Қолданбалы жасанды интеллект және деректер ғылымы саласындағы
магистр
магистр
Назарбаев Университетінің "Қолданбалы жасанды интеллект және деректер ғылымы" (MSc in Applied Artificial Intelligence & Data Science) магистратура бағдарламасы жасанды интеллект (AI), машиналық оқыту (ML) және деректер ғылымы (Data Science) салаларында жоғары сұранысқа ие мамандарды даярлауға бағытталған қарқынды әрі инновациялық оқу жоспарын ұсынады. Бағдарлама теориялық білім мен практикалық дағдыларды ұштастырып, студенттерге AI және Data Science технологияларын нақты мәселелерді шешуде қолдануға мүмкіндік береді.
Бағдарлама күндізгі бөлім студенттеріне де, жұмыс істейтін мамандарға да арналған және икемді оқу форматын, соның ішінде part-time режимінде білім алу мүмкіндігін қарастырады. Оқу процесі машиналық оқыту, статистикалық әдістер және деректерді талдау бойынша терең білім беруге бағытталған. Сонымен қатар, студенттер Data Science (DS), бизнес-аналитика, жасанды интеллект (AI), машиналық оқыту (ML), үлкен деректер аналитикасы, сондай-ақ AI-дың денсаулық сақтау және басқа да салалардағы қолданылуын қамтитын мамандандырылған пәндерді меңгереді.
Бағдарлама күндізгі бөлім студенттеріне де, жұмыс істейтін мамандарға да арналған және икемді оқу форматын, соның ішінде part-time режимінде білім алу мүмкіндігін қарастырады. Оқу процесі машиналық оқыту, статистикалық әдістер және деректерді талдау бойынша терең білім беруге бағытталған. Сонымен қатар, студенттер Data Science (DS), бизнес-аналитика, жасанды интеллект (AI), машиналық оқыту (ML), үлкен деректер аналитикасы, сондай-ақ AI-дың денсаулық сақтау және басқа да салалардағы қолданылуын қамтитын мамандандырылған пәндерді меңгереді.
| Оқу жоспары және оқыту әдістемесі Бағдарлама жан-жақты құрылып, жасанды интеллект пен деректер ғылымы саласындағы негізгі білімдер мен озық тақырыптарды біріктіреді. Негізгі курстар машиналық оқыту алгоритмдері, терең оқыту, табиғи тілді өңдеу және деректерді визуализациялау сияқты маңызды бағыттарды қамтиды. Сонымен қатар, студенттер нақты деректерге негізделген практикалық жобаларға қатысу арқылы өз дағдыларын шыңдап, еңбек нарығында бәсекеге қабілетті болуға мүмкіндік алады. Негізгі курстардан бөлек, бағдарлама студенттердің кәсіби мүдделеріне сәйкес оқу траекториясын қалыптастыруға мүмкіндік беретін мамандандырылған элективті пәндерді ұсынады. Басты және техникалық элективтер келесі бағыттарды қамтиды:
|
| Бірінші кезең-қолданбалы AI және деректер ғылымының негіздері | |||||
|---|---|---|---|---|---|
| Курс | Мектеп | ECTS кредиттері | Жұмыс жүктемесі | ||
| Сыныптық сағаттар | Өзіндік жұмыс уақыты | ||||
| Негізгі | DS 501 Деректер ғылымының негіздері | ИЦҒМ | 6 | 45 | 120 |
| DS 502 Деректер ғылымының ықтималдығы және статистикасы (ЖИ-дің математикалық негіздері) | ИЦҒМ | 6 | 45 | 120 | |
| DS 507 Деректер базасын басқару жүйелері | ИЦҒМ | 6 | 45 | 120 | |
| SEDS 591 Зерттеу әдістері | ИЦҒМ | 6 | 45 | 120 | |
| СЕМЕСТРДІҢ АРАЛЫҚ ҚОРЫТЫНДЫСЫ: | 24 | 180 | 480 | ||
| 2-кезең - Машиналық оқыту және деректерді талдау | |||||
|---|---|---|---|---|---|
