Модуль Цифровая культура в бакалавриате

Дисциплина разделена на 2 модуля: обязательную и вариативную часть.

В обязательную часть курса входят лекции по таким направлениям, как архитектура ЭВМ и операционные системы, технологии программирования, сетевые технологии, информационная безопасность, встроенные системы и библиографический поиск. Лекции обязательной части курса знакомят с основными достижениями в области информационно-коммуникационных технологий и дают базовые знания, которые будут полезны в изучении последующих материалов курса.

Вторая часть курса — вариативная. Мы предлагаем проложить свою индивидуальную траекторию, выбрав наиболее интересные для вас разделы. Здесь и блок лекций, в котором рассматриваются персональные проблемы взаимодействия человека и цифрового общества, такие как: цифровая этика, умные вещи, технологии цифровой экономики и блокчейн, культура Интернет-коммуникаций. И более технические лекции —  цифровое образование, цифровые гуманитарные науки, технологии виртуальной, дополненной и смешанной реальности (VR/AR/MR), социальные сети. И наконец, блок лекций по Python, который поможет прокачать свои навыки программирования с нуля! 

Трудоемкость дисциплины: 3 зачетные единицы

Язык реализации: русский

Форма контроля: Зачет 

Дисциплина состоит из трех модулей: «Введение в обработку и анализ данных», «Основы баз данных» и «Основы NoSQL систем». 

Модуль «Введение в обработку и анализ данных» включает лекции о представлении данных, способах визуализации данных и разведочном анализе. Особое внимание уделяется анализу временных рядов, приемам сглаживания, определения трендов, построения моделей периодических временных рядов.

Модуль «Основы баз данных» посвящен организации современных баз данных. Подробно рассматриваются вопросы проектирования данных в реляционной модели, составление запросов на языке SQL.

Модуль «NoSQL-системы» освещает вопросы, связанные с организацией слабоструктурированных и неструктурированных данных. Слушатели знакомятся с технологиями, характерными для этих систем, их классификацией и учатся работать с наиболее популярными хранилищами: «ключ-значение», документными, колоночными и графовыми. 

В ходе изучения дисциплины на продвинутом уровне студенты научатся создавать свои собственные хранилища данных, наполнять хранилища структурами для хранения и поддержки согласованности данных, писать эффективные запросы к данным и управлять механизмом транзакций. Для создания таких хранилищ будет доступен облачный сервис СУБД Postgres Pro Enterprise.

Трудоемкость дисциплины: 3 зачетные единицы

Язык реализации: русский

Форма контроля: Зачет по результатам выполнения онлайн-упражнений курса

Первая часть предлагаемого курса знакомит слушателей с основными «китами» теории вероятностей: понятиями вероятностного пространства, случайной величины, ее распределения. Эти понятия оказываются незаменимыми как при изучении машинного обучения, так и при построении различных архитектур нейронных сетей. Кроме того, курс осветит такие важные числовые характеристики случайных величин как математическое ожидание (характеристика среднего), дисперсия (характеристика разброса), а также прольет свет на многомерные случайные величины и меры их зависимости.

Вторая часть курса посвящена прикладной статистике – дисциплине, которая по довольно общему набору данных позволяет определить основные тенденции, тренды в нем. Вместе мы изучим методы построения точечных оценок неизвестных параметров, которые, опять-таки, находят применения в построении функций потерь и обучении методов машинного обучения; обсудим понятие доверительных интервалов и освоим подходы к выдвижению и проверке статистических гипотез.

При изучении дисциплины на продвинутом уровне вы научитесь строить вероятностные модели и моделировать вероятностные закономерности при помощи языка программирования Python и популярных, общепринятых библиотек: scipy.stats, numpy. Кроме того, вы научитесь применять статистические пакеты для качественного анализа данных и получения статистически значимых выводов.

Трудоемкость дисциплины: 3 зачетные единицы

Язык реализации: русский

Форма контроля: Зачет 

Предлагаемая дисциплина знакомит слушателей с современными подходами к решению задач классического машинного обучения. Вам расскажут про задачи регрессии, классификации и кластеризации, а также про методы их решения; осветят вопросы переобучения, недообучения, регуляризации, инженерии признаков, и многие другие.

Вы узнаете такие алгоритмы как: мультиномиальная и полиномиальная регрессии, логистическая регрессия, методы k ближайших соседей, опорных векторов, K-средних, их модификации и обобщения. Вы также не оставите без внимания деревья принятия решений, ансамбли моделей, методы понижения размерности и ознакомитесь с подходами к обучению без учителя.

При изучении дисциплины на продвинутом уровне, вы не только научитесь правильно применять библиотеки из «черных ящиков», но и настраивать параметры алгоритмов, выбирать наиболее удачные алгоритмы оптимизации, осуществлять эффективную предобработку данных и выбор оптимальных признаков для обучения моделей.

