Applied Statistics and Data Science

Master's programme

Educational plan

Type:
Master
Speciality:
056201.04.7 - Statistics
Specialisation:
056201.04.7 - Applied statistics and data science
Programme academic year:
2024/2025
Mode of study:
Full time
Language of study:
Հայերեն

General educational component

Chair code Name of the course Credits
1st semester
Classroom hours - 2 hours per week
2 hours practical, 4 hours independent work per week
MANDATORY
0105/Մ01
1. Purpose of the Course
· introduce students to the basics of the Python programming language.
· To learn to work with data, variables, arrays, functions.
· Develop skills that will allow students to design solutions to non-trivial problems using Python.
· To enable students to use the basics of object oriented programming.
2. Educational Outcomes
a. professional knowledge and expertise
1. Present the structure of the Python language, basic grammar, variable types.
2. Use the basics of object-oriented programming.
b. practical professional skills
3. Write computer programs using the Python programming language.
4. Implement various algorithms using the Python programming language.
5. Use the Numpy package in calculations.
3. Description
· introduce students to the basics of the Python programming language.
· To learn to work with data, variables, arrays, functions.
· Develop skills that will allow students to design solutions to non-trivial problems using Python.
· To enable students to use the basics of object oriented programming.
4. Teaching and Learning Styles and Methods
1. Presentation with Power point materials.
2. Practical works in computer classrooms.
5. Evaluation Methods and Criteria
The test is conducted by questionnaires with a maximum value of 20 points. Students who get 10 or more points from the test in the 20-point system will be considered to have passed the test.
6. Basic Bibliography
  • Python Crash Course. A Hands-On, Project-Based Introduction to Programming 1st Edition by Eric Matthes, 2015.
  • A. Shaw, Learn Python The Hard Way third edition 2014.
  • Wesley J. Chun Core Python Programming, Second edition 2009.
  • Wes McKinney, Python for Data Analysis, Third edition 2014.
1st semester
Classroom hours - 2 hours per week
1 hour lecture, 1 hour practical, 4 hours independent work per week
MANDATORY
0105/Մ02
1. Purpose of the Course
● acquaint students with data storage and management systems,
● enable students to design and build databases using modern technologies,
● acquaint students with SQL-language and DBMS packages.
2. Educational Outcomes
a. professional knowledge and expertise
1. describe the processes of physical and logical database design and database modeling,
2. use the basic concepts of DBMS,
b. practical professional skills
3. to design databases,
c. generic/transferable skills
4. write queries and perform analyzes using the capabilities of the SQL language.
3. Description
● acquaint students with data storage and management systems,
● enable students to design and build databases using modern technologies,
● acquaint students with SQL-language and DBMS packages.
4. Teaching and Learning Styles and Methods
1. lectures,
2. practical work using computer programs,
3. individual work with computer programs and literature.
5. Evaluation Methods and Criteria
The course is evaluated for a maximum of 20 points.
1. Tests with a maximum value of 6 points (30%).
2. Independent work with a maximum value of 6 points (30%).
3. Final exam with a maximum value of 8 points (40%).
6. Basic Bibliography
  • Database system concepts. Silberschatz, Abraham, Henry F. Korth, and S Sudarshan. 6th ed., 2010.
  • Fundamentals of Database Systems, 6th ed., Elmasri & Navathe, Addison-Wesley, 2011.
  • Thomas Connolly and Carolyn Begg, "Database Systems, A Practical Approach to Design, Implementation, and Management", Addison Wesley, Fourth Ed. 2001.
  • An Introduction to Database Systems, by CJ Date, Addison-Wesley, 2003.
1st semester
Classroom hours - 2 hours per week
2 hours practical, 4 hours independent work per week
MANDATORY
1603/Մ03
1. Purpose of the Course
· To develop English communication skills based on a professional speech patterns used in the field,
· to form the necessary abilities in all manifestations of speech (reading, listening, writing and speaking) deepening knowledge of basic vocabulary,
· introduce the strategy and principles of professional writing.
2. Educational Outcomes
a. professional knowledge and expertise
1. apply knowledge of a foreign (English) language to the extent necessary to extract information of a professional nature from foreign language sources,
b. practical professional skills
2. will have knowledge of general and professional vocabulary in a foreign (English) language to the extent necessary for professional communication, as well as for reading and translating texts,
c. generic/transferable skills
3. will be able to compose a clear, well-structured text on a professional topic in a foreign language, describe his experience and events, present justifications for his own opinions and goals.
3. Description
· To develop English communication skills based on a professional speech patterns used in the field,
· to form the necessary abilities in all manifestations of speech (reading, listening, writing and speaking) deepening knowledge of basic vocabulary,
· introduce the strategy and principles of professional writing.
4. Teaching and Learning Styles and Methods
· Collaborative Learning,
· Problem based method
· Spaced Learning,
· "World Cafe"
· Flipped classroom method
· case based method
· Inquiry Based Learning.
5. Evaluation Methods and Criteria
Test.
Evaluation methods:
Progress assessment, "Portfolio" assessment/Portfolio assessment, Language skills assessment/Proficiency assessment).
Criteria:
Check past professional topics, chat on professional topics, check mandatory assignments.
6. Basic Bibliography
  • Maier-Fairclough J. & Butzphal G. Career Express Business English (C1). Reading UK: Garnet Publishing Ltd., 2012.
  • MacKenzie I. Professional English in Use / Finance. Cambridge: Cambridge University Press, 2010.
  • The Intensive course for the Senior Students of the Institute of Mathematics, Economics & Mechanics, OA Rumyanceva, 2015.
  • Oxford English for Information Technology, Eric H. Glendinning, John McEwan, 2006.
  • Master P. English Grammar and Technical Writing. US, 2004.
  • Linville L. Academic Skills Achievement Program. Boston: IRWIN Mirror Press, 1994.
  • Other necessary materials
  • Podcasts:
  • Eslgold.com
  • BBC: The English we speak - english-we-speak
  • FluentU
  • TEDx Talks
1st semester
Classroom hours - 2 hours per week
2 hours practical, 4 hours independent work per week
MANDATORY
1604/Մ03
1. Purpose of the Course
· deepen and improve as much as possible all language skills (reading-understanding-reproducing, listening-understanding-reproducing, speaking, writing),
· to develop the skills and abilities to communicate in German,
· deepen general and professional language vocabulary, grammar and stylistic characteristics knowledge.
2. Educational Outcomes
a. professional knowledge and expertise
1. create professional and general communicative texts monologues and dialogues,
2. distinguish the inconsistencies of the mother tongue and the studied foreign language, to understand the means of their transfer in both languages,
3. define all layers of professional vocabulary with the aim of their precise use,
4. present and interpret professional viewpoints and arguments, formulate, compose, justify personal opinion, discuss, debate current issues of profession,
b. practical professional skills
5. while listening or reading the text, take notes for later use in writing, logically and clearly constructing the essay,
6. to build a verbally connected speech describing phenomena, events, justifying one's point of view,
c. generic/transferable skills
7. effectively use various information sources (including the Internet) to gather, critically analyze and present information.
Upon successful completion of the course, the student's knowledge and abilities must correspond to the level A2-B1 of the Pan-European Framework of Reference for Languages (CEFR).
3. Description
· deepen and improve as much as possible all language skills (reading-understanding-reproducing, listening-understanding-reproducing, speaking, writing),
· to develop the skills and abilities to communicate in German,
· deepen general and professional language vocabulary, grammar and stylistic characteristics knowledge.
4. Teaching and Learning Styles and Methods
1. practical training under the guidance of a lecturer,
2. individual and group work,
3. individual and team research work,
4. independent work
5. oral presentation (realization of an individual independent project),
6. written and oral examination/questionnaire,
7. discussion of situational problems.
5. Evaluation Methods and Criteria
The course ends with a test. It tests the material passed, taking into account the degree of acquisition and reproduction of basic general and professional vocabulary, as well as the basic patterns characteristic to German.
6. Basic Bibliography
  • DaF kompakt neu A1 - B1. Klett Verlag Stuttgart, 2016.
  • Meltonjan G., Soghomonjan K., Diwanjan N. Deutsch (für Stufen A2-B1). Jerewan, Verlag der Universität Jerewan, 2022.