| Курс | Мектеп | ECTS кредиттері | Жұмыс жүктемесі | ||
| Сыныптық сағаттар | Өзіндік жұмыс уақыты | ||||
| Негізгі | CSCI 597 Машиналық оқытудың теориясы мен практикасы | ИЦҒМ | 6 | 45 | 120 |
| DS 551 Процестер мен жобаларды басқару | ИЦҒМ | 6 | 45 | 120 | |
| CSCI 545 Күрделі деректерді талдау | ИЦҒМ | 6 | 45 | 120 | |
| Техникалық электив 1 | НУ | 6 | 45 | 120 | |
| СЕМЕСТРДІҢ АРАЛЫҚ ҚОРЫТЫНДЫСЫ: | 24 | 180 | 480 | ||
| 3-кезең - Жетілдірілген деректерді талдау және визуализация | |||||
|---|---|---|---|---|---|
| Курс | Мектеп | ECTS кредиттері | Жұмыс жүктемесі | ||
| Сыныптық сағаттар | Өзіндік жұмыс уақыты | ||||
| Негізгі | DS 504 Деректерді жинау және шешім қабылдауды қолдау | ИЦҒМ | 6 | 45 | 120 |
| DS 541 Бизнес-талдауға арналған ЖИ | ИЦҒМ | 6 | 45 | 120 | |
| DS 552 Деректерге негізделген инновациялар | ИЦҒМ | 6 | 45 | 120 | |
| Электив | Техникалық электив 2 | НУ | 6 | 45 | 120 |
| СЕМЕСТРДІҢ АРАЛЫҚ ҚОРЫТЫНДЫСЫ: | 24 | 180 | 480 | ||
| 4-кезең – Магистр дәрежесі | |||||
|---|---|---|---|---|---|
| Курс | Мектеп | ECTS кредиттері | Жұмыс жүктемесі | ||
| Сыныптық сағаттар | Өзіндік жұмыс уақыты | ||||
| Негізгі | DS 695 ЖИ бойынша қолданбалы жоба | ИЦҒМ | 18 | 135 | 360 |
| СЕМЕСТРДІҢ АРАЛЫҚ ҚОРЫТЫНДЫСЫ: | 18 | 135 | 360 | ||
Бағдарламаның негізгі курстары
Бұл курс деректер ғылымы бойынша магистратура бағдарламасына кіріспе кезең ретінде қызмет етеді. Ол бағдарламаның негізгі курстарына қосымша ретінде әзірленген және әртүрлі білім салаларынан (мысалы, компьютерлік ғылымдар, математика, физика, робототехника, экономика) келген студенттер үшін базалық дайындық деңгейін қамтамасыз етеді. Курс деректер ғылымын жаңа пән ретінде қарастыра отырып басталады, содан кейін үлкен деректердің негізгі сипаттамалары мен деректер ғылымы жобасының өмірлік циклі кезеңдерін зерттеуге көшеді. Сонымен қатар, бағдарламалау принциптері мен тәжірибесіне кешенді шолу жасалады. Курстың әрбір негізгі тақырыбы Python тілінде және сәйкес кітапханаларды пайдалану арқылы жүзеге асырылатын бағдарламалау тапсырмаларымен сүйемелденеді. Бұл тапсырмалар студенттердің бағдарламалау дағдыларын нығайтуға және нақты деректерді пайдалана отырып, деректер ғылымы принциптерін қолдану тәжірибесін дамытуға бағытталған.
Ықтималдық теориясының негізгі концепциялары деректер ғылымы саласындағы есептерді шешу үшін қажет. Бұл курс ықтималдық теориясы мен математикалық статистиканың кең ауқымды тақырыптарын қамтиды, ықтималдық модельдері мен статистикалық әдістерді түсіну үшін қажетті негіздерге ерекше назар аударады. Курста ықтималдық теориясының негіздері, статистикалық қорытындылар, ықтималдық модельдері, кездейсоқ шамалар, ықтималдық бөліністер, математикалық күтім, үлкен сандар заңы, орталық шекті теорема, нүктелік және интервалдық бағалау, гипотезаларды тексеру, сондай-ақ графтарға арналған мәліметтер құрылымы мен алгоритмдер қарастырылады. Курсты аяқтағаннан кейін студенттер шағын таңдамаларға статистикалық талдау жүргізу үшін калькуляторлар мен кестелерді пайдалана алады, сондай-ақ үлкен деректер жиынтығын талдау үшін R Studio сияқты танымал статистикалық пакеттерді қолдана алады.
