Type:
Master
Speciality:
056201.04.7 - Վիճակագրություն
Specialisation:
056201.04.7 - Կիրառական վիճակագրություն և տվյալների գիտություն
Qualification awarded:
Վիճակագրության մագիստրոս
Programme academic year:
2024/2025
Mode of study:
Full time
Language of study:
Հայերեն
General educational component
Chair code | Name of the course | Credits |
---|---|---|
0105 | Տեղեկատվական տեխնոլոգիաները մասնագիտական ոլորտում | 3 |
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ01
1. Purpose of the Course
· ծանոթացնել ուսանողներին Python ծրագրավորման լեզվի հիմունքների հետ։
· Սովորեցնել աշխատել տվյալների, փոփոխականների, զանգվածների, ֆունկցիաների հետ։ · Զարգացնել հմտություններ, որոնք թույլ կտան ուսանողներին ոչ տրիվիալ խնդիրների լուծումը նախագծել Python-ի միջոցով։ · Ուսանողներին ունակ դարձնել օգտագործել օբյեկտ կողմնորոշված ծրագրավորման հիմունքները։ 2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. Ներկայացնել Python լեզվի կառուցվածքը, հիմնական քերականությունը, փոփոխականների տիպերը։ 2. Օգտագործել օբյեկտ կողմնորոշված ծրագրավորման հիմունքները։ բ. գործնական մասնագիտական կարողություններ 3. Գրել համակարգչային ծրագրեր՝ օգտագործելով Python ծրագրավորման լեզուն: 4. Կիրառել տարատեսակ ալգորիթմներ օգտագործելով Python ծրագրավորման լեզուն: 5. Օգտագործել Numpy փաթեթը հաշվարկներում: 3. Description
· ծանոթացնել ուսանողներին Python ծրագրավորման լեզվի հիմունքների հետ։
· Սովորեցնել աշխատել տվյալների, փոփոխականների, զանգվածների, ֆունկցիաների հետ։ · Զարգացնել հմտություններ, որոնք թույլ կտան ուսանողներին ոչ տրիվիալ խնդիրների լուծումը նախագծել Python-ի միջոցով։ · Ուսանողներին ունակ դարձնել օգտագործել օբյեկտ կողմնորոշված ծրագրավորման հիմունքները։ 4. Teaching and Learning Styles and Methods
1. Ներկայացումներ - Power point նյութերով:
2. Գործնական աշխատանքներ - համակարգչային լսարաններում: 5. Evaluation Methods and Criteria
Ստուգարքն անցկացվում է հարցատոմսերով՝ 20 միավոր առավելագույն արժեքով: Ստուգումից 20-միավորանոց համակարգում 10 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած:
6. Basic Bibliography
7. Course main section
· Python լեզվի ներածություն
· Տվյալների տիպերը · Բուլյան գործողություններ · Ցիկլեր · Ֆունկցիաներ · Numpy · Օբյեկտ կողմնորոշված ծրագրավորում |
||
0105 | Հետազոտության պլանավորում և մեթոդներ | 3 |
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ02
1. Purpose of the Course
● ծանոթացնել ուսանողներին տվյալների պահպանման և կառավարման համակարգերի հետ,
● ուսանողներին ունակ դարձնել նախագծելու և կառուցելու տվյալների բազաներ՝ օգտագործելով արդիական տեխնալոգիաները, ● ծանոթացնել ուսանողներին SQL-լեզվի ու DBMS փաթեթների հետ։ 2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. նկարագրել ֆիզիկական և տրամաբանական բազաների նախագծման ու տվյալների բազաների մոդելավորման գործընթացները, 2. օգտագործել DBMS (ՏԲԿՀ) հիմնարար հասկացությունները, բ. գործնական մասնագիտական կարողություններ 3. նախագծել տվյալների բազաներ, գ. ընդհանրական/փոխանցելի կարողություններ 4. կատարել հարցումներ և վերլուծություններ՝ օգտագործելով SQL-լեզվի հնարավորությունները։ 3. Description
