Модуль Цифровая культура в бакалавриате

Дисциплина разделена на 3 блока, знакомящих слушателей с основными достижениями в области информационно-коммуникационных технологий.

• Фундаментальный блок содержит в себе лекции по таким направлениям, как архитектура ЭВМ и ОС, технологии программирования, сетевые технологии, искусственный интеллект, информационная безопасность, квантовые технологии, технологии интернета и Web.
• Личностный блок рассматривает персональные проблемы взаимодействия человека и цифрового общества, такие как: цифровая этика, умные вещи или/ и безопасная жизнь, технологии цифровой экономики и блокчейн, культура Интернет-коммуникаций, основы персональной информационной безопасности.
• В сервисном блоке представлены лекции по следующим темам: цифровое образование, цифровые гуманитарные науки, технологии виртуальной, дополненной и смешанной реальности (VR/AR/MR), социальные сети, библиографический поиск.

Курс также включает в себя основы Python. 7 лекций обязательны к просмотру (включают в себя лекции из каждого блока), из остальных можно выбрать то, что вам наиболее интересно.

Трудоемкость дисциплины:

• 3 зачетные единицы
• 108 академических часов

Язык реализации: русский

Форма занятий: Смешанное обучение: лекции и упражнения online, семинары и мастер-классы в очном формате

Форма контроля: Зачет по результатам выполнения онлайн-упражнений курса

Презентация по дисциплине Введение в Цифровую культуру и программирование

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» освещает вопросы, связанные с представлением данных, разведочным анализом, визуализацией. Особое внимание уделяется анализу временных рядов. Модуль «Основы баз данных» освещает вопросы, связанные с организацией современных баз данных. Особое внимание уделяется проектированию и разработке баз данных, основанных на реляционной модели. Модуль «NoSQL-системы» освещает вопросы, связанные с организацией слабоструктурированных и неструктурированных данных. Рассматриваются технологии, характерные для этих систем, классификация и приемы работы с наиболее популярными представителями  хранилищ типа ключ-значение, документных хранилищ, колоночных и графовых.

Базовый и продвинутый уровни обучения для студентов, поступивших в 2022 и позже

Трудоемкость дисциплины:

• 3 зачетные единицы
• 108 академических часов

Язык реализации: русский

Форма занятий: Смешанное обучение: лекции и упражнения online, семинары и мастер-классы в очном формате

Форма контроля: Зачет по результатам выполнения онлайн-упражнений курса

Презентация по дисциплине Хранение и обработка данных

В этом курсе мы познакомим слушателей с основами теории вероятностей, изучим одномерные и многомерные случайные величины, их характеристики, а также увидим в действии закон больших чисел и центральную предельную теорему. Изучение статистики мы начнем с выборочных характеристик, продолжим точечным оцениванием неизвестных параметров генеральной совокупности, сравним точечные и интервальные методы оценивания. Расскажем про задачу проверки гипотез и подробно остановимся на критериях согласия.

Базовый и продвинутый уровни обучения для студентов, поступивших в 2022 и позже

Трудоемкость дисциплины:

• 2 зачетные единицы
• 72 академических часа

Язык реализации: русский

Форма занятий: Смешанное обучение: лекции и упражнения online, семинары и мастер-классы в очном формате

Форма контроля: Зачет по результатам выполнения онлайн-упражнений курса

Дисциплина «Машинное обучение и анализ данных»  знакомит слушателей с задачами машинного обучения, решение которых востребовано в настоящее время. Подробно рассматривается задача регрессии и подходы к ее решению, задача классификации и некоторые метрические и статистические алгоритмы классификации: логистическая регрессия, метод k-ближайших соседей, Байесовский классификатор, а также задача кластеризации с алгоритмами: k-средних и иерархическая (или агломеративная) кластеризация. Дисциплина также рассказывает о более сложных и продвинутых алгоритмах МО для решения различных задач профессиональной области. Он знакомит и с элементами факторного анализа, и с деревьями принятия решений, и ансамблевыми методами. Кроме того, рассматриваются еще и такие ветки машинного обучения, как обучение с подкреплением и нейронные сети.

Базовый и продвинутый уровни обучения для студентов, поступивших в 2022 и позже

Трудоемкость дисциплины: 

• 4 зачетные единицы
• 144 академических часа

Язык реализации: русский

Форма занятий: Смешанное обучение: лекции и упражнения online, семинары и мастер-классы в очном формате

Форма контроля: Зачет по результатам выполнения онлайн-упражнений курса

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.

Курс предполагает 5 лекций и практик.

Пререквизиты: Курс машинного обучения, основы программирования

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. 

Курс предполагает 8 лекций и практик. 

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.

Продолжительность — от 6 недель.

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

Курс посвящен основам концепции “Интернета Вещей”. Основная цель курса — предоставить слушателю базовые знания, необходимые для понимания концепции IoT. В результате прохождения курса слушатели научатся отбирать технологии работы с информацией в зависимости от класса задач в области Интернета вещей, овладеют технологиями программирования и конфигурирования сетевого взаимодействия устройств Интернета вещей.

Продолжительность — 6 лекций (недель) и итоговый зачет.

Итоговая аттестация — выполнение упражнений каждой недели курса с минимальным порогом 50%, выполнение итогового зачета (очно или с прокторингом) с минимальным порогом 50%. 

Пререквизиты: обязательно знание английского языка (лекции и задания на английском языке), базовые навыки программирования.

Авторы курса: Капитонов Александр Александрович (декан  факультета инфокоммуникационных технологий), Чернов Валерий Андреевич (техник факультета систем управления и робототехники) и другие. Курс доступен в расширенном объеме на платформе edX:   https://www.edx.org/professional-certificate/itmox-iot-from-hardware-to-practice

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 

Курс предполагает 5 лекций и практик.

Пререквизиты: Курс машинного обучения, курс по  нейронным сетям, основы программирования.

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