დიდი მონაცემები ახალი ბუნებრივი რესურსია: მონაცემები გაორმაგდება ყველა 12-18 თვის განმავლობაში. ეს ახალი დიდი მონაცემთა ანალიტიკა კურსი მოიცავს ფუნდამენტურ კონცეფციებს და ინსტრუმენტები სამთო მრავალფეროვანი მონაცემების კომპლექტი გენერირება ახალი insights. თქვენ დაეუფლებინ R- ს გამოყენებას Wordcloud, Pagerank, მონაცემთა ვიზუალიზაცია, გადაწყვეტილების ხეები, რეგრესია, კლასტერული, ნევროლოგიური ქსელები და სხვა. თქვენ იმუშავებთ რამდენიმე მსხვილი მილიონიანი ჩანაწერის მონაცემებით, ასევე ჩემი Twitter- ის საშუალებით. თქვენ შეისწავლით Hadoop / MapReduce და Streaming Data Concepts და შეისწავლის სხვა Apache დიდი მონაცემთა პროექტები, როგორიცაა Spark, Flink, Kafka, Storm, Samza, NoSQL ინდივიდუალური კვლევითი ნაშრომები. თქვენ იმუშავებთ ჯგუფებში ღია პროექტებში Kaggle.com- ს კონკურენციის მისაღებად საუკეთესო-ჯიშის მონაცემთა ანალიზური გამოწვევების მოსაგვარებლად. თქვენ ასევე ისწავლით გამოიყენოთ ინდუსტრიის წამყვანი IBM SPSS Modeler და ღია მონაცემთა სამთო პლატფორმები. ამ კურსში გამოყენებული #1 ბესტსელერი სახელმძღვანელოს თავად ინსტრუქტორი უწერია. კურსი ასევე გამოიყენებს MIT, Coursera, Google და სხვაგან ვიდეოს ტრეინინგის ფართო სპექტრს. (4 ერთეული) წინაპირობა: დეპარტამენტის ფაკულტეტის თანხმობა

მხოლოდ რამდენიმე მოკლე წლის განმავლობაში, დიდი მონაცემთა ტექნოლოგიები გაიზარდა სფეროში Hype ერთი ძირითადი კომპონენტების ახალი ციფრული ასაკი. ეს ტექნოლოგიები ძალიან სასარგებლოა ინფორმაციის ცოდნაზე.

კურსის მიზანია თქვენს არსენალში დაამატოთ მართლაც მნიშვნელოვანი ინსტრუმენტები, რომლებიც დაგეხმარებათ დიდი მონაცემების პრობლემების მოგვარებაში. ჩვენ დავიწყებთ კითხვებზე პასუხის გაცემით, როგორიცაა „რა არის დიდი მონაცემები? რატომ არის ეს მნიშვნელოვანი ან სასარგებლო? როგორ ინახავთ ამ დიდ მონაცემებს? ” შემდეგ ჩვენ შეისწავლით სხვადასხვა ინსტრუმენტებს და პროგრამირების მოდელებს დიდი მონაცემთა ტექნოლოგიის დასტისგან, რაც მონაცემთა ანალიზში დაგვეხმარება. თემები მოიცავს Hadoop ეკოსისტემის ზოგიერთ პროექტს, როგორიცაა MapReduce, Pig, Hive, Sqoop, Flume, HBase (NoSQL DB), Zookeeper და Apache Spark ეკოსისტემის პროექტები. ჩვენ ასევე განვახილავთ AWS და EMR შესავალს. თქვენ ძირითადად იმუშავებთ Cloudera– ს ერთი კვანძის Hadoop– ის განაწილებაზე. (4 ერთეული) (წინაპირობები არ არის)

მონაცემთა ბაზის სისტემებს ორგანიზება და ინფორმაციის მიღება, რაც საშუალებას მისცემს მომხმარებელს სასურველი ინფორმაციის ხელმისაწვდომობა ადვილად და ეფექტურად. თემები მოიცავს: SQL; ER მოდელირება; რელიგიური ალგებრა; მონაცემთა ნორმალიზაცია; გარიგებები; ობიექტების მონაცემთა ბაზაში; მონაცემთა უსაფრთხოება და მთლიანობა; მონაცემთა სასაწყობო, OLAP და მონაცემთა სამთო; განაწილებული მონაცემთა ბაზები; და კონკრეტული კომერციული მონაცემთა ბაზის სისტემის შესწავლა. (4 ერთეული) წინაპირობა: CS 401 ან დეპარტამენტის ფაკულტეტის თანხმობა.