● ծանոթացնել ուսանողներին տվյալների պահպանման և կառավարման համակարգերի հետ,
● ուսանողներին ունակ դարձնել նախագծելու և կառուցելու տվյալների բազաներ՝ օգտագործելով արդիական տեխնալոգիաները, ● ծանոթացնել ուսանողներին SQL-լեզվի ու DBMS փաթեթների հետ։ 4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ՝ օգտագործելով համակարգչային ծրագրեր, 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
7. Course main section
● տվյալների բազաների համակարգի ներածություն,
● Entity-Relationship Data Model ● հարաբերություններ, հարաբերությունների հանրահաշիվ, ● տվյալների բազաների նորմավորում: Նորմալ ձևեր, ● SQL հարցումների կառուցվածքային լեզուն: Հարցումների կազմում, ● ինդեքսավորում, ● հարցումների մշակում, օպտիմիզացիա, ● օբյեկտ կողմնորոշված բազաներ, NoSQL & MongoDB |
||
1603 | Անգլերեն | 3 |
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
1603/Մ03
1. Purpose of the Course
· զարգացնել անգլերենի հաղորդակցական հմտությունները՝ հիմք ընդունելով մասնագիտական ոլորտում կիրառվող խոսքային կաղապարները,
· ձևավորել անհրաժեշտ կարողություններ խոսքի բոլոր դրսևորումներում (ընթերցում, · ունկնդրում, գրավոր և բանավոր խոսք)՝ խորացնելով հիմնարար տերմինապաշարի իմացությունը, · ներկայացնել մասնագիտական գրագրության ռազմավարությունը և սկզբունքները: 2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կիրառել օտար (անգլերեն) լեզվի իմացությունն այն ծավալով, որն անհրաժեշտ է մասնագիտական բնույթի տեղեկատվություն քաղելու օտարալեզու աղբյուրներից, բ. գործնական մասնագիտական կարողություններ 2. կունենա օտար (անգլերեն) լեզվով ընդհանուր և մասնագիտական բառապաշարի իմացություն այն ծավալով, որն անհրաժեշտ է մասնագիտական բնույթի հաղորդակցում իրականացնելու, ինչպես նաև տեքստերի ընթերցման և թարգմանության համար, գ. ընդհանրական/փոխանցելի կարողություններ 3. ունակ կլինի օտար լեզվով կազմել հստակ, լավ կառուցված տեքստ մասնագիտական թեմայի վերաբերյալ, նկարագրել իր փորձն ու իրադարձություններ, ներկայացնել սեփական կարծիքների և նպատակների հիմնավորումները: 3. Description
· զարգացնել անգլերենի հաղորդակցական հմտությունները՝ հիմք ընդունելով մասնագիտական ոլորտում կիրառվող խոսքային կաղապարները,
· ձևավորել անհրաժեշտ կարողություններ խոսքի բոլոր դրսևորումներում (ընթերցում, · ունկնդրում, գրավոր և բանավոր խոսք)՝ խորացնելով հիմնարար տերմինապաշարի իմացությունը, · ներկայացնել մասնագիտական գրագրության ռազմավարությունը և սկզբունքները: 4. Teaching and Learning Styles and Methods
· Համագործակցային ուսուցում/ Collaborative Learning,
· Խնդրի վրա հիմնված մեթոդ/Problem based method, · Ընդմիջումներով ուսուցում/Spaced Learning, · «Համաշխարհային սրճարան» /World Cafe, · «Շրջված դասարան» մեթոդ/Flipped classroom · Դեպքի վրա հիմնված մեթոդ/Case based method, ·Հարցման վրա հիմնված մեթոդ/Inquiry Based Learning: 5. Evaluation Methods and Criteria
Ստուգարք.
