Магистр в области прикладного искусственного интеллекта и науки о данных
Магистерская программа «Прикладной искусственный интеллект и наука о данных» (MSc in Applied Artificial Intelligence & Data Science) в Назарбаев Университете предлагает интенсивный и инновационный учебный план, ориентированный на подготовку специалистов к востребованным карьерным направлениям в области искусственного интеллекта (AI), машинного обучения (ML) и науки о данных. Данная программа сочетает в себе теоретические знания и практические навыки, позволяя студентам применять технологии AI и Data Science для решения реальных задач.
Программа рассчитана как на студентов, обучающихся на дневном отделении, так и на работающих специалистов, предлагая гибкие условия, включая возможность обучения в формате part-time. Учебный процесс направлен на глубокое освоение ключевых концепций машинного обучения, статистических методов и анализа данных. Кроме того, студенты изучают специализированные направления, такие как Data Science (DS), бизнес-аналитика, искусственный интеллект (AI), машинное обучение (ML), аналитика больших данных, а также применение AI в здравоохранении и других отраслях.
Программа рассчитана как на студентов, обучающихся на дневном отделении, так и на работающих специалистов, предлагая гибкие условия, включая возможность обучения в формате part-time. Учебный процесс направлен на глубокое освоение ключевых концепций машинного обучения, статистических методов и анализа данных. Кроме того, студенты изучают специализированные направления, такие как Data Science (DS), бизнес-аналитика, искусственный интеллект (AI), машинное обучение (ML), аналитика больших данных, а также применение AI в здравоохранении и других отраслях.
| Учебный план и подход к обучению Учебная программа является всесторонней, сочетая фундаментальные знания с продвинутыми темами в области искусственного интеллекта и науки о данных. Основные курсы охватывают такие темы, как алгоритмы машинного обучения, глубокое обучение, обработка естественного языка и визуализация данных. Студенты также получают возможность участвовать в практических проектах, применяя свои навыки к реальным данным, что делает их конкурентоспособными на рынке труда после выпуска. Помимо базовых курсов, программа предлагает специализированные элективные дисциплины, позволяя студентам адаптировать обучение под свои профессиональные интересы. Среди основных и технических элективов представлены следующие темы: • Теория и практика машинного обучения • Аналитика больших данных • Интеллектуальный анализ данных и системы поддержки принятия решений • Вероятность и статистика для науки о данных • Искусственный интеллект • Бизнес-аналитика • Системы управления базами данных • Управление процессами и проектами • Прогнозирование временных рядов • Искусственный интеллект в медицине • Обработка естественного языка • Глубокое обучение • Моделирование и симуляция • Прикладной проект по AI • Продвинутый искусственный интеллект • Этический искусственный интеллект |
| Первый этап - Основы прикладного ИИ и науки о данных | |||||
|---|---|---|---|---|---|
| Курс | Школа | Кредиты ECTS | Рабочая нагрузка | ||
| Классные часы | Часы самостоятельной работы | ||||
| Основа | DS 501 Основы науки о данных | ШИЦН | 6 | 45 | 120 |
| DS 502 Вероятность и статистика для науки о данных (Математические основы ИИ) | ШИЦН | 6 | 45 | 120 | |
| DS 507 Системы управления базами данных | ШИЦН | 6 | 45 | 120 | |
| SEDS 591 Методы исследований | ШИЦН | 6 | 45 | 120 | |
| ПРОМЕЖУТОЧНЫЙ ИТОГ СЕМЕСТРА: | 24 | 180 | 480 | ||
| Этап 2 - Машинное обучение и аналитика данных | |||||
|---|---|---|---|---|---|
| Курс | Школа | Кредиты ECTS | Рабочая нагрузка | ||
| Классные часы | Часы самостоятельной работы | ||||
| Основа | CSCI 597 Теория и практика машинного обучения | ШИЦН | 6 | 45 | 120 |
| DS 551 Управление процессами и проектами | ШИЦН | 6 | 45 | 120 | |