Бұл курстың мақсаты – студенттерге зерттеу жүргізу және оның нәтижелерін тарату үшін маңызды болатын негізгі қағидалар мен дағдыларды беру. Курс ғылыми әдістің шолуын және оның қолданылуын, жобаны жоспарлауды, топпен жұмыс істеуді, ақпарат көздерімен өзара әрекеттесуді және зерттеу нәтижелерін бағалауды қамтиды. Студенттер сондай-ақ техникалық есептер, ғылыми мақалалар мен зерттеу жоспарларын жазудың негізгі қағидаларын, презентацияларды дайындау және өткізу әдістерін меңгереді. Ерекше назар қолданылатын зерттеу әдістері мен нәтижелерді ұсыну тәсілдерінің байланысына аударылады. Соңғы бөлімде кәсіби тәжірибе мен зерттеулердегі этикалық мәселелер қарастырылады, оған деректерді басқару, зияткерлік меншік құқықтары, плагиат пен деректерді бұрмалау сияқты тақырыптар кіреді.
Бұл курста студенттер машиналық оқыту алгоритмдері мен әдістерін теориялық негіздерден бастап нақты қолдану салаларына дейін зерттейді. Курс аясында негізгі принциптерге негізделген мысалдар қарастырылады және таңдалған алгоритмдер Python тілінде жүзеге асырылады.
Бұл бір семестрлік курс деректер ғылымы бағдарламасының магистранттарына арналған. Студенттер процестер мен жобаларды басқару концепцияларын, кәсіби тәжірибелерді, бағдарламалық қамтамасыз ету өмірлік циклін, процесс модельдерін, талаптарды әзірлеу және жобалауды зерттейді. Курс теориялық концепцияларды, олардың қолданылуын, құралдарды, процестер мен практикалық тәсілдерді қамтиды, олар әртүрлі салаларда, соның ішінде бағдарламалық қамтамасыз етуді әзірлеу және ақпараттық технологиялар салаларында жобаларды табысты басқаруды түсінуге көмектеседі. Оқыту материалдары, нақты жобалармен жұмыс және тәжірибелік дағдыларды дамытуға арналған құралдар курс бағдарламасына кіреді.
Үлкен деректер сараптамасы – кеңінен қолданылатын өзекті тақырыптардың бірі. Бұл курста студенттер ғылыми зерттеулерде және индустрияда қолданылатын заманауи әдістерді меңгеріп, үлкен деректерді өңдеу және талдау әдістерін әртүрлі дереккөздерге қолдану дағдыларын дамытады.
Курс деректерді жинау, жасанды интеллект, машиналық оқыту, тереңдетілген оқыту және статистика арасындағы байланыстарды зерттеуден басталады. Кейіннен білімді ұсыну, деректерді алдын ала өңдеу, деректерді жинау әдістері (ықтималдық модельдеу, сызықтық модельдеу, ассоциацияны іздеу және т.б.), минималды сипаттама ұзындығы принципі (MDL), валидация әдістері, шешім қабылдау, ассоциация ережелері, оқыту модельдері, деректер түрлендіру және проекциялау, Байес әдістері мен ансамбльдік оқыту әдістері (bagging, boosting, stacking және т.б.) қарастырылады. Сондай-ақ деректерді визуализациялау мен сақтау әдістері зерттеліп, шешім қабылдау жүйелері мен процестерінде деректерді интеллектуалды талдаудың қолдану мысалдары ұсынылады.
Бұл курс студенттерге бизнес-аналитика (BI) процестеріне жасанды интеллект (AI) интеграциялау бойынша білім мен дағдыларды ұсынуға бағытталған. Бағдарлама AI-дың негізгі технологияларын, оның ішінде машиналық оқытуды, табиғи тілді өңдеу әдістерін, деректерді талдау, болжамдау модельдері мен шешім қабылдауды қолдау жүйелерін қамтиды. Студенттер AI-ды деректерді жинау, өңдеу және визуализациялау үшін қалай пайдалануға болатынын үйренеді, бұл стратегиялық бизнес шешімдерін қабылдауды жақсартады. Курс практикалық қолдануға басымдық береді және студенттерге BI құралдары мен әдістерімен жұмыс істеу тәжірибесін ұсынады.