Գնահատման մեթոդները. Առաջընթացի գնահատում/Progress assessment, «Պորտֆելային» գնահատում/Portfolio assessment, Լեզվական հմտությունների գնահատում/Proficiency assessment): Չափանիշները. Անցած մասնագիտական թեմաների ստուգում, մասնագիտական թեմաներով զրույց, պարտադիր առաջադրանքների ստուգում: 6. Basic Bibliography
7. Course main section
· Թեմաների նախնական ծանոթացում (օր.՝ թեմաների նշուրջ փոքր խմբերով քննարկում (breakout room activity), մտագրոհ),
· Բուն նյութի ներկայացում (օր.՝ հոդվածների հատվածների (jigsaw) ընթերցում, ունկնդրման կամ տեսանյութի ներկայացում), · Վերլուծության փուլ (օր.՝ ընթերցվող կամ ունկնդրվող նյութի ուղերձի ու ակտ. բառապ. Վերլուծություն, Մտաքարտեզ (mindmapping)), · Սինթեզման փուլ (օր.՝ վերլուծությունից հետո մտագրոհ, կարծիքների, դիրքորոշումների ձևավորում և արտահայտում օգտագործելով նոր և կուտակված գիտելիքները), · Ընկալված նյութի ինքնագնահատում (օր.՝ Հարցում/Mentimeeter, Մտաքարտեզ (mindmapping)), · Թեմայի անձնավորում (օր.՝ պրեզենտացիա) · Առաջընթացի գնահատում/Formative assessment of Progress, Self/Peer assessment, ·Վերջնական գնահատում/Summative assessment: |
||
1604 | Գերմաներեն | 3 |
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
1604/Մ03
1. Purpose of the Course
· խորացնել և հնարավորինս կատարելագործել լեզվական բոլոր հմտությունները (կարդալ-հասկանալ-վերարտադրել, լսել-հասկանալ-վերարտադրել, խոսել, գրել),
· ձևավորել գերմաներենով հաղորդակցվելու կարողություններն և ունակությունները, · խորացնել ընդհանուր և մասնագիտական լեզվի բառապաշարի, քերականական և ոճաբանական յուրահատկությունների վերաբերյալ գիտելիքները: 2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կազմել մենախոսական և երկխոսական մասնագիտական և ընդհանուր հաղորդակցական տեքստեր ճիշտ հնչերանգով, 2. տարբերել մայրենի և ուսումնասիրվող օտար լեզվի անհամապատասխանությունները, հասկանալ երկու լեզուներում դրանց փոխադրման միջոցները, 3. տարորոշել մասնագիտական բառապաշարի բոլոր շերտերը՝ դրանց ճշգրիտ գործածության նպատակադրմամբ, 4. ներկայացնել և մեկնաբանել մասնագիտական տեսակետներ ու փաստարկներ, ձևակերպել, շարադրել, հիմնավորել անձնական կարծիքը, քննարկել, բանավիճել մասնագիտական հարցերի արդի հիմնախնդիրների շուրջ, բ. գործնական մասնագիտական կարողություններ 5. տեքստի ունկնդրման կամ ընթերցման ընթացքում գրառումներ կատարել հետագայում գրավոր խոսքում օգտագործելու նպատակով՝ տրամաբանորեն և հստակ կառուցելով շարադրանքը, 6. բանավոր կապակցված խոսք կառուցել նկարագրելով երևույթներ, իրադարձություններ, հիմնավորելով իր տեսակետը, գ. ընդհանրական/փոխանցելի կարողություններ 7. արդյունավետ օգտվել տեղեկատվական տարբեր աղբյուրներից (ներառյալ ինտերնետային) տեղեկատվություն քաղելու, քննադատաբար վերլուծելու և ներկայացնելու նպատակով: Դասընթացի հաջող ավարտին ուսանողի գիտելիքները և կարողությունները պետք է համապատասխանեն Լեզուների իմացության/ իրազեկության համաեվրոպական համակարգի (CEFR-ի) A2-B1 մակարդակին: 3. Description
· խորացնել և հնարավորինս կատարելագործել լեզվական բոլոր հմտությունները (կարդալ-հասկանալ-վերարտադրել, լսել-հասկանալ-վերարտադրել, խոսել, գրել),
· ձևավորել գերմաներենով հաղորդակցվելու կարողություններն և ունակությունները, · խորացնել ընդհանուր և մասնագիտական լեզվի բառապաշարի, քերականական և ոճաբանական յուրահատկությունների վերաբերյալ գիտելիքները: 4. Teaching and Learning Styles and Methods
