Машинное обучение и искусственный интеллект: программа бакалавриата ДГТУ

В рамках этой программы студенты изучают различные аспекты и методы машинного обучения, компьютерного зрения, обработки естественного языка и искусственного интеллекта. Они изучают алгоритмы и модели машинного обучения, анализ данных, статистику, а также программирование и разработку информационных систем. Студенты получают знания и навыки, необходимые для создания и развертывания интеллектуальных систем, которые могут обрабатывать и анализировать большие объемы данных, принимать решения и выполнять задачи автоматически. Они также изучают этические и социальные аспекты применения и разработки таких систем, чтобы быть осведомленными о возможных последствиях и влиянии своей работы на общество. В целом, программа обеспечивает студентов необходимыми знаниями и навыками для работы в области информационных систем и технологий с фокусом на развитие и применение интеллектуальных систем и машинного обучения.

В рамках профиля производится подготовка специалистов, владеющих интеллектуальными информационными технологиями и методами машинного обучения, способных проводить анализ данных, разрабатывать информационные системы с использованием технологий больших данных и искусственного интеллекта для решения прикладных задач.

Основные дисциплины:

• Логика
• Иностранный язык
• Цифровая культура
• Правовая и финансовая грамотность
• Безопасность жизнедеятельности
• Высшая математика
• Физика
• Дискретная математика
• Прикладная математика
• Основы исследовательской деятельности
• Методы анализа данных
• Компьютерная графика
• Информационная безопасность
• Операционные системы
• Алгоритмизация и программирование
• Моделирование информационных процессов и систем
• Архитектура информационных систем
• Управление данными
• Проектирование информационных систем
• ИТ-менеджмент
• Программирование (модуль)
• Разработка программных решений (модуль)
• Специальные главы математики для машинного обучения
• Технологии искусственного интеллекта и создание интеллектуальных систем
• Методология сбора данных
• Технологии обработки и хранения больших данных
• Инженерия признаков
• Визуализация данных
• Машинное обучение. Классические методы и алгоритмы
• Оценка качества моделей
• Нейронные сети
• Разработка ML-приложений
• Обработка изображений
• Обработка естественного языка
• Обработка временных рядов
• Глубокое обучение для прикладных задач
• Встраивание моделей машинного и глубокого обучения в информационную систему.