| CSCI 545 Аналитика сложных данных | ШИЦН | 6 | 45 | 120 | |
| Технический электив 1 | НУ | 6 | 45 | 120 | |
| ПРОМЕЖУТОЧНЫЙ ИТОГ СЕМЕСТРА: | 24 | 180 | 480 | ||
| Этап 3 - Продвинутая аналитика данных и визуализация | |||||
|---|---|---|---|---|---|
| Курс | Школа | Кредиты ECTS | Рабочая нагрузка | ||
| Классные часы | Часы самостоятельной работы | ||||
| Основа | DS 504 Сбор данных и поддержка принятия решений | ШИЦН | 6 | 45 | 120 |
| DS 541 ИИ для бизнес-аналитики | ШИЦН | 6 | 45 | 120 | |
| DS 552 Инновации, основанные на данных | ШИЦН | 6 | 45 | 120 | |
| Elective | Технический электив 2 | НУ | 6 | 45 | 120 |
| ПРОМЕЖУТОЧНЫЙ ИТОГ СЕМЕСТРА: | 24 | 180 | 480 | ||
| Этап 4 - Степень Магистра | |||||
|---|---|---|---|---|---|
| Курс | Школа | Кредиты ECTS | Рабочая нагрузка | ||
| Классные часы | Часы самостоятельной работы | ||||
| Основа | DS 695 Прикладной проект по ИИ | ШИЦН | 18 | 135 | 360 |
| ПРОМЕЖУТОЧНЫЙ ИТОГ СЕМЕСТРА: | 18 | 135 | 360 | ||
Основные курсы программы
Курс служит вводным этапом для программы магистратуры в области науке о данных. Он разработан как дополнение к основным курсам программы, предоставляя базовый уровень подготовки для студентов из различных образовательных сфер (например, компьютерных наук, математики, физики, робототехники, экономики). Курс начинается с обзора науки о данных как новой дисциплины, а затем переходит к изучению типичных характеристик больших данных и этапов жизненного цикла проекта в области науки о данных. Параллельно проводится всесторонний обзор и усвоение принципов и практики программирования. Каждая ключевая тема курса сопровождается тематическими задачами программирования, основанными на авторитетных наборах данных, реализуемых на языке Python с использованием соответствующих библиотек. Эта погруженная серия упражнений направлена на укрепление уверенности и компетенций в программировании, а также на развитие практических навыков применения принципов науки о данных с использованием реальных данных.
Фундаментальные концепции теории вероятностей необходимы для решения задач в области науки о данных. Курс охватывает широкий спектр теории вероятностей и математической статистики, с акцентом на вероятностные основы, необходимые для понимания моделей вероятностей и статистических методов. Темы курса включают основы теории вероятностей, статистические выводы и графовые структуры данных, включая вероятностные модели, случайные величины, полезные распределения, математические ожидания, закон больших чисел, центральную предельную теорему, точечные и интервальные оценки, проверку гипотез, а также базовые структуры данных и алгоритмы для графов. После прохождения курса студенты смогут использовать калькуляторы и таблицы для проведения простого статистического анализа небольших выборок, а также применять популярные статистические пакеты (например, R Studio) для выполнения как простых, так и сложных анализов больших выборок.
Цель этого курса — предоставить студентам набор принципов и навыков, которые будут иметь первостепенное значение для проведения их исследований и распространения соответствующих результатов. Курс охватывает обзор научного метода и его применения, планирование проектов, работу в командах, взаимодействие с источниками и оценку исследовательских результатов. Студенты также изучают основные принципы, необходимые для написания технических отчетов, научных статей и планов исследований, а также для подготовки и проведения презентаций. Особое внимание уделяется связи между используемыми методами исследования и способом представления результатов, а не стилю письма/презентации как таковым. В заключение рассматриваются основы моральных рассуждений с акцентом на этику в профессиональной практике и исследовательской деятельности, включая управление данными, права на интеллектуальную собственность, а также такие явления, как плагиат и фальсификация данных.