Ақпараттық технологиялардың қарқынды дамуы деректерді әлемдегі ең маңызды ресурсқа айналдырды. Деректерге негізделген инновациялар экономикалық, әлеуметтік және технологиялық прогреске үлкен ықпал етеді. Бұл курста студенттер деректерге негізделген зерттеулер мен әзірлемелер, дәстүрлі тауарлар мен қызметтерді деректерге негізделген өнімдерге айналдыру, процестер мен логистиканы оңтайландыру, деректерге негізделген маркетинг, әлеуметтік желілер мен бұлттық есептеулерді пайдалану сияқты ұғымдарды талқылайды. Сондай-ақ ұйымдық даму мен оңтайландыру мәселелері қарастырылады. Студенттер семестр бойы мемлекеттік немесе жеке ұйым үшін деректерге негізделген инновациялық жоба ұсынысын әзірлейтін топтық жобаға қатысады.
Бұл курс аясында студенттер топтарда AI жобасымен жұмыс істейді. Топтық жұмыс, мақсаттарға жету, проблемаларды шешу, есеп беру, үздіксіз жетілдіру және нәтижелерді кезең-кезеңімен тапсыру басты назарда болады. Алғашқы кезеңде командалар ұқсас жұмыстарды зерттеп, жоба жоспарын жасап, дизайнын әзірлейді. Курс толық есеп пен қорытынды презентациямен аяқталады.
Факультативтік курстар
Бұл курс студенттерге уақыттық қатарларды талдаудың кешенді түсінігін және оның болжау мақсатында қолданылуын үйретуге арналған. Оқу бағдарламасы стационарлық процестер, авторегрессиялық жылжымалы орта (ARMA) модельдері және маусымдық түзетулер сияқты маңызды тақырыптарды қамтиды. Студенттер тарихи заңдылықтарға сүйене отырып, болашақ деректер нүктелерін болжауға арналған модельдерді әзірлеу және түсіндіру дағдыларын меңгереді. Курс экономика, қаржы және экология сияқты салаларда қолдануға болатын құнды дағдыларды қалыптастырады. Теориялық негіздермен қатар, практикалық қолдануға да ерекше назар аударылады, бұл студенттерге уақытқа тәуелді деректерді тиімді талдау мен болжауға мүмкіндік береді.
Ақпаратты іздеу (Information Retrieval, IR) — құрылымдалмаған құжаттардың үлкен жинақтарындағы ақпаратты өңдеу, сақтау және іздеумен айналысатын сала. Интернеттің дамуымен IR әдістері онлайн ақпаратқа қолжетімділікті қамтамасыз етуде маңызды құралға айналып, қоғамға және экономикаға айтарлықтай әсер етті. Курс IR-дің теориялық негіздері мен IR жүйелерін әзірлеу тәжірибесіне қызығушылық танытатын студенттерге арналған. Курста IR-дің әртүрлі міндеттері, әдістері және құралдары қарастырылады. Оқу барысында құжаттарды өңдеу, индекстеу, іздеу және нәтижелерді бағалау сияқты IR құбырларының негізгі кезеңдерін көрсететін практикалық тапсырмалар беріледі. Сонымен қатар, IR саласындағы маңызды ғылыми мақалалар талқыланатын семинарлар ұйымдастырылады.
Компьютерлік ғылымдардың бастаулары артиллериялық снарядтардың траекторияларын және криптографиялық протоколдарды модельдеуге байланысты, бұл 1940-жылдардың басы мен ортасында ерте есептеу жүйелерінің дамуын ынталандырды. Модельдеу мен симуляцияның негізгі тәсілі – нақты жүйелерді машинада тиімді модельдеуге мүмкіндік беретін абстракция. Курс барысында Монте-Карло әдістері, стохастикалық процестер, кезек теориясы және Марков тізбектері сияқты модельдеу әдістері зерттеледі. Әртүрлі тәсілдерді бағалау және талдау да қарастырылады. Қолдану салаларына компьютерлік жүйелер мен желілер, диагностика, экономика және қаржы, сондай-ақ қала құрылысы кіруі мүмкін.
