Нормативный срок освоения программы 2 года Красноярск 2011 г. Содержание
| Вид материала | Документы |
- 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 освоения программы 2 года Красноярск 2011 г. Содержание, 415.64kb.
- 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. 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.