  • Gabrieljan J. u. a., Praktische deutsche Grammatik, Jerewan, 2017.
1st semester
Classroom hours - 2 hours per week
2 hours practical, 4 hours independent work per week
MANDATORY
1705/Մ03
1. Purpose of the Course
· to develop students' language skills and communication abilities in all areas of linguistic activity,
· ensure the application of the language knowledge and skills students already gained for professional purposes,
· expand the vocabulary of the professional language, deepen the knowledge about the morphological, syntactic and stylistic features of the professional language.
2. Educational Outcomes
a. professional knowledge and expertise
1. demonstrate in-depth knowledge of professional language vocabulary,
2. demonstrate knowledge of basics of creating professional text summaries,
b. practical professional skills
3. analyze the listened/read professional text, separating the main content from the secondary content, independently compose a text on a professional topic,
4. to prepare abstracts, reports, summaries of scientific texts on professional topics,
c. generic/transferable skills
5. to expand the possibilities of receiving information from Russian-language sources,
6. discuss and analyze professional issues in Russian.
3. Description
· to develop students' language skills and communication abilities in all areas of linguistic activity,
· ensure the application of the language knowledge and skills students already gained for professional purposes,
· expand the vocabulary of the professional language, deepen the knowledge about the morphological, syntactic and stylistic features of the professional language.
4. Teaching and Learning Styles and Methods
· practical training
· independent work
· team work,
· oral presentation
· written and oral quizzes.
5. Evaluation Methods and Criteria
The course ends with an oral exam based on the results of the final written exam at the end of the semester.
6. Basic Bibliography
  • Амиантова Э.И. Лексика русского языка. Сборник упражнений. Москва, Наука, 2006.
  • Аникина М.А. Синтаксис сложноподчиненного предложения, Москва, Русский язык, 2000.
  • Балыхина Т.М. Формы работы над учебным текстом по специальности// Методические рекомендации к обучению учебно-профессиональному общению студентов-иностранцев и специалистов в вузах нефилологического профиля, Донецк, 1990.
  • Демидова А.К. Пособие по русскому языку. Научный стиль речи. Оформление научной работы, Москва, Русский язык, 1991.
  • Ласкарева Е.Р. Чистая грамматика, СПБ, Златоуст, 2006.
  • Хавронина С.А, Клобукова Л.П, Михалкина И.В. Курс для деловых людей, Москва, ПАИМС, 1993.
1st semester
Classroom hours - 2 hours per week
2 hours practical, 4 hours independent work per week
MANDATORY
1608/Մ03
1. Purpose of the Course
· To develop abilities of perception and interpretation of scientific texts
· To introduce different aspects of scientific French at different levels (phonetic - tonal, verbal morphological-syntactic, stylistic),
· To develop scientific communication abilities.
2. Educational Outcomes
a. professional knowledge and expertise
1. to discuss linguistic and stylistic aspects of various scientific texts,
2. to describe linguistic terminology related to different problems,
b. practical professional skills
3. perform an analysis of the communicative potential of scientific texts,
4. translace in practice different scientific texts from French to Armenian and viceversa
c. general/transferable skills
5. use of information from variety of sources (online resources, scientific articles and etc),
6. apply the obtained knowledge also for other adjacent disciplines, within the framework of the study program.
3. Description
· To develop abilities of perception and interpretation of scientific texts
· To introduce different aspects of scientific French at different levels (phonetic - tonal, verbal morphological-syntactic, stylistic),
· To develop scientific communication abilities.
4. Teaching and Learning Styles and Methods
practical classes, reading of the assigned literature, discussions, independent research work, group work, innovative methods of teaching: communicative, interactive, etc
5. Evaluation Methods and Criteria
The course ends with a pass/no pass test.
6. Basic Bibliography
  • Parizet, M.L., E. Grandef, M. Corsain Collection activités pour le cadre commun. Activités pour le cadre européen commun de référence. B. 1. ClE International, 2006.
  • Boulares, M., J.L. Frerot Grammaire progressive du francais Niveau avancé. ClE International, 2004.

Professional educational component

Chair code Name of the course Credits
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ04
1. Purpose of the Course
● ուսանողներին ծանոթացնել օպտիմիզացիայի տեսական և թվային մեթոդներին, մասնավորապես՝ առանց սահմանափակումների ու սահմանափակումներով վերջավոր չափանի ողորկ օպտիմիզացիայի տեսությանն ու թվային լուծման ալգորիթմներին գծային և ուռուցիկ ծրագրավորման տարրերին։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. դասակարգել օպտիմիզացիոն խնդիրները,
2. ուսումնասիրել էքստրեմումների գոյության ու միակության հարցերը, ստուգել էքստրեմումների անհրաժեշտ ու բավարար պայմանները,
3. կառուցել գծային ծրագրավորման երկակի խնդիրը,
բ. գործնական մասնագիտական կարողություններ
4. օգտագործել թվային մեթոդներ՝ գտնելու համար բազմաչափ ֆունկցիաների (առանց սահմանափակումների կամ դրանց առկայությամբ) էքստրեմումի կետերը,
5. տարբեր կիրառական խնդիրներ ձևակերպել որպես գծային ծրագրավորման խնդիրներ,
6. օգտագործել թվային ալգորիթմներ՝ լուծելու համար գծային ծրագրավորման խնդիրները,
գ. ընդհանրական/փոխանցելի կարողություններ
7. աշխատել գրականության հետ, աշխատել թիմում։
3. Description
● ուսանողներին ծանոթացնել օպտիմիզացիայի տեսական և թվային մեթոդներին, մասնավորապես՝ առանց սահմանափակումների ու սահմանափակումներով վերջավոր չափանի ողորկ օպտիմիզացիայի տեսությանն ու թվային լուծման ալգորիթմներին գծային և ուռուցիկ ծրագրավորման տարրերին։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական խնդիրների լուծում,
3. խմբային նախագծի կատարում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Stephen Boyd and LievenVandenberghe, Convex Optimization, Cambridge University Press, available on-line at .
  • Edwin K. P. Chong, Stanislaw H. Zak, An Introduction to Optimization, 4th Ed, Volume 76 of Wiley Series in Discrete Mathematics and Optimization, John Wiley & Sons, 2013.
  • Jorge Nocedal, Stephen J. Wright , Numerical Optimization, Springer, 2006.
7. Main sections of the course
● ուռուցիկ բազմություններ և ֆունկցիաներ,
● առանց սահմանափակումների վերջավոր չափանի օպտիմիզացիա,
● առանց սահմանափակումների օպտիմիզացիոն խնդիրների թվային լուծման եղանակներ,
● սահմանափակումներով վերջավոր չափանի օպտիմիզացիա,
● սահմանափակումներով օպտիմիզացիոն խնդիրների թվային լուծման եղանակներ,
● գծային ծրագրավորում, երկակիություն, լուծման ալգորիթմներ։
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ05
1. Purpose of the Course
● ուսանողներին ծանոթացնել ժամանակակից տնտեսաչափական մոդելներին ու գործիքներին,
● ծանոթացնել ռեգրեսիոն անալիզին, գործակիցների գնահատմանն ու դրանց հատկությունների ուսումնասիրմանը:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կատարել ռեգրեսիոն վերլուծություն տարածական տվյալների (cross-sectional data) հետ,
2. կատարել ռեգրեսիոն վերլուծություն ժամանակային շարքերի տվյալների (time seires data) հետ,
3. ուսումնասիրել ռեգրեսիայի հատկությունները, ստուգել վարկածներ,
բ. գործնական մասնագիտական կարողություններ
4. կատարել մոդելի ընտրություն,
5. կատարել ռեգրեսիոն վերլուծություն՝ օգտագործելով համակարգչային փաթեթներ,
6. կատարել տարբեր բնույթի տնտեսական տվյալների փոխկապակցվածության մոդելավորում ու կանխատեսում։
3. Description
● ուսանողներին ծանոթացնել ժամանակակից տնտեսաչափական մոդելներին ու գործիքներին,
● ծանոթացնել ռեգրեսիոն անալիզին, գործակիցների գնահատմանն ու դրանց հատկությունների ուսումնասիրմանը:
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ,
2. գործնական խնդիրների լուծում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Jeffrey Wooldridge, Introductory Econometrics, A Modern Approach, 5-th edition, Cengage Learning, 2012.