1. գործնական պարապմունք դասախոսի ղեկավարությամբ,
2. անհատական և խմբային աշխատանք, 3. անհատական և թիմային գիտահետազոտական աշխատանք, 4. ինքնուրույն աշխատանք, 5. բանավոր ներկայացում/ պրեզենտացիա (անհատական ինքնուրույն նախագծի իրականացում), 6. գրավոր և բանավոր ստուգում/ հարցում, 7. իրավիճակային խնդիրների քննարկում: 5. Evaluation Methods and Criteria
Դասընթացն ավարտվում է ստուգարքով: Այն ստուգում է անցած նյութը՝ հաշվի առնելով հենքային ընդհանուր և մասնագիտական բառապաշարի, ինչպես նաև գերմաներենին բնորոշ հիմնական կաղապարների յուրացման և վերարտադրության աստիճանը:
6. Basic Bibliography
7. Course main section
1. Քերականություն. հիմնական ձևաբանական և շարահյուսական կառույցներն ու տիպերը, նրանց առանձնահատկությունները խոսքում և մասնագիտական ոլորտում:
2. Տվյալ ոլորտի մասնագիտական լեզվի բառապաշարային, քերականական և ոճաբանական յուրահատկությունները: 3. Մասնագիտական տեքստերի վերլուծությունը և դրանց իրացումը գերմաներենով /գրավոր ու բանավոր/: |
||
1705 | Ռուսերեն | 3 |
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
1705/Մ03
1. Purpose of the Course
· զարգացնել ուսանողների լեզվական հմտությունները և հաղորդակցական կարողությունները լեզվական գործունեության բոլոր ոլորտներում,
· ապահովել արդեն ձեռք բերած լեզվական գիտելիքների և հմտությունների կիրառումը մասնագիտական նպատակներով, · ընդլայնել մասնագիտական լեզվի բառապաշարը, խորացնել գիտելիքները մասնագիտական լեզվի ձևաբանական, շարահյուսական և ոճաբանական առանձնահատկությունների վերաբերյալ։ 2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ցուցաբերել մասնագիտական լեզվի բառապաշարի խորացված իմացություն, 2. դրսևորել մասնագիտական տեքստի պլաններ, ամփոփագրեր կազմելու սկզբունքների իմացություն, բ. գործնական մասնագիտական կարողություններ 3. վերլուծել ունկնդրած/կարդացած մասնագիտական տեքստը՝ տարանջատելով հիմնական բովանդակությունը երկրորդականից, ինքնուրույն կազմել տեքստ մասնագիտական թեմայով, 4. կազմել մասնագիտական թեմաներով ռեֆերատաներ, զեկույցներ, գիտական տեքստերի ամփոփագրեր, գ. ընդհանրական/փոխանցելի կարողություններ 5. ընդարձակել տեղեկատվություն ստանալու հնարավորությունները ռուսալեզու աղբյուրներից, 6. քննարկել և վերլուծել մասնագիտական խնդիրներ ռուսերենով։ 3. Description
· զարգացնել ուսանողների լեզվական հմտությունները և հաղորդակցական կարողությունները լեզվական գործունեության բոլոր ոլորտներում,
· ապահովել արդեն ձեռք բերած լեզվական գիտելիքների և հմտությունների կիրառումը մասնագիտական նպատակներով, · ընդլայնել մասնագիտական լեզվի բառապաշարը, խորացնել գիտելիքները մասնագիտական լեզվի ձևաբանական, շարահյուսական և ոճաբանական առանձնահատկությունների վերաբերյալ։ 4. Teaching and Learning Styles and Methods
· գործնական պարապմունք,
· ինքնուրույն աշխատանք, · թիմային աշխատանք, · բանավոր ներկայացում, ·գրավոր և բանավոր հարցում։ 5. Evaluation Methods and Criteria
Դասընթացն ավարտվում է ստուգարքով, որն անցկացվում է բանավոր և հիմնված է կիսամյակի վերջում ամփոփիչ գրավոր ստուգողական աշխատանքի արդյունքների վրա:
6. Basic Bibliography
7. Course main section
· Ընդհանուր գիտական և նեղ մասնագիտական տերմինաբանության առանձնահատկությունները
· Գիտական ոճի ձեաբանական առանձնահատկությունները · Գիտական ոճին հատուկ շարահյուսական կառուցվածքները · Տարբեր իմաստային կապերի արտահայտման միջոցները գիտական տեքստում · Մասնագիտական տեքստի համառոտ և րնդարձակ ներկայացում · Գիտական ոճի ժանրեր՝ ռեֆերատ, զեկուցում, հոդված, ամփոփագիր ·Ռեֆերատների, զեկուցումների, ամփոփագրերի շարադրման սկզբունքները |