Трудоемкость дисциплины:  3 зачетные единицы

Язык реализации: русский

Форма контроля: Зачет

Курс знакомит слушателей с основными задачами информационной безопасности, которые могут быть решены с применением методов машинного обучения. Вы узнаете основные понятия и направления информационной безопасности, познакомитесь с основными подходами и алгоритмами на примере решения задач защиты информации. На примере решения задач из области информационной безопасности научитесь предсказывать и выявлять сетевые атаки, проводить анализ спама, настраивать алгоритмы биометрической идентификации, анализировать и выявлять вирусы и пр. В том числе курс включает в себя изучение вопросов безопасности систем и методов машинного и глубокого обучения, а также возможности проведения атак на такие системы.

После окончания курса вы научитесь применять основные методы машинного обучения (регрессию, классификацию и кластеризацию) к решению задач информационной безопасности.

Пререквизиты: Машинное обучение.

Авторы курса: Воробьева Алиса Андреевна (доцент факультета безопасности информационных технологий), Коржук Виктория Михайловна (ассистент факультета безопасности информационных технологий) и другие.

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет.

Курс предназначен для тех, кто начинает свое знакомство с сетевыми технологиями, или хочет обобщить свой существующий практический опыт. После прохождения курса у учащегося появится представление о принципах и архитектурах сетевой коммуникации на примере стека TCP\IP. В курсе рассмотрены следующие вопросы:

• Модель OSI, архитектура стека, принципы сетевой коммуникации.
• Локальные сети на примере протоколов IEEE 802.3 (ETHERNET)
• Коммуникационное оборудование Ethernet, коммутаторы L2 и L3, наиболее востребованные функции коммутаторов.
• Архитектура стека TCP\IP.
• Протоколы IPv4 и IPv6.
• Основы маршуртизации и трансляции адресов.
• Работа протоколов TCP и UDP.
• Архитектура и принципы работы DNS.
• Предусмотрены практические задания на ОС Linux. 
• Предполагаемая продолжительность курса 10 недель. 

Пререквизиты: Начальные навыки работы в консоли Linux (вызов команд, редактирование файлов, получение встроенной справки). Владение двоичной системой счисления, битовыми логическими операциями. Владение базовыми понятиями теории графов.

Автор курса: Береснев Артем Дмитриевич (старший преподаватель  факультета инфокоммуникационных технологий)

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет

Курс знакомит слушателей с алгоритмами и инструментами для обработки текстов на естественном языке. После краткого введения в историю области будут рассмотрены подходы, работающие с языком на разных уровнях: от токенизации до синтаксического разбора. Основное внимание будет уделено подходам на основе машинного обучения по данным.

По окончании курса вы будете иметь представление о ландшафте методов современного автоматического анализа текста и опыт использования нескольких наиболее важных инструментов. В том числе pymorphy2, mystem, NLTK, scikit-learn, UDPipe и др.

Курс по-своему уникален: его подготовкой занимались специалисты по компьютерной лингвистике и прикладной обработке текстов, у каждого из которых свой взгляд на обработку языка как науку — и на свою область экспертизы. Надеемся, что это лишь сделает курс ещё интереснее.

Пререквизиты: Минимальный уровень подготовки: основы линейной алгебры, основы классической вероятности, основы алгоритмов и программирования, владение русским или английским языками.

Автор курса:  Антон Михайлович Алексеев (Computer Science Center, Steklov Institute of Mathematics at St. Petersburg)

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет

Основная цель курса — предоставить слушателю базовые знания, необходимые для понимания концепции Интернета Вещей. В результате прохождения курса слушатели узнают основные цифровые технологии и алгоритмы в рамках концепции Интернета вещей, научатся отбирать технологии работы с информацией в зависимости от класса задач в данной области, получат навыки владения технологиями программирования и конфигурирования сетевого взаимодействия Интернета вещей.

Пререквизиты: базовые навыки программирования.

Авторы курса: Муромцев Дмитрий Ильич, Шматков Владислав Николаевич, Орипова Азиза Алишеровна

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет. 

Курс знакомит слушателей с основными алгоритмами анализа изображений. Вы узнаете о различных способах цифрового представления изображений, цветовых моделях. Будут рассмотрены преобразования изображений (яркостные, цветовые) и фильтрация (пространственная, частотная) изображений. В результате прохождения курса, слушатели узнают о применении различных видов нейронных сетей (AlexNet, ResNets, VGGs, Inception) для классификации изображений, а также о двухфазных и однофазных алгоритмах: YOLO, SSD, Mask-R-CNN 

Пререквизиты: основы программирования на Python

Автор курса: Наталья Васильева (Computer Science Center, HP Labs)

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет

На курсе рассматриваются основные задачи из области компьютерного зрения, вокруг которых сконцентрировано внимание научного сообщества и промышленности. В рамках данного курса изучаются наиболее распространенные современные методы решения рассматриваемых проблем.