  • William Greene, Econometric Analysis, 7th Ed., Pearson, 2012.
  • James Stock, Mark Watson, Introduction to Econometrics, 3rd Ed., Addison-Wesley, 2010.
  • Магнус Я.Р., Катышев П.К., Пересецкий А.А., Эконометрика,6-ое издание, Москва,«Дело», 2004.
7. Main sections of the course
● պարզ (զույգային) ռեգրեսիա,
● բազմաչափ ռեգրեսիա,
● ռեգրեսիոն գործակիցների հատկությունները, վարկածների ստուգում,
● մուլտիկոլինեարություն, կեղծ փոփոխականներ, հետերոսկեդաստիկություն,
● ռեգրեսիոն վերլուծություն ժամանակային շարքերի հետ,
● Logit և Probit մոդելներ։
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ06
1. Purpose of the Course
սովորեցնել մաթեմատիկական անալիզի, գծային հանրահաշվի, հավանականությունների տեսության և թվային մեթոդների այն հասկացությունները, որոնք անհրաժեշտ են վիճակագրության, օպտիմիզացիայի և մեքենայական ուսուցման դասընթացներում։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. գտնել լոկալ և հարաբերական էքստրեմումներ,
2. հաշվել պատահական մեծությունների նկարագրիչները,
բ. գործնական մասնագիտական կարողություններ
3. իջեցնել տվյալների չափողականությունը PCA մեթոդով,
4. մոտարկել տվյալները GMM-ով,
գ.ընդհանրական/փոխանցելի կարողություններ
5. օգտվել տեղեկատվության տարատեսակ աղբյուրներից։
3. Description
սովորեցնել մաթեմատիկական անալիզի, գծային հանրահաշվի, հավանականությունների տեսության և թվային մեթոդների այն հասկացությունները, որոնք անհրաժեշտ են վիճակագրության, օպտիմիզացիայի և մեքենայական ուսուցման դասընթացներում։
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք,
2. անհատական ու թիմային հանձնարարականներ ուսանողներին։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն. հետազոտական աշխատանքի ներկայացում ՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 3 միավոր առավելագույն արժեքով (15%),
4. Եզրափակիչ քննություն՝ 9 միավոր առավելագույն արժեքով (45%)։
6. Basic Bibliography
  • Calculus, 7th Ed, by James Stewart, 2012.
  • Linear Algebra: A Modern Introduction, Fourth Edition, by David Poole, 2014.
  • Probability Theory: The Logic of Science 1st Edition by E. T. Jaynes, 2003.
  • M. Deisenroth, A. Faisal, and C. Ong., Mathematics for Machine Learning, Cambridge University Press, (2020).
7. Main sections of the course
1. մաթեմատիկական անալիզի տարրեր ( մասնակի ածանցյալներ, գրադիենտ, շղթայի կանոն, էքստրեմումներ),
2. գծային հանրահաշվի տարրեր (ԳՀՀ լուծում Գաուսի մեթոդով, -1-հնարք, պրոյեկցիայի օպերատորներ, Խոլեցկայի վերլուծություն, SVD, փոքրագույն քառակուսիների խնդիրը),
3. հավանականության տեսության տարրեր (պատահական մեծություններ և դրանց նկարագրիչներ, ստանդարտ բաշխումներ),
4. թվային մեթոդներ (PCA, GMM, EM ալգորիթմներ)։
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ07
1. Purpose of the Course
▪ նկարագրել դասական վիճակագրական մոդելներն ու մեթոդները,
▪ սովորեցնել R ծրագրավորման լեզվի հիմունքները,
▪ սովորեցնել վիճակագրական մոդելների իրագործումը R-ում։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. տարբեր գործնական խնդիրների համար ընտրել համապատասխան վիճակագրական մոդելները,
2. ճանաչել R լեզվի հիմնական հրամանները,
3. նկարագրել վիճակագրական մոդելի լուծման ալգորիթմը R լեզվով,
բ. գործնական մասնագիտական կարողություններ
4. կազմել ծրագրեր R լեզվով,
5. կառուցել տարբեր կիրառական խնդիրների համար վիճակագրական մոդելներ,
6. լուծել կոնկրետ կիրառական խնդիրներ R լեզվի օգնությամբ:
3. Description
▪ նկարագրել դասական վիճակագրական մոդելներն ու մեթոդները,
▪ սովորեցնել R ծրագրավորման լեզվի հիմունքները,
▪ սովորեցնել վիճակագրական մոդելների իրագործումը R-ում։
4. Teaching and Learning Styles and Methods
1. Տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով:
2. Անհատական/թիմային հանձնարարականների կատարում:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն. հետազոտական աշխատանքի ներկայացում ՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%),
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Larry Wasserman, All of Statistics: A Concise Course in Statistical Inference, Springer Texts in Statistics, Springer, 2003.
  • Jay Devore, Kenneth N. Berk,Matthew Carlton Modern Mathematical Statistics with Applications (Third Edition), Springer, 2021.
  • George Casella, Roger Berger, Statistical Inference (Second Edition), Duxbury, 2002.
  • Peter Dalgaard, Introductory StatisticsWith R, 2nd Ed., Springer, 2008.
7. Main sections of the course
● Ծրագրավորման R լեզուն:
● Նկարագրական վիճակագրություն։
● Կետային և միջակայքային գնահատականներ։
● Վիճակագրական վարկածների ստուգումը։
● Ոչ պարամետրական վարկածներ։
● Հիմնական վիճակագրական բաշխումների մոդելավորումը R լեզվում:
● Հիմնական վիճակագրական մեծությունների ու մեթոդների մոդելավորումը R լեզվում:
1-ին՝ գարնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ09
1. Purpose of the Course
· ներկայացնել տվյալների մշակման հիմնական հասկացությունները և մեթոդները,
· զարգացնել հմտություններ պրակտիկ խնդիրներ լուծելու համար՝ օգտվելով տվյալների մշակման ժամանակակից ծրագրերից:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ներկայացնել տվյալների վերլուծության հասկացություները, ժամանակակից մեթոդներն ու մոդելները,
բ. գործնական մասնագիտական կարողություններ
2. օգտագործել տվյալների վերլուծության ալգորիթմները պրակտիկ խնդիրներում,
3. իրականացնել տարբեր ոլորտներում հավաքագրված տվյալների դասակարգում և քլաստերացում,
4. կատարել կանխատեսումներ տվյալների վերլուծության հիման վրա,
գ. ընդհանրական/փոխանցելի կարողություններ
5. օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից,
6. կատարել հետազոտություններ՝ օգտագործելով տվյալների վերլուծության վերաբերյալ գիտելիքները:
3. Description
· ներկայացնել տվյալների մշակման հիմնական հասկացությունները և մեթոդները,
· զարգացնել հմտություններ պրակտիկ խնդիրներ լուծելու համար՝ օգտվելով տվյալների մշակման ժամանակակից ծրագրերից:
4. Teaching and Learning Styles and Methods
1. Դասախոսություններ
2. Գործնական խնդիրների լուծում
3. Խմբային նախագծի կատարում
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3rd ed.). Waltham: Morgan Kaufmann.
  • Ian H. Witten and Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), Morgan Kaufmann, 2005.
  • Hand, Mannila, and Smyth. Principles of Data Mining. Cambridge, MA: MIT Press, 2001.
