Современные проблемы компьютерных наук

№ пп

Наименования   модулей и дисциплин

Аннотации модулей

1.

Модули

2. 

Базовая часть

3. 

Иностранный язык

Основной целью курса является совершенствование знаний в области иностранного языка, достигнутых на предыдущей ступени образования, а также навыков и умений, необходимых для эффективного делового общения на современном иностранном языке в устной и письменной  формах в соответствии с уровнем В1 Общеевропейских компетенций владения иностранным языком

4.

История и методология математики

Курс в основном опирается на бакалаврский курс «История математики» и курс «Философия и методология научного знания», читаемый в магистратуре. История математики до «Периода современной математики» излагается обзорно в связи с изучением вопросов методологии математики. Содержанием данного курса (это касается периода истории и философии современной математики, истории компьютерных наук и методологии математики) являются предмет, концепция, метод математического исследования, оценка роли математики в развитии общества, глубокий обзор истории создания математических теорий и структур, знакомство с биографиями их создателей, яркие примеры решения «нерешаемых» проблем, интеллектуальных революций. В курсе уделено особое внимание истории Российской математики и становлению Уральской математической школы. При изложении курса используются интерактивные технологии, электронно-образовательные ресурсы.

5.

Философия и методология научного

знания

Цель дисциплины – подготовка выпускников к использованию в профессиональной  деятельности знаний традиционных и современных проблем философии и методологии научного знания. Изучение модуля-дисциплины «Философия и методол огия научного знания» направлено на освоение студентами результатов обучения:

В результате изучения базовой части цикла студент должен: знать и различать: тенденции исторического развития философии и методологии научного знания, типы знания, общие формы, закономерности и инструментальные средства математических, естественнонаучных и гуманитарных наук; уметь: ориентироваться в основных философских и методологических проблемах, возникающих в науке на современном этапе развития; осмыслить динамику научно-технического развития в широком социо-культурном контексте. владеть: методологией современной науки.

6.

Профессиональные коммуникации

В курсе рассматривается культура и вопросы коммуникации в профессиональной среде.

7.

Вариативная часть

8.

Основы машинного обучения

В рамках курса будут разобраны основные типы задач, решаемых с помощью машинного обучения. Главным образом, речь пойдёт о классификации, регрессии и кластеризации. Преподаватели расскажут об основных методах машинного обучения и их особенностях, научат оценивать качество моделей и видеть, подходит ли модель для решения конкретной задачи. У слушателей будет возможность познакомиться с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества. В курсе будут использованы данные из реальных задач.

9.

Вариативная часть

ТОП-1 Компьютерная биомедицина

10.

Моделирование живых систем

Курс направлен на переход от фундаментальных теоретических знаний в области вычислительной математики и уравнений в частных производных к их практической реализации на примере моделирования сложного биологического объекта: сердца млекопитающего. В ходе лекционных занятий будут освещены сведения, необходимые для описания электромеханических свойств миокардиальной ткани, а именно основы тензорного анализа, механики сплошных сред, механических свойств мягких тканей. В ходе практических занятий будут рассмотрены инструменты для реализации методов конечных и граничных элементов на параллельных системах, инструменты построения расчетных трехмерных сеток и визуализации расчетов.

11.

Основы численных методов

Основной целью курса является изучение современных численных методов и вопросов их реализации. Форматы хранения больших разреженных матриц, операции с разряженными и плотными матрицами. Прямые и итерационные методы решение больших систем линейных алгебраических уравнений. Крыловские методы, предобуславливание. Многосеточные методы.

Численные методы решения обыкновенных дифференциальных уравнений (ОДУ). Методы типа Рунге-Кутты. Вложенные методы, контроль погрешности и оптимальные выбор шага. Повышение точности решения разностных схем. Экстраполяционные методы Ричардсона. Параллельные численные методы решения ОДУ. Численные методы решения дифференциальных уравнений в частных производных (ДУ в ЧП). Параллельные численные методы решения ДУ в ЧП.

12.

Математический анализ и статистика

Цель: Модуль направлен на ознакомление с основными методами приколадного анализа и современной медико-биологической статистики.

Задачи: Освоить методы современного прикладного анализа;

Освоить основы статистического анализа медико-биологических данных: описание данных, оценивание, проверка гипотез. Овладеть методами статистического анализа числовых величин, многомерного статистического анализа, временных рядов, статистики нечисловых и интервальных данных. Развить умение выбрать адекватные варианты статистической обработки и грамотно трактовать полученные результаты.

13.

Вариативная часть

ТОП-2 Анализ данных

14.

Алгоритмы и структуры данных

В рамках курса рассматриваются базовые алгоритмы и структуры данных.