Пререквизиты: математическая статистика, вычислительные методы и анализ данных, а также общая подготовка в области математического анализа, линейной алгебры и дифференциальной геометрии, Python (ООП), нейронные сети.

Автор курса: Самарин Алексей Владимирович

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет

Данный курс познакомит слушателей с основами криптографии. Будут рассмотрены  некоторые исторические шифры, лежащие в основе современных криптоалгоритмов. Современные алгоритмы шифрования: стандарты шифрования DES, AES, ГОСТ 28147-89, GSM, асимметричные алгоритмы шифрования и математические задачи, на которых они основываются (алгоритм RSA, криптосистема рюкзак). Поговорим о гибридных криптосистемах, также рассмотрим алгоритмы подписи, идею криптографических хэш-функций и немного поговорим о криптоанализе.

Пререквизиты: Теория чисел, дискретная математика, навыки программирования на любом языке

Автор курса:  к. ф. м.-н., доцент Левина Алла Борисовна

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет

В курсе рассматриваются виды социальных сетей, задачи анализа и классификации. Слушатели познакомятся с методами извлечения и агрегирования информации из социальных сетей. Научатся решать различного рода задачи, в том числе предложение друзей для пользователя, поиск негативных высказываний, поиск упоминаний компаний и людей. 

Пререквизиты: уверенные навыки программирования, основы теории графов, Python (ООП).

Автор курса: Малых Валентин Андреевич

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет

В курсе освещаются основные достижения искусственного интеллекта в различных сферах человеческой деятельности. Будет рассмотрено применение основных технологий, лежащих в основе ИИ, включая онтологии и графы знаний, нейронные сети, технологии дополненной реальности, компьютерное зрение и многое другое. Цель курса — дать представления о том, как современные технологии трансформируют сферы деятельности человека: от распознавания речи, биометрии и информационной безопасности, до пассажирских перевозок и сегмента потребительских товаров и услуг.

Авторы курса: сборный курс от нескольких авторов

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет

Дисциплина рассматривает теоретические и практические вопросы проектирования и моделирования систем массового обслуживания, применение математических методов при решении задач оптимизации компьютерных сетей, систем связи, технических систем и экономических процессов, в которых возникают задержки в обслуживании или очереди, реализации их моделей с использованием математических пакетов программ. В курсе рассматриваются одноканальные и многоканальные СМО как с ограничением, так и без ограничения на длину очереди.

Автор курса: Лукина Марина Владимировна

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет

Современность отличает мощный процесс цифровизации почти всех сфер деятельности человека. Информационные технологии проникают повсеместно. Аналоговая обработка сигналов почти полностью вытесняется цифровой, практика перевода сигнала в цифровую форму и дальнейшие манипуляции с ним уже «в цифре» является сейчас доминирующей при работе с сигналами самой различной природы. Сегодня цифровая обработка сигналов (digital signal processing - DSP, ЦОС) является ядром множества видов новейших цифровых разработок и различных приложений в информационном обществе (например, цифровая мобильная связь, цифровые видеокамеры, телевидение и системы звукозаписи). Именно поэтому курс нацелен на изучение именно цифровой обработки сигналов, а методы, рассмотренные в курсе, являются универсальными.

Необходимые для понимания и освоения курса знания включают в себя университетские программы высшей математики, программирования и работы с математическим пакетом MATLAB в объёме первого и второго годов обучения.  В ходе освоения курса происходит знакомство не только с теоретической базой, но также осваиваются практические навыки анализа и трансформации цифровых сигналов при помощи системы MATLAB. Задания, даваемые после лекций, направлены на отработку этих теоретических и практических навыков анализа и фильтрации дискретных и цифровых сигналов во временной и частотной областях, построения КИХ- и БИХ-линейных систем (систем с конечной (КИХ) и бесконечной (БИХ) импульсной характеристикой), а также навыки компьютерной обработки изображений.

Пререквизиты: университетские курсы высшей математики, программирования и работы с математическим пакетом MATLAB в объёме первого и второго годов обучения

Автор курса: Орлов Алексей Анатольевич (научный сотрудник, физико-технический факультет)

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет

Autodesk 3ds Max — программное обеспечение для 3D-моделирования и визуализации, позволяющее работать с визуализацией проектов, играми и анимацией. 3ds Max предоставляет обширный гибкий инструментарий для создания первоклассных проектов с полным контролем художественного замысла. Курс составлен таким образом, что даже новичок, без особых трудностей освоит новый, незнакомый материал. Отобранные обучающие примеры и практические задачи позволяют постепенно раскрыть особенности трехмерного моделирования в системе моделирования 3ds Max.

Разработчик курса: Международный образовательный научный центр «Autodesk» ИТМО

Преподаватель курса: Ермолова Татьяна Константиновна

Трудоемкость дисциплины: 3 зачетные единицы, 108 академических часов

Форма контроля: зачет