7. Main sections of the course
● Տվյալների վերլուծության ներածություն
● Տվյալների նախապատրաստում
● Տվյալների վերլուծության իմացության ներկայացում
● Հատկանիշներին ուղղված վերլուծություն
● Տվյալների վերլուծության ալգորիթմներ. դասակարգում և կանխատեսում
1-ին՝ գարնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ10
1. Purpose of the Course
● ուսանողներին զինել ծրագրավորման խորացված գիտելիքներով,
● ծանոթացնել թեստավորման, սխալների մշակման և debugging-ի հետ,
● ծանոթացնել Python-ի տարատեսակ գրադարանների և փաթեթների հետ։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ձևակերպել զուգահեռ հաշվարկների սկզբունքը,
2. օգտագործել ֆունկցիոնալ ծրագրավորման հիմունքները,
բ. գործնական մասնագիտական կարողություններ
3. գրել համեմատաբար բարդ և համակարգված համակարգչային ծրագրեր,
4. օգտագործել սխալների մշակումը և debugging,
5. կիրառել զուգահեռ հաշվարկների սկզբունքը Python-ում,
6. օգտագործել Python-ի տարատեսակ գրադարանները։
3. Description
● ուսանողներին զինել ծրագրավորման խորացված գիտելիքներով,
● ծանոթացնել թեստավորման, սխալների մշակման և debugging-ի հետ,
● ծանոթացնել Python-ի տարատեսակ գրադարանների և փաթեթների հետ։
4. Teaching and Learning Styles and Methods
1. ներկայացումներ,
2. պրակտիկ աշխատանքներ՝ օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • Python Crash Course: A Hands-On, Project-Based Introduction to Programming 1st Edition by Eric Matthes, 2015.
  • Shaw, Learn Python The Hard Way third edition 2014.
  • Wesley J. Chun Core Python Programming, Second edition 2009.
  • Wes McKinney, Python for Data Analysis, Third edition 2014.
7. Main sections of the course
● Սխալների մշակում։
● Debugging:
● Թեսթավորում։
● Ֆունկցիոնալ ծրագրավորում։
● Գրադարաններ:
● Զուգահեռ հաշվարկների սկզբունքը:
1-ին՝ գարնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ11
1. Purpose of the Course
▪ նկարագրել բայեսյան մոտեցումը վիճակագրական խնդիրներին ու տվյալների վերլուծությանը,
▪ գաղափար տալ նախնական (prior) բաշխման, ճշմարտանմանության աստիճանի (likelihood) և արտածված (posterior) բաշխման մասին,
▪ սովորեցնել կառուցել բայեսյան ցանցեր և կատարել տվյալների վերլուծություն՝ բայեսյան
մոտեցումով։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կատարել բայեսյան գնահատում տարբեր վիճակագրական խնդիրներում,
2. կառուցել բայեսյան ցանցեր,
բ. գործնական մասնագիտական կարողություններ
3. կատարել տվյալների բայեսյան վերլուծություն, մոդելի ընտրություն և գնահատում,
4. լուծել տվյալների վերլուծության կոնկրետ կիրառական խնդիրներ համակարգչային փաթեթների օգնությամբ,
գ. ընդհանրական/փոխանցելի կարողություններ
վերլուծել առկա խնդիրները, առաջարկել մաթեմատիկական մոդելներ, դրանց լուծման եղանակներ։
3. Description
▪ նկարագրել բայեսյան մոտեցումը վիճակագրական խնդիրներին ու տվյալների վերլուծությանը,
▪ գաղափար տալ նախնական (prior) բաշխման, ճշմարտանմանության աստիճանի (likelihood) և արտածված (posterior) բաշխման մասին,
▪ սովորեցնել կառուցել բայեսյան ցանցեր և կատարել տվյալների վերլուծություն՝ բայեսյան
մոտեցումով։
4. Teaching and Learning Styles and Methods
Տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով:
Անհատական/թիմային հանձնարարականների կատարում:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%),
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • William Bolstad, James Curran, Introduction to Bayesian Statistics, 3rd Ed., Wiley, 2017.
  • Peter Lee, Bayesian Statistics, an introduction, Wiley, 2012.
  • Jean-Michel Marin, Christian P. Robert, Bayesian Essentials with R, 2nd Ed, Springer, 2014.
  • Peter Congdon, Applied Bayesian Modelling, Wiley, 2014.
  • Andrew Gelman, John Carlin et al, Bayesian Data Analysis, 3rd Ed., CRC Press, 2014.
  • Allen B. Downey, Think Bayes, O’Reilly, 2013.
  • Adnan Darwiche, Modeling and Reasoning with Bayesian Networks, CUP, 2009.
7. Main sections of the course
● Բայեսյան գնահատում դիսկրետ պատահական մեծությունների համար
● Բայեսյան գնահատում նորմալ բաշխման համար
● Բայեսյան մոտեցում վարկածների ստուգմանը
● Բայեսյան գնահատում ռեգրեսիայի համար
● Հիերարխիկ մոդելներ
● Բայեսյան ցանցեր (Bayes Networks)
● Բայեսյան ոչպարամետրիկ գնահատում
● Թվային բայեսյան մեթոդներ
1-ին՝ գարնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ12
1. Purpose of the Course
● ուսանողներին ծանոթացնել ժամանակային շարքերի վերլուծության ու դրանցով կանխատեսման հիմնական մեթոդներին,
● ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությանը ժամանակային շարքերի վերլուծություն իրականացնելու համար:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. նկարագրել ժամանակային շարքերի հիմնական բնութագրիչները,
2. կիրառել ARMA մոդելները ժամանակային շարքերի վերլուծության համար և օգտագործել այդ մեթոդները պրակտիկ աշխատանքում,
3. օգտագործել սպեկտրալ վերլուծության էլեմենտները,
բ. գործնական մասնագիտական կարողություններ
4. կառուցել տարբեր կիրառական մոդելներ ժամանակային շարքերի օգնությամբ,
5. օգտագործել հավանականային, օպտիմիզացիոն, վիճակագրական, տնտեսաչափական, թվային և այլ մաթեմատիկական մեթոդներ առաջացող մոդելները հետազոտելու համար,
6. օգտագործել մասնագիտական ծրագրային ապահովում ստացվող խնդիրները լուծելու համար,
գ. ընդհանրական/փոխանցելի կարողություններ
7. վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար։
3. Description
● ուսանողներին ծանոթացնել ժամանակային շարքերի վերլուծության ու դրանցով կանխատեսման հիմնական մեթոդներին,
● ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությանը ժամանակային շարքերի վերլուծություն իրականացնելու համար:
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ՝ օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • J. D. Hamilton, Time Series Analysis, Prinston, 1994.
  • Robert H. Shumway, David S. Stoffer, Time Series Analysisand Its Applications,With R Examples, 4th Ed., Springer 2017.
  • Peter J. Brockwell, Richard A. Davis, Introduction to Time Series and Forecasting, Third Edition, Springer, 2016.
  • R.S. Tsay, Analysis of Financial Time Series, 2010.
  • Магнус Я. Р. и др., Эконометрика, М., 2014.
7. Main sections of the course
● Ժամանակային շարքերի բնութագրիչները:
● AR, ARMA և ARIMAմոդելներ:
● Սպեկտրալ վերլուծություն:
● Ոչ ստացիոնար ժամանակային շարքեր:
● Միավոր արմատներ և կառուցվածքային տեղաշարժեր:
● Բազմաչափ ժամանակային շարքեր:
1-ին՝ գարնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ14
1. Purpose of the Course
● ծանոթացնել ուսանողներին մի քանի կորելացված պատահական մեծությունների հետ կապված վիճակագրական վերլուծության խնդիրներին, մասնավորապես, ուսումնասիրել բազմաչափ նորմալ բաշխումը, վստահելիության բազմությունները, բազմաչափ վարկածների ստուգումը, գործոնային (factor) վերլուծությունը, քլաստերային վերլուծությունը և այլն:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ներկայացնել մի քանի պատահական մեծությունների առնչությունը,
2. ստուգել բազմաչափ վարկածներ,
3. օգտագործել հիմնական բաղադրիչների մեթոդը, գործոնային, քլաստերային վերլուծության եղանակները,
բ. գործնական մասնագիտական կարողություններ
4. աշխատել բազմաչափ բաշխումների հետ,
5. կատարել բազմաչափ ռեգրեսիա,
6. համակարգչային մեթոդների օգնությամբ կատարել քլաստերային, գործոնային և այլ վերլուծություններ,
գ. ընդհանրական/փոխանցելիկարողություններ
7. օգտվել տարատեսակ աղբյուրներից։
3. Description
● ծանոթացնել ուսանողներին մի քանի կորելացված պատահական մեծությունների հետ կապված վիճակագրական վերլուծության խնդիրներին, մասնավորապես, ուսումնասիրել բազմաչափ նորմալ բաշխումը, վստահելիության բազմությունները, բազմաչափ վարկածների ստուգումը, գործոնային (factor) վերլուծությունը, քլաստերային վերլուծությունը և այլն:
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ,
2. գործնական աշխատանք համակարգիչներով։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Wolfgang Karl Hardle, Léopold Simar, Applied Multivariate Statistical Analysis, 4th Ed., Springer, 2015.