Компьютерлік желілер – қазіргі заманғы коммуникациялардың негізі. Бүгінде көптеген байланыс интернет-протоколдар арқылы жүзеге асырылады және компьютерлер арқылы бақыланады. Сонымен қатар, ұялы байланыс желілері (3G, 4G, 5G), сымсыз жергілікті желілер (Wireless LAN), сондай-ақ инфрақұрылымсыз технологиялар (Ad-Hoc желілер, WSNs) сияқты сымсыз технологиялардың жедел дамуы мен кең таралуына байланысты сымсыз байланыс жүйелері қазіргі заманғы коммуникацияда маңызды рөл атқарады. Бұл курс компьютерлік және байланыс желілерінің архитектураларындағы негізгі тұжырымдамалар мен протоколдарды қамтиды. Адрестеу схемалары, сымсыз маршрутизация және тасымалдау деңгейінің протоколдары, мобильді IP және желілерді жобалау мәселелері қарастырылады.
Студенттер есептеу биомедицинасының негізгі тақырыптарын зерттейді. Курс анатомия мен физиология негіздерін, сондай-ақ биомедициналық визуализация әдістерінің принциптерін қамтиды. Сигналдарды өңдеу құралдары, соның ішінде сүзгілер теориясы, артефакттарды жою, PCA және CSP әдістері қарастырылады. Сонымен қатар, студенттер деректерді декодтауда уни- және мультиварианттық белгілерді қолдануды үйренеді. Бағдарламалау бойынша практикалық жаттығулар барлық зерттеу кезеңдерін қамтитын жобамен толықтырылады.
Бұл курс бір семестрге арналған және компьютерлік ғылымдар мен деректер ғылымы бағдарламаларының магистранттарына арналған. Курс студенттердің компьютерлік көру саласындағы білімдерін кеңейтеді, оның ішінде кескін қалыптастыру, камера геометриясы, ерекшеліктерді анықтау және сәйкестендіру, стереокөру, кескін классификациясы, көріністі түсіну және терең оқыту мәселелері қамтылады. Студенттер компьютерлік көру тәсілдерінің интуитивті негіздерін және математикалық аспектілерін зерттейді. Бұл технологиялардың күнделікті өміріміздегі нақты қолдану мысалдары қарастырылады. Курс барысында студенттер бірнеше зерттеу жобаларын орындайды, бұл оларды компьютерлік көрудің озық алгоритмдерін енгізуге үйретеді. Сондай-ақ, олар тиісті әдістерді дұрыс қолдануға ерекше назар аудара отырып, ғылыми мақалаларды зерттейді.
Бұл курс ықтималдық, статистикалық және желілік есептеу модельдерінің соңғы жетістіктерін қамтиды. Курс аясында жасырын Марков модельдері, Марков желілері және шартты кездейсоқ өрістер қарастырылады. Сондай-ақ, қазіргі заманғы жасанды нейрондық желілердің, соның ішінде свертка нейрондық желілердің, терең оқыту модельдерінің және рекурренттік нейрондық желілердің соңғы жетістіктері зерттеледі.
Бұл курс бір семестрге арналған және компьютерлік ғылымдар мен деректер ғылымы бағдарламаларының магистранттарына бағытталған. Курс аясында студенттер терең оқытудың негізгі тұжырымдамаларын, қолданыстағы модельдері мен әдістерін зерттейді. Негізгі тақырыптар мыналарды қамтиды: терең оқытудың артықшылықтары, қасиеттері мен қиындықтары; машиналық оқыту мен оңтайландыруға кіріспе; жалпы мәселелер мен тәсілдер; регуляризация; свертка нейрондық желілері; рекурренттік желілер және реттілікті оқыту; генеративті-адверсарлық желілер; автоэнкодерлер; терең оқытудың жетілдірілген тақырыптары; тәжірибелік қолдану. Студенттер терең оқыту архитектураларын жобалауды үйренеді. Курс аясында терең оқытудың кең таралған әдістері зерттеледі, және оларды тиімді қолдану машықтары дамытылады. Білім тапсырмалар мен жобалар арқылы бекітіледі.