На курсе студенты изучат широкий спектр алгоритмов и техник машинного обучения — от концепций и теоретических основ до конкретных областей применения. В рамках курса будут рассмотрены показательные примеры, основанные на первых принципах, и реализованы выбранные алгоритмы на языке Python.
Этот односеместровый курс предназначен для магистрантов программы в области науки о данных. Студенты изучат концепции управления процессами и проектами, профессиональные практики, жизненный цикл программного обеспечения, модели процессов, разработку требований и проектирование. В рамках курса студенты осваивают теоретические концепции, их применение, инструменты, процессы и практические подходы, которые помогут понять, как успешно управлять проектами в различных отраслях, включая разработку программного обеспечения и информационные технологии. Курс включает учебные пособия, работу над реальными проектами и инструменты для практической подготовки.
Аналитика больших данных является одной из актуальных тем с широким спектром приложений. В рамках курса основное внимание уделяется современным методам, которые используются как в исследованиях, так и в индустрии, и студенты смогут изучить и применять техники работы с большими данными к различным источникам данных.
Курс начнется с изучения контекста и взаимосвязей между сбором данных, искусственным интеллектом, машинным обучением, глубоким обучением и статистикой. Затем будут рассмотрены представление знаний, подготовка данных (предобработка), основные методы сбора данных (такие как вероятностное моделирование, линейное моделирование, поиск ассоциаций и др.), принцип минимальной длины описания (MDL), методы валидации, деревья решений, правила ассоциаций, модели обучения на примерах, преобразования данных, проекции данных, Байесовские методы и ансамблевые методы обучения (bagging, boosting, stacking и др.) в рамках супервизорного, несупервизорного и полусупервизорного обучения. Методы визуализации и хранения данных, а также примеры из различных областей применения также будут рассмотрены для иллюстрации использования методов интеллектуального анализа данных в системах и процессах поддержки принятия решений.
Курс AI для бизнес-аналитики (BI) направлен на то, чтобы вооружить студентов знаниями и навыками для интеграции искусственного интеллекта (AI) в процессы BI. Учебная программа охватывает ключевые технологии AI, включая машинное обучение и методы естественного языка, а также их применение в анализе данных, предиктивном моделировании и системах поддержки принятия решений. Студенты узнают, как использовать AI для улучшения сбора, обработки и визуализации данных, что позволяет принимать более обоснованные и стратегические бизнес-решения. Курс делает акцент на практических приложениях, предоставляя практический опыт работы с инструментами и методами BI, актуальными для современных бизнес-сред.
С быстрым развитием информационных технологий данные становятся самым важным ресурсом в мире. Инновации, основанные на данных, обладают огромным потенциалом для экономического, социального и технологического прогресса. В этом курсе студенты изучат и обсудят такие понятия, как исследование и разработка, основанные на данных, трансформация традиционных товаров и услуг в продукты, интенсивно использующие данные, оптимизация процессов, логистики и доставки с применением методов, основанных на данных, а также персонализированный маркетинг с использованием аналитики данных, социальных сетей и облачных вычислений. Курс также охватывает вопросы организационной эволюции и оптимизации с использованием методов, основанных на данных, в качестве катализатора. Студенты примут участие в командном проекте, рассчитанном на семестр, для подготовки предложения по проекту инновации, основанной на данных, для государственной или частной организации.
В рамках курса студенты будут работать в командах над проектом в области ИИ с акцентом на командную работу, достижение целей, решение проблем, отчетность, постоянное улучшение и регулярную сдачу результатов. На начальном этапе команды изучат аналогичные работы, разработают план проекта и его дизайн. Проект завершится полным отчетом, описывающим детали, проблемы, трудности и результаты, а также финальной презентацией группы.