Цели дисциплины:

Знать:

• Основные структуры данных.
• Базовые алгоритмы.
• Структуры данных и алгоритмы для работы со строками.
• Алгоритмы на графах.

Уметь:

• Применять известные алгоритмы на практике.
• Реализовать изученные алгоритмы и структуры данных на языке С++.

15.

Прикладной анализ данных

В модуле изучаются базовые знания необходимые для освоения и применения основные методы анализа данных применяемые на практике в настоящее время, такие как обработка изображений, параллельные вычисления, статистика в машинном обучении и автоматическая обработка текстов. 

16.

Компьютерное зрение

В курсе рассматриваются современные методы анализа изображений и видео.

Цели дисциплины:

Знать:

• Алгоритмы обработки изображений.
• Методы распознавания объектов на изображении.
• Методы сегментации изображений.
• Алгоритмы обработки видео.
• Методы распознавания действий на видео.
• Примеры реконструкции.

Уметь:

• Реализовывать алгоритмы анализа изображений.
• Использовать программные библиотеки алгоритмов компьютерного зрения.
• Пользоваться стандартными коллекциями изображений для сравнения алгоритмов.
• Реализовывать алгоритмы анализа видео.
• Использовать программные библиотеки алгоритмов компьютерного зрения.
• Совместно обрабатывать информацию с нескольких камер.

17.

Автоматическая обработка текстов

В курсе рассматриваются основные модели, техники и приемы, используемые в NLP, рассматриваются основные приложения NLP.

Цели дисциплины:

Знать:

• Основные термины и модели, используемые в моделировании естественного языка.
• Основы статистических методов в вычислительной лингвистике.
• Устройство современных систем автоперевода.

Уметь:

• Создавать модели языка по выданному корпусу и с их помощью классифицировать тексты.
• Автоматически выделать из корпуса устойчивые словосочетания.
• Реализовывать простейшие языковые модели.

18.

Дискретный анализ и теория вероятности

В раках курса рассматриваются основные понятия и методы комбинаторного, дискретного и

асимптотического анализа, теории вероятностей, статистики и на примере решения классических задач демонстрируется их применение.

Цели дисциплины:

Знать:

• Основные понятия и тождества комбинаторики, формула Мёбиуса.
• Оценки и асимптотики для комбинаторных величин.
• Задачи о разбиении чисел на слагаемые, теоремы Харди-Рамануджана.
• Рекуррентные соотношения и производящие функции.
• Основные понятия теории графов и перечислительные задачи на графах.
• Дискретная и геометрическая вероятность.
• Случайные величины и их распределения.
• Методы построения доверительных интервалов.

Уметь:

• Применять описанные в курсе понятия и методы для работы со случайными дискретными объектами.

19.

Модули по выбору студента

20.

Проектный практикум по компьютерной биомедицине

В курсе студенты в группах решают реальные задачи компьютерного моделирования в физиологии и медицине под руководством опытных руководителей-исследователей.

21.

Основы биоинформатики

Молекулярные вычисления — это направление исследований на границе молекулярной биологии и компьютерных наук. Основной идей является построение новой парадигмы вычислений, новых моделей и алгоритмов на основе знаний о строении и функциях молекулы ДНК. Т.е. это вычисления не на кремнии, как сейчас, а с помощью молекул ДНК. Биоинформатика — междисциплинарная область, которая разрабатывает методы и программное обеспечение для анализа биологических данных, используя методы прикладной математики, статистики и информатики (data science в биологии).

22.

Основы физиологии и анатомии человека

В курсе рассматриваются основные понятия и базовое описание физиологии и анатомии человека

23.

Практикум алгоритмы и структуры данных

В рамках курса рассматриваются базовые алгоритмы и структуры данных.

Цели дисциплины:

Знать:

• Основные структуры данных.
• Базовые алгоритмы.
• Структуры данных и алгоритмы для работы со строками.
• Алгоритмы на графах.

Уметь:

• Применять известные алгоритмы на практике.
• Реализовать изученные алгоритмы и структуры данных на языке С++.

24.

Практикум по компьютерному зрению

В курсе рассматриваются современные методы анализа изображений и видео.

Цели дисциплины:

Знать:

• Алгоритмы обработки изображений.
• Методы распознавания объектов на изображении.
• Методы сегментации изображений.
• Алгоритмы обработки видео.
• Методы распознавания действий на видео.
• Примеры реконструкции.

Уметь:

• Реализовывать алгоритмы анализа изображений.
• Использовать программные библиотеки алгоритмов компьютерного зрения.
• Пользоваться стандартными коллекциями изображений для сравнения алгоритмов.
• Реализовывать алгоритмы анализа видео.
• Использовать программные библиотеки алгоритмов компьютерного зрения.
• Совместно обрабатывать информацию с нескольких камер.