Бұл курста студенттер негізгі тұжырымдамалардан бастап нақты қолдану салаларына дейін машиналық оқытудың әртүрлі алгоритмдері мен әдістерін зерттейді. Курста машиналық оқыту алгоритмдерінің негіздері қарастырылады және Python тілінде таңдалған алгоритмдерді іске асыру тәжірибесі беріледі.
Курс магистранттарға табиғи тілді өңдеудің (NLP) теориялық негіздері мен практикалық тәжірибесін меңгеруге арналған. Курс барысында NLP міндеттері, тәсілдері мен құралдары қарастырылады, сондай-ақ, табиғи тілді өңдеудің кең таралған міндеттері бойынша практикалық тапсырмалар орындалады.
| Тәжірибелік оқыту және индустриямен байланыс Бұл магистратура бағдарламасының басты ерекшеліктерінің бірі – жасанды интеллект пен деректер ғылымының практикалық қолданылуына баса назар аударуы. Студенттер бизнес, мемлекеттік құрылымдар және медициналық мекемелер тап болатын өзекті мәселелерді шешуге бағытталған нақты жобалармен жұмыс істейді. Индустриялық серіктестермен тығыз ынтымақтастықтың арқасында студенттер жасанды интеллекттің озық технологияларына қол жеткізіп, жетекші компаниялар қолданатын заманауи әдістермен танысады. Бұл тәжірибе түлектердің еңбек нарығында бәсекеге қабілеттілігін арттырып, оларды өз саласында сұранысқа ие маман етеді. Applied AI & Data Science магистратура бағдарламасы Қазақстандағы және шетелдегі жетекші индустриялық серіктестермен тығыз ынтымақтастық орнатады. Бұл серіктестік студенттерге нақты деректерге қол жеткізуге, тағылымдамадан өтуге және кәсіби желі құруға мүмкіндік береді. Жетекші компаниялармен әріптестік арқасында студенттер жасанды интеллект пен деректер ғылымының нақты бизнес-міндеттерді шешудегі рөлін терең түсініп, бағалы практикалық тәжірибе жинақтайды. |
Мансаптық мүмкіндіктер
Applied AI & Data Science магистратура бағдарламасының түлектері жасанды интеллект және деректер ғылымы саласында табысты мансап құру үшін қажетті дағдыларды меңгереді. Олар келесі лауазымдарға үміткер бола алады:
- Data Scientist (деректер жөніндегі маман)
- Artificial Intelligence Engineer (жасанды интеллект инженері)
- Machine Learning Engineer (машиналық оқыту инженері)
- Data Analyst (деректер аналитигі)
- AI Developer for Healthcare Solutions (денсаулық сақтау саласына арналған AI шешімдерін әзірлеуші)
Оқытушылармен танысыңыз
Қалай оқуға түсуге болады?
- Білім – тиісті саладағы бакалавр дәрежесі немесе AI және Data Science саласындағы құнды тәжірибе
- Ағылшын тілі – ағылшын тілінде білім алғаны туралы құжат немесе IELTS 6.0+ сертификаты қажет
Оқу ақысы
16 000 $
Бағдарламаның толық құны
Соңғы жаңалықтардан хабардар болып, жеке кеңес алыңыз
Қабылдау талаптары, құжат тапсыру мерзімдері және оқу ақысы бойынша сұрақтар үшін:
Еңлік Малғаждарова
Академиялық және студенттік мәселелер жөніндегі аға менеджер
email: yenlik.molgozhdarova@nu.edu.kz
телефон: +7 7172 70 66 13
Сонымен қатар, біз корпоративтік оқыту мүмкіндіктерін талқылау үшін онлайн және офлайн кездесулер өткіземіз.
Еңлік Малғаждарова
Академиялық және студенттік мәселелер жөніндегі аға менеджер
email: yenlik.molgozhdarova@nu.edu.kz
телефон: +7 7172 70 66 13
Сонымен қатар, біз корпоративтік оқыту мүмкіндіктерін талқылау үшін онлайн және офлайн кездесулер өткіземіз.
Өтінім бергіңіз келе ме?
Төмендегі форманы толтырыңыз.