Факультативные курсы
Этот курс разработан, чтобы предоставить студентам всестороннее понимание анализа временных рядов и его применения в прогнозировании. Учебная программа охватывает такие важные темы, как стационарные процессы, модели авторегрессионного скользящего среднего (ARMA) и сезонные корректировки. Студенты научатся разрабатывать и интерпретировать модели для прогнозирования будущих точек данных на основе исторических закономерностей, вооружая их ценными навыками, применимыми в таких областях, как экономика, финансы и экология. Курс уделяет особое внимание как теоретическим основам, так и практическим приложениям, гарантируя, что участники смогут эффективно анализировать и прогнозировать данные, зависящие от времени.
Информационный поиск (Information Retrieval, IR) — это дисциплина, связанная с обработкой, хранением и поиском информации в больших коллекциях неструктурированных документов. С развитием интернета методы IR стали ключевым инструментом для доступа к огромным объемам онлайн-информации, оказывая значительное социальное и экономическое влияние. Курс предназначен для студентов, интересующихся теоретическими основами IR и практическим опытом создания IR-систем. Во время курса будут обсуждаться разнообразные задачи, подходы и инструменты IR. Курс сопровождается серией практических заданий, отражающих основные этапы конвейера IR: обработка документов, индексирование, поиск и оценка результатов. Также будут организованы семинары, посвященные ключевым научным статьям в области IR.
Истоки компьютерных наук связаны с моделированием таких явлений, как траектории артиллерийских снарядов и криптографические протоколы, что стимулировало развитие ранних вычислительных систем в начале и середине 1940-х годов. Основным подходом к моделированию и симуляции является абстракция, позволяющая эффективно имитировать реальные системы на машине. В рамках курса будут изучаться такие методы моделирования, как методы Монте-Карло, стохастические процессы, теория очередей и цепи Маркова. Также будут рассматриваться оценка и анализ различных подходов. Области применения могут включать компьютерные системы и сети, диагностику, экономику и финансы, а также градостроительство.
Компьютерные сети являются основой современных коммуникаций. Большая часть современных коммуникаций осуществляется через протоколы Интернета и контролируется компьютерами. Кроме того, с увеличением использования и быстрым развитием беспроводных технологий, таких как сотовые сети (включая 3G, 4G, 5G), беспроводные локальные сети (Wireless LAN), а также технологий без инфраструктуры (Ad-Hoc сети, WSNs), системы беспроводной связи стали играть важную роль в современных коммуникациях. Этот курс охватывает основные концепции и протоколы в архитектурах компьютерных/коммуникационных сетей. Рассматриваются схемы адресации, беспроводные варианты известных протоколов маршрутизации и транспортного уровня, мобильный IP и вопросы проектирования сетей.
Студенты изучат ряд ключевых тем в области вычислительной биомедицины. Курс охватывает такие вопросы, как основы анатомии, физиологии, а также принципы различных методов биомедицинской визуализации. Рассматриваются инструменты обработки сигналов, включая теорию фильтров, устранение артефактов, а также методы PCA и CSP. Кроме того, студенты изучат использование уни- и мультивариантных признаков для декодирования. Практические занятия по программированию будут дополнены выполнением проекта, охватывающего все этапы исследований.
Этот курс рассчитан на один семестр и предназначен для магистрантов программ в области компьютерных наук и науки о данных. Курс расширяет знания студентов в области концепций и подходов компьютерного зрения, таких как формирование изображения, геометрия камер, обнаружение и сопоставление признаков, стереозрение, классификация изображений, понимание сцены и глубокое обучение. Студенты изучат интуитивные основы и математику подходов в области компьютерного зрения. Им будут представлены реальные примеры использования этих технологий, значимых в нашей повседневной жизни. В рамках курса студенты выполнят несколько исследовательских проектов, что позволит им внедрить передовые алгоритмы компьютерного зрения. Кроме того, они изучат исследовательские статьи, акцентируя внимание на корректном применении методов компьютерного зрения.
