разработка программного обеспечения 23

Программное обеспечение мультиагентных систем 24

Организация облачных вычислений 25
^

Методы оптимизации


Общая трудоемкость дисциплины составляет 4 зачетные единицы (144 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.