  • Inge Koch, Analysis of Multivariate and High-Dimensional Data, Cambridge University Press, 2014.
  • Brian Everitt, Torsten Hothorn, An Introduction to Applied Multivariate Analysis with R, Springer, 2011.
  • Daniel Zelterman, Applied Multivariate Statistics with R, Springer, 2015.
7. Main sections of the course
● Բազմաչափ նորմալ բաշխում
● Կոպուլաներ
● Վստահելիության բազմություններ և վարկածների ստուգում
● Բազմաչափ ռեգրեսիա
● Հիմնական բաղադրիչների վերլուծություն (Principal components analysis)
● Գործոնային վերլուծություն (Factor analysis)
● Քլաստերային վերլուծություն (Cluster analysis)
● Տարբերակիչ վերլուծություն (Discriminant Analysis)
● Կանոնական կորելացիոն վերլուծություն (Canonical correlation analysis)
1-ին՝ գարնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ13
1. Purpose of the Course
· սովորեցնել մեքենայական ուսուցման հիմունքները,
· սովորեցնել մեքենայական ուսուցման մոդելների իրագործումը Python-ում,
· սովորեցնել մեծ քանակությամբ տվյալների մոդելավորումը և մեքենայական ուսուցման մոդելների կիրառումը այդ տվյալների հիման վրա կանխատեսումներ կատարելու համար։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կիրառել մեքենայական ուսուցման համապատասխան հասկացությունները և մեթոդները մեծ քանակությամբ տվյալներ պարունակող գործնական խնդիրներ ձևակերպելու և լուծելու համար,
2. օգտագործել մեքենայական ուսուցման մոդելները կանխատեսման և որոշումների կայացման համար,
3. ընտրել համապատասխան մոդելը, տվյալների միջև կախվածության մասին սահմանափակ տեղեկության կամ տեղեկության բացակայության դեպքերում,
բ. գործնական մասնագիտական կարողություններ
4. կազմել ծրագրեր մեքենայական ուսուցման մոդելների հիման վրա,
5. որոշել հաճախ օգտագործվող մեքենայական ուսուցման մոդելների պարամետրերի արժեքները,
6. օգտագործել Python-ը` վերլուծելու մեծ քանակությամբ տվյալներ, կանխատեսումներ կատարելու և այդ կանխատեսումների անորոշության աստիճանը գնահատելու համար:
3. Description
· սովորեցնել մեքենայական ուսուցման հիմունքները,
· սովորեցնել մեքենայական ուսուցման մոդելների իրագործումը Python-ում,
· սովորեցնել մեծ քանակությամբ տվյալների մոդելավորումը և մեքենայական ուսուցման մոդելների կիրառումը այդ տվյալների հիման վրա կանխատեսումներ կատարելու համար։
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական ու թիմային հանձնարարականներ ուսանողներին։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն. հետազոտական աշխատանքի ներկայացում ՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%),
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Bishop, Christopher. Neural Networks for Pattern Recognition. New York, NY: Oxford University Press, 1995.
  • Richard, Peter Hart, and David Stork. Pattern Classification. 2nd ed. New York, NY: Wiley- Interscience, 2000.
  • T., R. Tibshirani, and J. H. Friedman. The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York, NY: Springer, 2001.
  • MacKay, David. Information Theory, Inference, and Learning Algorithms. Cambridge, UK: Cambridge University Press, 2003.
  • Mitchell, Tom. Machine Learning. New York, NY: McGraw-Hill, 1997
  • Thomas M., and Joy A. Thomas. Elements of Information Theory. New York, NY: Wiley- Interscience, 1991.
7. Main sections of the course
● Ներածություն մեքենայական ուսուցում
● Որոշման ծառեր (decision trees)
● Մոդելի ընտրություն և անորոշության գնահատում. խաչաձև ստուգում, վստահության ինտերվալներ
● Գծային ռեգրեսիա և ռեգուլյարիզացիոն մեթոդներ (Ridge, LASSO)
● Կորիզներ և SVM
● Նեյրոնային ցանցերի ներածություն
● Խառնուրդ մոդելներ
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ15
1. Purpose of the Course
● ուսանողներին ծանոթացնել պատկերների մշակման (computer vision) դասական ու ժամանակակից մեթոդներին, մասնավորապես՝ նեյրոնային ցանցերով պատկերների մշակմանը։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. տարբերակել պատկերների մշակման տարբեր խնդիրները,
2. յուրաքանչյուր խնդրի համար ընտրել լուծման համապատասխան մոտեցում,
բ. գործնական մասնագիտական կարողություններ
3. օգտագործել պատկերների մշակման ալգորիթմները տարբեր իրական խնդիրներ լուծելու համար։
3. Description
● ուսանողներին ծանոթացնել պատկերների մշակման (computer vision) դասական ու ժամանակակից մեթոդներին, մասնավորապես՝ նեյրոնային ցանցերով պատկերների մշակմանը։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական պարապմունքներ։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • R. Gonzalez, and R. Woods. Digital Image Processing, Prentice Hall, Upper Saddle River, N.J., 2008.
  • Forsyth, David, and Jean Ponce. Computer vision: A modern approach. Prentice Hall, 2011.
7. Main sections of the course
1. դասական պատկերների մշակման մեթոդներ,
2. պատկերների մշակում՝ օգտվելով խորը ուսուցման մեթոդներից։
1-ին՝ գարնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ08
1. Purpose of the Course
· ուսանողներին ծանոթացնել տվյալների մշակման ու հաղորդման մաթեմատիկական հիմունքներին,
· ինֆորմացիայի չափման եղանակներին,
· տվյալների սեղմման ալգորիթմներին և հասանելի սահմաններին,
· կապուղու ունակության գաղափարին և սխալներ ուղղող կոդերի կառուցման սկզբունքներին։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. մեկնաբանել տվյալների վերլուծության, սեղմման ու հաղորդման մաթեմատիկական սկզբունքները, մոդելները, ալգորիթմները,
բ. գործնական մասնագիտական կարողություններ
2. օգտագործել ինֆորմացիայի տեսության մեթոդները կիրառական խնդիրների լուծման մեջ զանազան ոլորտներում, ինչպես օրինակ, հեռահաղորդակցության մեջ,
գ. ընդհանրական/փոխանցելի կարողություններ
3. կառուցել կոդեր, գնահատել դրանց օպտիմալությունը։
3. Description
· ուսանողներին ծանոթացնել տվյալների մշակման ու հաղորդման մաթեմատիկական հիմունքներին,
· ինֆորմացիայի չափման եղանակներին,
· տվյալների սեղմման ալգորիթմներին և հասանելի սահմաններին,
· կապուղու ունակության գաղափարին և սխալներ ուղղող կոդերի կառուցման սկզբունքներին։
4. Teaching and Learning Styles and Methods
Տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով:
Անհատական/թիմային հանձնարարություններ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%):
6. Basic Bibliography
  • T. Cover and J. Thomas, Elements of Information Theory, Wiley, 1991-2006.
  • R. Yeung, Information Theory and Network Coding, 2008 (առցանց հասանելի).
  • Shu Lin and D. Costello, Error-Control Coding.
  • W.W. Peterson and E.J. Weldon, Error-correcting codes.