Данный курс охватывает последние достижения в области вероятностных, статистических и сетевых вычислительных моделей для решения реальных задач, таких как компьютерное зрение и принятие решений. Тематика курса включает скрытые Марковские модели, Марковские сети и условные случайные поля. Кроме того, будут рассмотрены новейшие достижения в области искусственных нейронных сетей, такие как сверточные нейронные сети, модели глубокого обучения и рекуррентные нейронные сети.
Курс рассчитан на один семестр и предназначен для студентов магистратуры по в области компьютерных наук и науки о данных. В рамках курса студенты изучат концепции, существующие модели и техники глубокого обучения. Основные темы включают преимущества, свойства и вызовы глубокого обучения; введение в машинное обучение и оптимизацию; проблемы и общие подходы; регуляризацию; сверточные нейронные сети; рекуррентные сети и обучение последовательностям; генеративно-состязательные сети; автоэнкодеры; продвинутые темы глубокого обучения; применение на практике. Студенты научатся проектировать архитектуры глубокого обучения. Курс включает изучение распространенных техник глубокого обучения, а также обучение их эффективному применению. Знания будут закреплены через задания и проекты с акцентом на правильные практики глубокого обучения.
На курсе студенты изучат широкий спектр алгоритмов и техник машинного обучения — от концепций и теоретических основ до конкретных областей применения. В рамках курса будут рассмотрены показательные примеры, основанные на первых принципах, и реализованы выбранные алгоритмы на языке Python
Курс предназначен для студентов магистратуры, интересующихся теоретическими основами обработки естественного языка (ОЕЯ) и практическим опытом создания таких систем. В рамках курса будут обсуждаться задачи, подходы и инструменты, а также выполняться практические задания по распространенным задачам ОЕЯ.
| Практическая направленность и взаимодействие с индустрией Одной из ключевых особенностей данной магистерской программы является ее акцент на практическое применение искусственного интеллекта и науки о данных. Студенты работают над актуальными проектами, решая реальные задачи, с которыми сталкиваются бизнес, государственные структуры и медицинские учреждения. Благодаря сотрудничеству с индустриальными партнерами, учащиеся получают доступ к передовым технологиям искусственного интеллекта и знакомятся с практиками, применяемыми ведущими компаниями. |
Карьерные возможности
Выпускники магистерской программы Applied AI & Data Science получат необходимые навыки для успешной карьеры в сфере искусственного интеллекта и науки о данных. Они смогут претендовать на такие должности, как:
- Data Scientist (специалист по данным)
- Artificial Intelligence Engineer (инженер по искусственному интеллекту)
- Machine Learning Engineer (инженер по машинному обучению)
- Data Analyst (аналитик данных)
- AI Developer for Healthcare Solutions (разработчик AI-решений для здравоохранения)
Познакомьтесь с преподавателями
Как поступить?
- Образование – диплом бакалавра в соответствующей области или ценный опыт в сфере AI и Data Science
- Английский язык – обучение на английском или сертификат IELTS 6.0+
Стоимость обучения
16 000 $
Общая стоимость программы за весь период
Будьте в курсе последних новостей и получите персональную консультацию
По вопросам требований к поступлению, сроков подачи документов и стоимости обучения обращайтесь:
Енлик Молгождарова
Старший менеджер по академическим и студенческим вопросам
email: yenlik.molgozhdarova@nu.edu.kz
телефон: +7 7172 70 66 13
Также мы предлагаем онлайн и офлайн встречи для обсуждения возможностей корпоративного обучения на заказ.
Енлик Молгождарова
Старший менеджер по академическим и студенческим вопросам
email: yenlik.molgozhdarova@nu.edu.kz
телефон: +7 7172 70 66 13
Также мы предлагаем онлайн и офлайн встречи для обсуждения возможностей корпоративного обучения на заказ.
Хотите подать заявку?
Пожалуйста, заполните форму ниже.