||
1608 | Ֆրանսերեն | 3 |
1-ին՝ աշնանային կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
1608/Մ03
1. Purpose of the Course
· զարգացնել գիտական տեքստերի ընկալման և մեկնաբանման ունակությունները,
· ծանոթացնել գիտական ֆրանսերենի տարբեր մակարդակներում (հնչյունական - հնչերանգային, բառային, ձևաբանական-շարահյուսական, ոճական) դրսևորվող առանձնահատկություններին, ·զարգացնել գիտական հաղորդակցման կարողություններ: 2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. քննարկել գիտական տարաբնույթ տեքստերի լեզվաոճական և կառուցվածքային առանձնահատկությունները, 2. մեկնաբանել լեզվաբանական տերմինաբանությանն առնչվող տարբեր խնդիրներ, բ. գործնական մասնագիտական կարողություններ 3. կատարել գիտական տեքստերի հաղորդակցական ներուժի վերլուծություն, 4. գործնականում կատարել տարբեր գիտական տեքստերի ֆրանսերենից հայերեն և հայերենից ֆրանսերեն թարգմանություններ՝ այդ տեքստերի թարգմանության համարժեքության սկզբունքներին համապատասխան, գ. ընդհանրական/փոխանցելի կարողություններ 5. գտվել տեղեկատվության տարատեսակ աղբյուրներից (ինտերնետային ռեսուրսներ, գիտական հոդվածներ և այլն), 6. ձեռքբերված գիտելիքները կիրառել նաև այլ՝ հարակից գիտակարգերի շրջանակներում կատարվելիք ուսումնասիրություններում: 3. Description
· զարգացնել գիտական տեքստերի ընկալման և մեկնաբանման ունակությունները,
· ծանոթացնել գիտական ֆրանսերենի տարբեր մակարդակներում (հնչյունական - հնչերանգային, բառային, ձևաբանական-շարահյուսական, ոճական) դրսևորվող առանձնահատկություններին, ·զարգացնել գիտական հաղորդակցման կարողություններ: 4. Teaching and Learning Styles and Methods
գործնական պարապմունք, հանձնարարված գրականության ընթերցում, քննարկումներ, ինքնուրույն հետազոտություն, խմբային աշխատանք, դասավանդման նորարարական մեթոդներ՝ հաղորդակցական, ինտերակտիվ և այլն:
5. Evaluation Methods and Criteria
Դասընթացը ավարտվում է եզրափակիչ ստուգարքով:
6. Basic Bibliography
7. Course main section
Գիտական ոճ (բնորոշ գծերը, ժանրային առանձնահատկությունները, ենթաոճերը: Գիտական ֆրանսերենի ձևաբանական-շարահյուսական առանձնահատկությունները: Գիտական լեզվի նորմայի օրինաչափությունները:Բառապաշարի դասակարգման հիմնական սկզբունքները ֆրանսերենում: Բառապաշարի հարստացման հիմնական ուղիները: Տարաբնույթ տեքստերի գիտական շարադրանքի լեզվաոճական առանձնահատկություններիքննություն: Դարձվածքի մեկնաբանությունները ֆրանսիական աղբյուրներում: Դարձվածքը որպես ժողովրդի լեզվամտածողության առանձնահատուկ տարր:
|
Professional educational component
Chair code | Name of the course | Credits |
---|---|---|
0105 | Օպտիմիզացիա | 3 |
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
7. Course main section
● 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։ |
||
0105 | Տնտեսաչափություն | 3 |
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
7. Course main section
● պարզ (զույգային) ռեգրեսիա,
● բազմաչափ ռեգրեսիա, ● ռեգրեսիոն գործակիցների հատկությունները, վարկածների ստուգում, ● մուլտիկոլինեարություն, կեղծ փոփոխականներ, հետերոսկեդաստիկություն, ● ռեգրեսիոն վերլուծություն ժամանակային շարքերի հետ, ● Logit և Probit մոդելներ։ |
||
0105 | Գծային հանրահաշիվ և կիրառություններ | 6 |
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