25.

Параллельные и распределенные вычисления

Рассматриваются технологии программирования на современных параллельных и распределенных вычислительных системах:

• Многопоточное программирование
• Векторизация
• Технология программирования OpenMP
• Технология программирования MPI

26.

Практикум дискретный анализ и теория вероятности

В раках курса рассматриваются основные понятия и методы комбинаторного, дискретного и

асимптотического анализа, теории вероятностей, статистики и на примере решения классических задач демонстрируется их применение.

Цели дисциплины:

Знать:

• Основные понятия и тождества комбинаторики, формула Мёбиуса.
• Оценки и асимптотики для комбинаторных величин.
• Задачи о разбиении чисел на слагаемые, теоремы Харди-Рамануджана.
• Рекуррентные соотношения и производящие функции.
• Основные понятия теории графов и перечислительные задачи на графах.
• Дискретная и геометрическая вероятность.
• Случайные величины и их распределения.
• Методы построения доверительных интервалов.

Уметь:

• Применять описанные в курсе понятия и методы для работы со случайными дискретными объектами.

27.

Нелинейная динамика

Курс «Нелинейная динамика: феномены и методы их анализа» посвящен описанию явлений, наблюдаемых в нелинейных динамических системах, теории устойчивости и бифуркаций. Будут рассмотрены  основные нелинейные эффекты, связанные с  генерацией регулярных и хаотических колебаний, и современные методы их исследования, как аналитические, так и компьютерные. В рамках курса дополнительный акцент ставится на биологическую интерпретацию теоретического материала в ходе разбора иллюстрирующих примеров, связанных с моделированием популяционной и нейронной динамики.

28.

Методы регуляризации

Основной целью курса является знакомство с некорректными задачами и методами их решения.

Понятие некорректных задач. Использование априорной информации для построение регуляризирующих алгоритмов. Методы регуляризации некорректных задач: методы типа Тихонова, метод компактного вложения, итерационные процессы с квазисжатием и другие для регуляризации некорректных задач с априорной информацией. Итерационные методы аппроксимации неподвижных точек и их приложение к некорректным задачам. Дискретная аппроксимация регуляризирующих алгоритмов.

29.

Функционально-дифференциальные уравнения

Основной целью курса является изучение теории дифференциальных уравнений с отклоняющимся аргументов, которые возникают при моделировании многих биологических процессов.

Примеры био-медицинских моделей, формализуемых в виде функционально-дифференциальных уравнений. Теоремы существования и единственности. Качественная теория функционально-дифференциальных уравнений: продолжимость, ограниченность, устойчивость, непрерывная зависимость решений от параметров. Численные методы решения функционально-дифференциальных уравнений.

30.

Разностные методы

Основной целью курса является изучение разностных методов решения уравнений в частных производных.

Конечно-разностные методы решения дифференциальных уравнений в частных производных (ДУ в ЧП). Аппроксимация, устойчивость, сходимость, монотонность. Разностные схемы для уравнений с непостоянными коэффициентами. Экономичные схемы решения ДУ в ЧП. Метод конечных элементов и конечных объемов для решения ДУ в ЧП. Метод декомпозиции областей для задач математической физики на сложных областях. Метод Шварца.

31.

Сетки

В курсе рассматриваются методы построения и оценки качества расчетных сеток

32.

Научные вычисления

Курс рассчитан на магистрантов первого семестра. Его целью является научить языку Python, тех кто его не знает И научить решать с его помощью популярные задачи, такие как интерполяция, регрессия, обработка изображений и предобработка данных для машинного обучения.

33.

Основы научной работы

В курсе рассматриваются основы научной работы в сфере компьютерных наук. Студенты знакомятся с методологией организации научных исследований, подготовкой презентаций результатов исследований и работы на научных мероприятиях.

34.

Программирование на GPU

В курсе рассматривается использование современных ускорителей GPU для проведения научных вычислений и анализа данных. Изучаются технологии CUDA и OpenMP.

35.

Проектный практикум

В курсе студенты в группах решают реальные задачи анализа данных под руководством опытных руководителей-практиков.

36.

Проектный практикум по анализу данных

В курсе студенты в группах решают реальные задачи анализа данных под руководством опытных руководителей-практиков.

37.

Язык программирования Python

В раках курса рассматривается язык высокого уровня Python: базовый синтаксис, парадигмы

программирования, используемые в языке, элементы декларативного программирования.

Рассказывается о сферах, в которых использование Python наиболее эффективно, особенно в

сочетании с другими языками программирования.