7. Main sections of the course
● Ինֆորմացիայի չափեր, դրանց հատկություններ
● Տվյալների մշակման և Ֆանոյի անհավասարություն
● Տվյալների սեղմում, Կրաֆթի անհավասարություն
● Հաֆմանի և Շենոն-Ֆանո-Էլիասի կոդեր
● Կապուղի. մոդելներ, կոդավորման խնդիրը, ունակություն
● Հեմինգի կոդեր
● Ինֆորմացիայի տեսություն և վիճակագրություն. տիպերի մեթոդը
● Աղբյուրի ունիվերսալ կոդավորում
● Մեծ շեղումների տեսություն
● Սխալի հավանականությունը վարկածների ստուգման խնդրում
● Տվյալների սեղմում ըստ ճշգրտության չափանիշի։
Chair code Name of the elective course Credits
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ16
1. Purpose of the Course
● ուսանողներին ծանոթացնել պատահական պրոցեսների տեսությանն ու ստոխաստիկ վերլուծության մեթոդներին, մասնավորապես, ներկայացնել բրոունյան շարժումը, մարտինգալները, մարկովյան պրոցեսները, կնկարագրվեն ստոխաստիկ ինտեգրալի կառուցումն ու Իտոյի բանաձևը:
2. Educational Outcomes
ա.մասնագիտական գիտելիք և իմացություն
1. նկարագրել բրոունյան շարժումը, մարտինգալները, մարկովյան պրոցեսները, դրանց հիմնական հատկությունները,
2. նկարագրել ստոխաստիկ ինտեգրալի կառուցումն ու դրա հատկությունները աշխատել պարզագույն ստոխաստիկ դիֆերենցիալ հավասարումների հետ,
բ.գործնական մասնագիտական կարողություններ
3. օգտագործել պատահական պրոցեսները մոդելավորման խնդիրներում,
4. օգտագործել ստոխաստիկ ինտեգրալն ու Իտոյի բանաձևը,
5. կատարել սիմուլյացիաներ՝ օգտագործելով համակարգչային փաթեթներ,
գ. ընդհանրական/փոխանցելի կարողություններ
6. օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից,
7. վերլուծել բնագավառի առկա խնդիրները և առաջարկելու մոտեցումներ դրանց լուծման համար։
3. Description
● ուսանողներին ծանոթացնել պատահական պրոցեսների տեսությանն ու ստոխաստիկ վերլուծության մեթոդներին, մասնավորապես, ներկայացնել բրոունյան շարժումը, մարտինգալները, մարկովյան պրոցեսները, կնկարագրվեն ստոխաստիկ ինտեգրալի կառուցումն ու Իտոյի բանաձևը:
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%),
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • OvidiuCalin, An Informal Introduction toStochastic Calculuswith Applications, World Scientific, 2015.
  • Paolo Baldi, Stochastic Calculus, An Introduction Through Theoryand Exercises, Springer, 2017.
  • Richard Bass, Stochastic Processes, CUP, 2011.
  • Samuel N. Cohen,Robert J. Elliott, Stochastic Calculusand Applications, 2nd Ed., Springer, 2015.
  • Uwe Hassler, Stochastic Processesand Calculus:An Elementary Introductionwith Applications, Springer, 2016.
7. Main sections of the course
● Ստոխաստիկ պրոցեսներ, ընդհանուր գաղափարներ
● Բրոունյան շարժում
● Մարտինգալներ
● Մարկովյան պրոցեսներ
● Ստոխաստիկ ինտեգրում և Իտոյի հաշիվ
● Ստոխաստիկ դիֆերենցիալ հավասարումներ
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ16
1. Purpose of the Course
▪ սովորեցնել մեքենայական ուսուցման հավանականային մոդելներ և այդ մոդելների իրագործումը Python-ում,
▪ սովորեցնել մեծ քանակությամբ տվյալների մոդելավորումը և մեքենայական ուսուցման մոդելների կիրառումը այդ տվյալների հիման վրա կանխատեսումներ կատարելու համար։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կառուցել համապատասխան հավանականային մոդել, որը բնութագրում է տվյալների կառուցվածքը,
2. համեմատել մեքենայական ուսուցման տարբեր մոդելներ լավագույնը ընտրելու համար,
բ.գործնական մասնագիտական կարողություններ
3. օգտագործել մեքենայական ուսուցման մոդելներ Python-ով ծրագրեր կազմելու համար
4. օգտագործել մեքենայական ուսուցման ստանդարտ գրադարանները`մոդելի հիման վրա եզրակացություններ կատարելու, տարբեր մոդելների հիման վրա կանխատեսումներ կատարելու և այդ կանխատեսումների անորոշության աստիճանը գնահատելու համար,
5. կիրառել տարբեր մեթոդներ հավանականային մոդելները համեմատելու և դրանցից լավագույնը ընտրելու համար,
գ.ընդհանրական/փոխանցելի կարողություններ
6. օգտվել տեղեկատվության տարատեսակ աղբյուրներից։
3. Description
▪ սովորեցնել մեքենայական ուսուցման հավանականային մոդելներ և այդ մոդելների իրագործումը Python-ում,
▪ սովորեցնել մեծ քանակությամբ տվյալների մոդելավորումը և մեքենայական ուսուցման մոդելների կիրառումը այդ տվյալների հիման վրա կանխատեսումներ կատարելու համար։
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական ու թիմային հանձնարարականներ ուսանողներին։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%),
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Bishop, Christopher. Neural Networks for Pattern Recognition. New York, NY: Oxford University Press, 1995.
  • Richard, Peter Hart, and David Stork. Pattern Classification. 2nd ed. New York, NY: Wiley- Interscience, 2000.
  • T., R. Tibshirani, and J. H. Friedman. The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York, NY: Springer, 2001.
  • MacKay, David. Information Theory, Inference, and Learning Algorithms. Cambridge, UK: Cambridge University Press, 2003.
  • Mitchell, Tom. Machine Learning. New York, NY: McGraw-Hill, 1997
  • Thomas M., and Joy A. Thomas. Elements of Information Theory. New York, NY: Wiley- Interscience, 1991.
7. Main sections of the course
● Բայեսյան ուսուցման ներածություն (գեներացնող և տարբերակող մոդելներ)
● Գաուսյան պրոցեսներ
● Կալմանի ֆիլտրում
● Մարկովյան մոդելներ և թաքնված Մարկովյան մոդելներ
● Գրաֆիկական մոդելներ
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ16
1. Purpose of the Course
● ներկայացնել նեյրոնային ցանցերը, փաթույթային և ռեկուրենտ ցանցերի կառուցվածքը, խորը չվերահսկվող ուսուցումը և նրանց կիրառությունները ձայնի և պատկերի ճանաչման խնդիրներում:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. դասակարգել նեյրոնային ցանցերը,
2. նկարագրել հիմնական նեյրոնային ցանցերի կառուցվածքը,
3. տարբերակել վերահսկվող և չվերահսկավող ուսուցումը,
բ.գործնական մասնագիտական կարողություններ
4. կազմել ծրագրեր, օգտագործելով խորը ուսուցման ալգորիթմներ և մարզել նրանց,
5. փաթույթային և ռեկուրենտ ցանցերի օգնությամբ լուծել պատկերների ճանաչման խնդիրներ,
գ. ընդհանրական/փոխանցելի կարողություններ
6. աշխատել թիմում,
7. արդյունավետ կիրառել համակարգչային հմտությունները։
3. Description
● ներկայացնել նեյրոնային ցանցերը, փաթույթային և ռեկուրենտ ցանցերի կառուցվածքը, խորը չվերահսկվող ուսուցումը և նրանց կիրառությունները ձայնի և պատկերի ճանաչման խնդիրներում:
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական խնդիրների լուծում,
3. խմբային նախագծի կատարում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%),
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning, 2016.
  • Wiley-Interscience. 2nd Edition. 2001.
  • Russell, S. and Norvig, N. Artificial Intelligence: A Modern Approach. Prentice Hall Series in Artificial Intelligence. 2003.
  • Bishop, C. M. Neural Networks for Pattern Recognition. Oxford University Press. 1995.
  • Koller, D. and Friedman, N. Probabilistic Graphical Models. MIT Press. 2009.