7. Course main section
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)։ |
||
0105 | Կիրառական վիճակագրություն | 6 |
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
7. Course main section
● 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: |
||
0105 | Տվյալների ճարտարագիտություն | 3 |
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
7. Course main section
● Տվյալների վերլուծության ներածություն
● Տվյալների նախապատրաստում ● Տվյալների վերլուծության իմացության ներկայացում ● Հատկանիշներին ուղղված վերլուծություն ● Տվյալների վերլուծության ալգորիթմներ. դասակարգում և կանխատեսում |
||
0105 | Python ծրագրավորման լեզու | 3 |
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
7. Course main section
● Սխալների մշակում։
● Debugging: ● Թեսթավորում։ ● Ֆունկցիոնալ ծրագրավորում։ ● Գրադարաններ: ● Զուգահեռ հաշվարկների սկզբունքը: |
||
0105 | Բայեսյան վիճակագրություն | 6 |
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
7. Course main section
● 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 |
||
0105 | Ժամանակային շարքեր | 3 |
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
7. Course main section
● Ժամանակային շարքերի բնութագրիչները:
● AR, ARMA և ARIMAմոդելներ: ● Սպեկտրալ վերլուծություն: ● Ոչ ստացիոնար ժամանակային շարքեր: ● Միավոր արմատներ և կառուցվածքային տեղաշարժեր: ● Բազմաչափ ժամանակային շարքեր: |
||
0105 | Բազմաչափ վիճակագրություն | 3 |
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
7. Course main section
● 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) |
||
0105 | Մեքենայական ուսուցում-1 | 6 |
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
7. Course main section
● 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 |
||
0105 | Պատկերների մշակում | 3 |
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
7. Course main section
1. դասական պատկերների մշակման մեթոդներ,
2. պատկերների մշակում՝ օգտվելով խորը ուսուցման մեթոդներից։ |
||
0105 | Ինֆորմացիայի տեսություն | 3 |
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
7. Course main section
● 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 |
---|---|---|
0105 | Պատահական պրոցեսներ և ստոխաստիկ վերլուծություն | 6 |
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
7. Course main section
● Ստոխաստիկ պրոցեսներ, ընդհանուր գաղափարներ
● Բրոունյան շարժում ● Մարտինգալներ ● Մարկովյան պրոցեսներ ● Ստոխաստիկ ինտեգրում և Իտոյի հաշիվ ● Ստոխաստիկ դիֆերենցիալ հավասարումներ |
||
0105 | Մեքենայական ուսուցում-2 | 6 |
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
7. Course main section
● Բայեսյան ուսուցման ներածություն (գեներացնող և տարբերակող մոդելներ)
● Գաուսյան պրոցեսներ ● Կալմանի ֆիլտրում ● Մարկովյան մոդելներ և թաքնված Մարկովյան մոդելներ ● Գրաֆիկական մոդելներ |
||
0105 | Խորը ուսուցում | 6 |
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
7. Course main section
● Նեյրոնային ցանցերի ներածություն
● Ուսուցումը նեյրոնային ցանցերում ● Հետ տարածում (Backpropagation) ● Խորը ուսուցման մեթոդներ ● Փաթույթային նեյրոնային ցանցեր (CNN) ● Ռեկուրենտ նեյրոնային ցանցեր (RNN) ● Չվերահսկվող խորը ուսուցում |
||
0105 | Կենսավիճակագրություն | 6 |
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
7. Course main section