Цели дисциплины:

Знать:

• Базовый синтаксис языка Python.
• Основные стандартные модули языка.
• Основы функционального и объектно-ориентированного программирования в контексте применения их в Python.
• Области применения Python.
• Недостатки Python.
• Возможности интеграции с другими языками программирования.

Уметь:

• Писать эффективные программы на языке Python.
• Уметь пользоваться различными парадигмами программирования в зависимости от задачи.
• Пользоваться широким спектром библиотек (сборка, установка, настройка, тестирование) .
• Разрабатывать собственные библиотеки расширений, возможно, задействуя другие ЯП.
• Принимать при необходимости решение об использовании другого языка программирования или интеграции с другими ЯП.

38.

Язык программирования С++

В рамках курса рассматривается язык С++: базовый синтаксис, указатели и ссылки, обработка

ошибок, избранные вопросы ООП.

Цели дисциплины:

Знать:

• Основные синтаксические конструкции языка С++.
• Преимущества и недостатки языка С++ по сравнению с другими языками программирования.
• Средства языка С++, позволяющие применять обобщённое программирование.
• Техники языка С++, направленные на борьбу с утечками памяти.
• Компоненты стандартной библиотеки шаблонов (STL).

Уметь:

• Создавать эффективный платформо-независимый код на С++.
• Отлаживать и оптимизировать программы и библиотеки, написанные на С++.
• Выбирать наиболее подходящие средства языка С++ для решения конкретных задач.
• Использовать динамическую память, избегая её утечек.

39.

Методы и системы обработки больших данных

Курс посвящен изучению технологий обработки больших объемов данных (Big Data). Рассматриваются технологии MapReduce, Apache Spark, а также распределенные базы данных.

40.

Глубокое обучение

В курсе рассматриваются методы обучения глубоких нейронных сетей. Изучаются архитектуры глубоких нейронных сетей (полносвязные, сверточные, сети долго-краткосрочной памяти и т.п.), методы обучения нейронных сетей (алгоритм обратного распространения ошибки), а также примеры использования глубоких нейронных сетей для задач компьютерного зрения и обработки естественного языка.

41. 

Методы оптимизации

Методы оптимизации лежат в основе решения многих задач компьютерных наук. Например, в машинном обучении задачу оптимизации необходимо решать каждый раз при настройке какой-то модели алгоритмов по данным. Причём от эффективности решения соответствующей задачи оптимизации зависит практическая применимость самого метода машинного обучения. Данный курс посвящен изучению классических и современных методов решения задач непрерывной оптимизации (в том числе невыпуклой), а также особенностям применения этих методов в задачах оптимизации, возникающих в машинном обучении. Основной акцент в изложении делается на практические аспекты реализации и использования методов. Целью курса является выработка у слушателей навыков по подбору подходящего метода для своей задачи, наиболее полно учитывающего её особенности.

42.

Практики, в том числе научно-исследовательская работа

43.

Научно-исследовательская работа

Научно-исследовательская работа направлена на формирование общекультурных и общепрофессиональных компетенций в соответствии с требованиями  ФГОС ВПО. Работа включает этапы: планирования, ознакомление с литературой и тематикой исследовательских работ в этой области, выбор темы исследования, проведение научно-исследовательской работы , анализ результатов работы, сравнение с результатами других авторов, определение практической значимости результатов, публичная защита работы, подготовка результатов научно-исследовательской работы к публикации. Планирование и корректировка индивидуальных планов научно-исследовательской работы магистрантов, обсуждение промежуточных результатов исследования проводится в рамках учебно-научного семинара по магистерской программе.

44.

Научно-исследовательская практика

Целями практики являются:

• применение основных понятий идей и методов фундаментальных математических дисциплин при решении базовых задач;
• решение математических проблем, возникающих при проведении научных и прикладных исследований по профилям направления;
• приобретение практических навыков в будущей профессиональной деятельности или в отдельных ее разделах с учетом предложений работодателей;
• ознакомление с содержанием основных работ и исследований, выполняемых на предприятии или в органиации по месту прохождения практики;
• изучение особенностей строения, состояния, поведения и/или функционирования конкретных технологических процессов;
• принятие участия в конкретных исследованиях, отвечающих профилю направления;
• усвоение приемов, методов и способов обработки, представления и интерпретации результатов проведенных практических исследований;

Задачами практики являются:

• закрепление теоретических знаний, полученных при изучении базовых дисциплин;
• приобретение опыта работы в коллективе;
• развитие навыков разработки, анализа и обоснования адекватности математических моделей;
• развитие навыков использования современных информационных технологий, программных средств, работы в компьютерных сетях;
• развитие навыков по подготовке обзоров аннотаций, составления рефератов, научных докладов, публикации результатов

45.

Государственная итоговая аттестация