7. Main sections of the course
● Նեյրոնային ցանցերի ներածություն
● Ուսուցումը նեյրոնային ցանցերում
● Հետ տարածում (Backpropagation)
● Խորը ուսուցման մեթոդներ
● Փաթույթային նեյրոնային ցանցեր (CNN)
● Ռեկուրենտ նեյրոնային ցանցեր (RNN)
● Չվերահսկվող խորը ուսուցում
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ16
1. Purpose of the Course
● ուսանողներին ծանոթացնել կենսավիճակագրության հիմնական խնդիրներին ու մեթոդներին։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. տարբերել մեթոդներն ու մոդելները,
բ.գործնական մասնագիտական կարողություններ
2. ներկայացնել տվյալ իրավիճակում ամենահարմար մոդելի/մեթոդի ընտրությունը,
գ.ընդհանրական/փոխանցելի կարողություններ
3. գիտելիքները կիրառել գործնականում։
3. Description
● ուսանողներին ծանոթացնել կենսավիճակագրության հիմնական խնդիրներին ու մեթոդներին։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական պարապմունքներ։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%),
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%),
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%):
6. Basic Bibliography
  • B. Rosner, Fundamentals of Biostatistics, Cengage Learning; 7th edition.
  • S. Selvin, A Biostatistics Toolbox for Data Analysis, CUP, 2015.
7. Main sections of the course
Տվյալների հավաքագրումը, ներկայացումն ու նկարագրությունը
Հետազոտությունների պլանավորում
Վարկածների ստուգում թվային և կատեգորական տվյալների համար
Կորելացիոն վերլուծություն
ANOVA
Դիսպերսիոն վերլուծություն
Գործոնային վերլուծություն
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
· տրամադրել մեքենայական ուսուցման գրաֆների վրա հիմնված ներկայացումների խորը պատկերացում,
· ուսանողներին զինել իրական աշխարհի խնդիրներ լուծելու կարողությամբ՝ օգտագործելով գրաֆային ալգորիթմներ և տեխնիկաներ,
· կիրառել մեքենայական ուսուցման գործիքներ՝ սոցիալական, տեխնոլոգիական և կենսահամակարգերի մեծ գրաֆներից պատկերացումներ ստանալու համար:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. արդյունավետ վերլուծել և մեկնաբանել գրաֆների տվյալների կառուցվածքները,
բ. գործնական մասնագիտական կարողություններ
2. իրականացնել գրաֆ նեյրոնային ցանցեր (GNN) մեքենայական ուսուցման տարբեր խնդիրների համար,
3. գնահատել և ընտրել գրաֆների վրա հիմնված համապատասխան տեխնիկաներ հատուկ կիրառությունների համար:
3. Description
· տրամադրել մեքենայական ուսուցման գրաֆների վրա հիմնված ներկայացումների խորը պատկերացում,
· ուսանողներին զինել իրական աշխարհի խնդիրներ լուծելու կարողությամբ՝ օգտագործելով գրաֆային ալգորիթմներ և տեխնիկաներ,
· կիրառել մեքենայական ուսուցման գործիքներ՝ սոցիալական, տեխնոլոգիական և կենսահամակարգերի մեծ գրաֆներից պատկերացումներ ստանալու համար:
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական/թիմային հանձնարարականների կատարում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Graph Representation Learning , William L. Hamilton, 2020.
  • Networks, Crowds, and Markets: Reasoning About a Highly Connected World , David Easley and Jon Kleinberg, 2010.
  • Network Science , Albert-László Barabási, 2016.
7. Main sections of the course
· Գրաֆային Մեքենայական ուսուցման ներածություն
· Գրաֆների վրա մեքենայական ուսուցման դասական մեթոդներ
· Գագաթների ներկայացումներ
· Կապերի վերլուծություն: PageRank
· Պիտակների տարածում գագաթների դասակարգման համար
· Գրաֆային նեյրնային ցանցեր 1: GNN մոդելը
· Գրաֆային նեյրնային ցանցեր 2: ներկայացման տարածությունը
· Գրաֆային նեյրնային ցանցերի կիրառություններ
· Գրաֆային նեյրնային ցանցերի տեսությունը
· Գիտելիքների գրաֆի ներկայացումներ
· Դատողություններ գիտելիքների գրաֆի վրա
· Ամենահաճախ ենթագրաֆների որոնում GNN-երով
· Համայնքի կառուցվածքներ ցանցերում
· Խորը ստեղծագործ մոդելներ գրաֆների համար
· GNN-երի լրացուցիչ գլուխներ
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
● ներկայացնել թվային ազդանշանի մշակման տեսության հիմունքները, Ֆուրիեի ձևափոխությունը, ֆիլտրերի կառուցվածքը, քննարկել թվային ֆիլտրերի նախագծումն ու իրականացումը: Օգտագործելով ծրագրային փաթեթներ՝ ներկայացնել նաև թվային ազդանշանի մշակման տեսության կիրառությունները։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. նկարագրել թվային ֆիլտրերի և տարբերակային հավասարումների կապը,
2. ներկայացնել Ֆուրիեի ձևափոխությունը և նրա հակադարձը,
3. բացատրել Ֆուրիեի դիսկրետ ձևափոխության սկզբունքները,
բ.գործնական մասնագիտական կարողություններ
4. կիրառել հայտնի ֆիլտրերն ըստ իրենց առանձնահատկությունների տվյալների վերլուծության ալգորիթմները պրակտիկ խնդիրներում,
5. օգտագործել ստոխաստիկ ազդանշանների Ֆուրիեի անալիզը,
6. կիրառել ծրագրայի փաթեթներ թվային վերլուծության խնդիրներում,
գ.ընդհանրական/փոխանցելի կարողություններ
7. օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից:
3. Description
● ներկայացնել թվային ազդանշանի մշակման տեսության հիմունքները, Ֆուրիեի ձևափոխությունը, ֆիլտրերի կառուցվածքը, քննարկել թվային ֆիլտրերի նախագծումն ու իրականացումը: Օգտագործելով ծրագրային փաթեթներ՝ ներկայացնել նաև թվային ազդանշանի մշակման տեսության կիրառությունները։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. խմբային աշխատանք,
3. անհատական աշխատանք։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • V. Oppenheim and R. W. Schafer, Discrete Time Signal Processing, 2nd Edition, 1998, Prentice Hall.
  • S. K. Mitra, McGraw-Hill, Digital Signal Processing: A Computer-Based Approach, Third edition, 2006.
  • M. Hays, McGraw-Hill, Schaum's Outline of Digital Signal Processing, 1999.
7. Main sections of the course
● Դիսկրետ գծային համակարգերի ներածություն
● Ֆուրիեի ձևափոխություն
● Ֆուրիեի դիսկրետ ձևափոխություն
● Ֆուրիեի արագ ձևափոխություն
● Վերջավոր և անվերջ ազդանշանային պատասխանի (FIR, IIR) ֆիլտրեր
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
● ներկայացնել արտադրանքի ղեկավարների հիմնական պարտականությունները,
● սովորեցնել հարմարեցնել շուկայավարման հետազոտության մեթոդները տարբեր տեսակի ապրանքների համար,
● սովորեցնել արտադրանքի կառավարման մեջ օգտագործվող հիմնական շրջանակները, հասկացությունները և մոդելները,
● սովորեցնել ֆինանսական պլանավորում նոր ապրանքների և արտադրանքի պորտֆելի համար։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կատարել ֆինանսական պլանավորում նոր ապրանքների և արտադրանքի պորտֆելի համար,
բ. գործնական մասնագիտական կարողություններ
2. կիրառել դիզայնի մտածողությունը արտադրանքի կառավարման համատեքստում,
3. օգտագործել հաճախորդների կարծիքը արտադրանքի կառավարման գործընթացներում,
4. օգտագործել տարբեր մեթոդներ՝ նոր ապրանքների համար գաղափարներ առաջացնելու համար,
գ. ընդհանրական/փոխանցելի կարողություններ
5. վերլուծել առկա խնդիրները, առաջարկել լուծման մեթոդներ,
6. օգտվել տեղեկատվության տարատեսակ աղբյուրներից։
3. Description
● ներկայացնել արտադրանքի ղեկավարների հիմնական պարտականությունները,
● սովորեցնել հարմարեցնել շուկայավարման հետազոտության մեթոդները տարբեր տեսակի ապրանքների համար,
● սովորեցնել արտադրանքի կառավարման մեջ օգտագործվող հիմնական շրջանակները, հասկացությունները և մոդելները,
● սովորեցնել ֆինանսական պլանավորում նոր ապրանքների և արտադրանքի պորտֆելի համար։
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Bruce T. Barkley, Project Management in New Product Development, McGraw-Hill © 2008 .