Տվյալների հավաքագրումը, ներկայացումն ու նկարագրությունը
Հետազոտությունների պլանավորում Վարկածների ստուգում թվային և կատեգորական տվյալների համար Կորելացիոն վերլուծություն ANOVA Դիսպերսիոն վերլուծություն Գործոնային վերլուծություն |
||
0105 | Գրաֆային նեյրոնային ցանցեր | 3 |
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
7. Course main section
· 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 |
||
0105 | Թվային ազդանշանի մշակում | 3 |
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
7. Course main section
● Դիսկրետ գծային համակարգերի ներածություն
● Ֆուրիեի ձևափոխություն ● Ֆուրիեի դիսկրետ ձևափոխություն ● Ֆուրիեի արագ ձևափոխություն ● Վերջավոր և անվերջ ազդանշանային պատասխանի (FIR, IIR) ֆիլտրեր |
||
0105 | Մեքենայական ուսուցման նախագծերի կառավարում | 3 |
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
7. Course main section
● 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 |
||
0105 | Մեքենայական ուսուցումը առողջապահության մեջ | 3 |
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
7. Course main section
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) |
||
0105 | Վիճակագրության լրացուցիչ գլուխներ | 3 |
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
7. Course main section
● 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 |
||
0105 | Ամրապնդմամբ ուսուցում | 3 |
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
7. Course main section
· Ամրապնդմամբ ուսուցման խնդիրը
· Բազմաթև ավազակներ · Վերջավոր Մարկովի որոշման գործընթացները · Դինամիկ ծրագրավորում · Մոնտե Կառլոյի մեթոդներ |
Other educational modules
Chair code | Name of the course | Credits |
---|---|---|
0105 | Գիտական սեմինար | 12 |
1-4-րդ կիսամյակներ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ սեմինար, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ18
1. Purpose of the Course
· ներկայացնել հավանականությունների տեսության հիմունքները
· Սովորեցնել տվյալների պատկերման հիմունքները · Ծանոթացնել ուսանողներին մեքենայական ուսուցման արդի ուղղություններին · Ցույց տալ ստացված գիտելիքների կիրառությունների շրջանակը Հայաստանյան ընկերություններում · Հնարավորություն ստեղծել ինդուստրիայի ներկայացուցիչների խնդիրներին ծանոթանալու և նրանց խնդիրների վրա աշխատելու: 2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. պատկերել բարդ կառուցվածք ունեցող տվյալները հասկանալի եղանակով, 2. օգտագործել հավանականությունների տեսությունը վիճակագրության և մեքենայական ուսուցման մեջ, բ. գործնական մասնագիտական կարողություններ 3. օգտագործել Matplotlib փաթեթը տվյալները պատկերելու համար, 4. հաշվել տարատեսակ իրադարձությունների հավանականությունը: 3. Description
· ներկայացնել հավանականությունների տեսության հիմունքները
· Սովորեցնել տվյալների պատկերման հիմունքները · Ծանոթացնել ուսանողներին մեքենայական ուսուցման արդի ուղղություններին · Ցույց տալ ստացված գիտելիքների կիրառությունների շրջանակը Հայաստանյան ընկերություններում · Հնարավորություն ստեղծել ինդուստրիայի ներկայացուցիչների խնդիրներին ծանոթանալու և նրանց խնդիրների վրա աշխատելու: 4. Teaching and Learning Styles and Methods
1. Ներկայացումներ - Power point նյութերով
2. Գործնական աշխատանքներ - համակարգչային լսարաններում 5. Evaluation Methods and Criteria