  • Cadogan, John, et al. Cross-cultural and cross-national consumer research, Emerald Publishing Limited, 2015. ProQuest Ebook Central, .
  • Charles H. Noble, Serdar S. Durmusoglu and Abbie Griffin Open Innovation: New Product Development Essentials from the PDMA, John Wiley & Sons © 2014. https://library.books24x7.com/toc.aspx?bookid=80723.
7. Main sections of the course
● Ապրանքի մենեջերը որպես ընկերությունում պաշտոն. պարտականությունները և որակավորումը:
● Արտադրանքի համար գաղափարների և վարկածների մշակում
● Արտադրանքի կառավարման կյանքի ցիկլի մոդելը և արտադրանքի գլխավոր պլանը
● Շուկայի վերլուծություն և հաճախորդների կարծիքն արտադրանքի մենեջերի համար
● Դիզայնի մտածողությունը արտադրանքի կառավարման մեջ
● Ֆինանսներ և կանխատեսումներ արտադրանքի մենեջերի համար
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
● ուսանողներին ծանոթացնել վիճակագրության և մեքենայական ուսուցման, մասնավորապես՝ խորն ուսուցման կիրառություններին առողջապահության մեջ։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ձևակերպել բժշկության/դեղերի արտադրության իրական ալգորիթմական խնդիրներ,
բ. գործնական մասնագիտական կարողություններ
2. լուծել բժշկության/դեղերի արտադրության իրական ալգորիթմական խնդիրներ,
գ. ընդհանրական/փոխանցելի կարողություններ
3. օգտագործել մեքենայական ուսուցման և վիճակագրության նորագույն մեթոդները վերը նշված խնդիրների լուծման համար։
3. Description
● ուսանողներին ծանոթացնել վիճակագրության և մեքենայական ուսուցման, մասնավորապես՝ խորն ուսուցման կիրառություններին առողջապահության մեջ։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական պարապմունքներ,
3. հրավիրյալ դասախոսություններ ոլորտային մասնագետների կողմից։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Miguel A. Hernan, James M. Robins (2019). Causal Inference: What If.
  • Trevor Hastie (2008). The Elements of Statistical Learning.
  • Brady Neal (2020). Introduction to Causal Inference.
  • Շաբաթական հավելյալ տրվող հոդվածներ և տեսաձայնագրություններ:
7. Main sections of the course
Ներածություն։ Ինչով է առանձնահատուկ բժշկությունը։
Կլինիկական խնամք; Կլինիկական տվյալների առանձնահատկությունները
Ռիսկի վերլուծություն (Risk Stratification)
Գոյատևման վերլուծություն (Survival Analysis)
Ուսուցում աղմուկ պարունակող պիտակներով (Learning with noisy labels)
Հիվանդության զարգացման վերլուծություն (Disease progression and subtyping)
Պատճառահետևանքային վերլուծություն (Causal Inference)
Տվյալների տեղաշարժ (Dataset Shift)
Դեղերի արտադրություն (հրավիրված դասախոսներ)
Մեքենայական ուսուցումը մամոգրաֆիաների վերլուծության մեջ
ԱՄՆ օրենքները կլինիկական տվյալների հետ աշխատելու վերաբերյալ (հրավիրված դասախոսներ)
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
▪ նկարագրել պատահական թվերի գեներացման, Մոնտե Կառլոյի և ոչ պարամետրական վիճակագրության հիմնական մեթոդները,
▪ տալ գիտելիքներ ընդհանրացված գծային մոդելների, մոդելների ընտրության մասին։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. նկարագրել պատահական թվերի գեներացման մեթոդները,
2. նկարագրել ոչ պարամետրական վիճակագրության հիմնական մեթոդները,
3. համեմատել և ընտրել համապատասխան վիճակագրական մոդելը,
բ.գործնական մասնագիտական կարողություններ
4. Մոնտե Կառլո սիմուլյացիաների, Bootstrap մեթոդի օգնությամբ կատարել տարբեր հաշվարկներ,
5. գնահատել խտության և բաշխման ֆունկցիաները՝ առանց ենթադրելու, որ դրանք ինչ-որ պարամետրական դասից են,
6. լուծել կոնկրետ կիրառական խնդիրներ R լեզվի օգնությամբ,
գ.ընդհանրական/փոխանցելի կարողություններ
7. վերլուծել առկա խնդիրները, առաջարկել մաթեմատիկական մոդելներ, դրանց լուծման եղանակներ։
3. Description
▪ նկարագրել պատահական թվերի գեներացման, Մոնտե Կառլոյի և ոչ պարամետրական վիճակագրության հիմնական մեթոդները,
▪ տալ գիտելիքներ ընդհանրացված գծային մոդելների, մոդելների ընտրության մասին։
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական/թիմային հանձնարարականների կատարում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Larry Wasserman,All of Nonparametric Statistics, Springer Texts in Statistics, Springer, 2006.
  • James Gentle, Wolfgang Hardle, Yuichi Mori, Handbook of Computational Statistics: Concepts and Methods, 2nd Ed., Springer, 2012.
  • Bradley Efron, Trevor Hastie, Computer Age Statistical Inference: Algorithms, Evidence, and Data Science, CUP, 2016.
  • Geof Givens, Jennifer Hoeting, Computational Statistics, Wiley, 2013.
7. Main sections of the course
● Պատահական թվերի գեներացումը:
● Մոնտե Կառլոյի մեթոդներ և MCMC
● EM ալգորիթմը
● Բաշխման ֆունկցիայի,խտության և վիճակագրական ֆունկցիոնալների գնահատումը
● Bootstrap և Jackknife
● Ողորկացում և կորիզներ
● Ոչ պարամետրական ռեգրեսիա
● GLM
● Մոդելի ընտրություն
2-րդ՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
· սովորեցնել ամրապնդմամբ ուսուցման մոդելների կառուցում, ինչպես նաև այդ մոդելների իրագործումը Python-ում, դինամիկ ծրագրավորումը և Մոնտե Կառլոյի մեթոդները։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. վերաձևակերպել խնդիրները որպես Մարկովյան որոշումների գործընթացներ,
2. կառուցել համապատասխան ամրապնդմամբ ուսուցման մոդել, որը բնութագրում է միջավայրը, պարգևատրում է համապատասխան չափով կախված կատարված գործողությունից,
բ. գործնական մասնագիտական կարողություններ
3. օգտագործել դինամիկ ծրագրավորում՝ որպես արդյունաբերական կառավարման խնդրի արդյունավետ լուծման մոտեցում,
4. օգտագործել ամրապնդմամբ ուսուցման մոդելներ Python-ով ծրագրեր կազմելու և այդ մոդելի հիման վրա եզրակացություններ կատարելու,
գ. ընդհանրական/փոխանցելի կարողություններ
5. վերլուծել առկա խնդիրները, առաջարկել մաթեմատիկական մոդելներ,
6. օգտվել տեղեկատվության տարատեսակ աղբյուրներից։
3. Description
· սովորեցնել ամրապնդմամբ ուսուցման մոդելների կառուցում, ինչպես նաև այդ մոդելների իրագործումը Python-ում, դինամիկ ծրագրավորումը և Մոնտե Կառլոյի մեթոդները։
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%),
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%),
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Reinforcement Learning: An Introduction - Sutton and Barto (2018).
  • Algorithms for Reinforcement Learning - Csaba Szepesvari (2010).
  • Reinforcement Learning: Industrial Applications of Intelligent Agents - Phil Winder (2020).
  • Deep Reinforcement Learning Hands-On - Maxim Lapan (2020).
  • Applied Reinforcement Learning with Python - Taweh Beysolow II (2019).
7. Main sections of the course
· Ամրապնդմամբ ուսուցման խնդիրը
· Բազմաթև ավազակներ
· Վերջավոր Մարկովի որոշման գործընթացները
· Դինամիկ ծրագրավորում
· Մոնտե Կառլոյի մեթոդներ

Other educational modules

Address: Republic of Armenia, Yerevan, 0025, 1 Alex Manoogian (+37460) 710000 info@ysu.am