Ստուգարքը անցկացվում է հարցատոմսերով՝ 20 միավոր առավելագույն արժեքով: Ստուգումից 20-միավորանոց համակարգում 10 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած:
6. Course main section
Տիտղոսաթերթ
Ստորագրությունների էջ Համառոտագիր Բովանդակություն Ներածություն Հիմնական մաս Եզրակացություններ (և առաջարկություններ) Օգտագործված գրականության ցանկ Հավելվածներ |
||
0105 | Մասնագիտական պրակտիկա | 6 |
2-րդ՝ աշնանային կիսամյակ
6 շաբաթ
180 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ22
1. Purpose of the Course
Նպաստել ուսանողին պրակտիկ խնդիրներ լուծելուն և աշխատանքի անցնելուն:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կառուցել ալգորիթմներ պրակտիկայի շրջանակում լուծում պահանջող խնդիրների համար 2. կիրառել տեսական գիտելիքները տվյալ ալգորիթմի լավարկման համար բ. գործնական մասնագիտական կարողություններ 3. մշակել տվյալներն ազատվելու աղմուկ պարունակող տվյալներից 4. պահպանել ստացված տվյալներն օգտագործման և կիրառման համար ավելի հարմարվետ ֆորմատով գ. ընդհանրական/փոխանցելի կարողություններ 5. առնչվելով և համագործակցելով տարբեր մարդկանց հետ լուծել առաջադրված խնդիրը 3. Description
Նպաստել ուսանողին պրակտիկ խնդիրներ լուծելուն և աշխատանքի անցնելուն:
4. Teaching and Learning Styles and Methods
1. Ներկայացումներ - Power point նյութերով,
2. Գործնական աշխատանքներ - համակարգչային լսարաններում: 5. Evaluation Methods and Criteria
Պրակտիկան գնահատվում է ստուգարքի ձևով: Պրակտիկան դրական (ստուգված) է գնահատվում այն դեպքում, եթե ուսանողը մասնակցել է պրակտիկային, կատարել ծրագրով նախատեսված առաջադրանքները, սահմանված ժամկետում ներկայացրել պրակտիկայի օրագիրը:
6. Basic Bibliography
7. Course main section
Կազմակերպության կողմից տրված մասնագիտական հանձնարարությունների իրականացում՝ անհրաժեշտության դեպքում կազմակերպության փորձառու ներկայացուցչի օգնությամբ։
|
||
0105 | Մագիստրոսական թեզ | 24 |
2-րդ՝ գարնանային կիսամյակ
Ինքնուրույն աշխատանքի ժամաքանակը՝ 720 ժամ
MANDATORY
0105/Մ23
1. Purpose of the Course
· Ծանոթացնել ուսանողին տվյալ խնդրի առնչվող գրականության հետ
· Ուղղորդել ուսանողին տվյալ խնդրի լուծման համար անհրաժեշտ ալգորիթմների և տվյալների հավաքագրման և դրանց կիրառման շնորհիվ խնդիրը լուծելուն · Սովորեցնել ստացված արդյունքը գրագետ շարադրում · Զարգացնել արդյունքի ներկայացման հմտությունները 2. Educational Outcomes
բ. գործնական մասնագիտական կարողություններ
1. Հավաքագրել և մաքրել տվյալները 2. Մշակել ալգորիթմներ տվյալ խնդրի լուծման համար գ. ընդհանրական/փոխանցելի կարողություններ 3. Կատարել հետազոտական աշխատանք 4. Ներկայացնել իր կողմից ստացված արդյունքները 5. Օգտվել գրականությունից 3. Description
· Ծանոթացնել ուսանողին տվյալ խնդրի առնչվող գրականության հետ
· Ուղղորդել ուսանողին տվյալ խնդրի լուծման համար անհրաժեշտ ալգորիթմների և տվյալների հավաքագրման և դրանց կիրառման շնորհիվ խնդիրը լուծելուն · Սովորեցնել ստացված արդյունքը գրագետ շարադրում · Զարգացնել արդյունքի ներկայացման հմտությունները 4. Evaluation Methods and Criteria
Թեզը գնահատվում է առավելագույնը 20 միավոր.
Թեզը գնահատելիս հաշվի կառնվեն հետրյալ բաղադրիչները. 1. Ինքնուրույնություն 2. Նորույթ 3. Ձևակերմպան որակ 4. Ներկայացման որակ 5. Course main section
Տիտղոսաթերթ
Ստորագրությունների էջ Համառոտագիր Բովանդակություն Ներածություն Հիմնական մաս Եզրակացություններ (և առաջարկություններ) Օգտագործված գրականության ցանկ Հավելվածներ |