მანქანური სწავლება (არ ისწავლება 2021 წლის გაზაფხული. შეამოწმეთ არსებობა), სასწავლო სფერო, რომელიც კომპიუტერებს აძლევს მონაცემების სწავლის შესაძლებლობას, თითქმის ყველა სამეცნიერო დისციპლინის ცენტრშია და განზოგადების (ანუ პროგნოზირების) საფუძველია მონაცემები წარმოადგენს მანქანური სწავლების ცენტრალურ თემას. ამ კურსში მოცემულია სამაგისტრო დონის გაცნობა მანქანური სწავლებისა და მანქანაში სწავლის ახალი და მოწინავე მეთოდების სიღრმისეული გაშუქება, აგრეთვე მათი ძირითადი თეორია. იგი ხაზს უსვამს პრაქტიკულ მნიშვნელობასთან დაკავშირებულ მიდგომებს და განიხილავს მანქანათმშენებლობის ბოლოდროინდელ პროგრამებს, როგორიცაა მონაცემთა მოპოვება (დიდი მონაცემების / მონაცემთა მეცნიერებაში, მონაცემთა ანალიტიკა), ბუნებრივი ენის დამუშავება, კომპიუტერის ხედვა, რობოტები, ბიოინფორმატიკა და ტექსტური და ვებ მონაცემთა დამუშავება. მანქანური სწავლება გამოიყენება სხვადასხვა ინდუსტრიებში, მათ შორის ფინანსური მომსახურება, ნავთობი და გაზი, ჯანდაცვა, მარკეტინგი და რეკლამა, მთავრობა, ინტერნეტი და ნივთების ინტერნეტი.

ეს კურსი მოიცავს სხვადასხვა სასწავლო პარადიგმებს, ალგორითმებს, თეორიულ შედეგებსა და პროგრამებს. იგი იყენებს ხელოვნურ ინტელექტის, ინფორმაციის თეორიის, სტატისტიკის და კონტროლის თეორიის ძირითად ცნებებს, რამდენადაც ისინი რელევანტურია მანქანური სწავლისთვის. თემებში შედის: ზედამხედველობის ქვეშ მყოფი სწავლება (გენერაციული / დისკრიმინაციული სწავლება, პარამეტრიული / არამეპარამეტული სწავლება, ნერვული ქსელები, დამხმარე ვექტორული მანქანები, გადაწყვეტილების ხე, ბაიესური სწავლა და ოპტიმიზაცია); ზედამხედველობის გარეშე სწავლა (კლასტერიზაცია, განზომილების შემცირება, ბირთვის მეთოდები); სწავლის თეორია (კომპენსაციის / ვარიანტის ურთიერთგაგება; VC თეორია; დიდი მინდვრები); განმტკიცების სწავლა და ადაპტაციური კონტროლი. სხვა თემებში შედის HMM (დამალული მარკოვის მოდელი), ევოლუციური გამოთვლა, ღრმა სწავლა (ნერვული ქსელებით) და ალგორითმების შემუშავება, რომელთა შესრულებაც შეიძლება მკაცრად გაანალიზდეს მანქანური სწავლების ფუნდამენტური პრობლემების დასადგენად.

კურსის მნიშვნელოვანი ნაწილია ჯგუფური პროექტი. პარალელური, დისტრიბუციისა და სკალირებადი მანქანების სწავლების ძირითადი საშუალებები მოკლედ დაფარავს სტუდენტებისთვის პროექტების განხორციელებაში. (4 ერთეული) წინაპირობა: არა.

მობილური მოწყობილობების პროგრამირების მნიშვნელობა ბოლო წლების განმავლობაში წარმოიშვა როგორც ახალი დომენი პროგრამული უზრუნველყოფის განვითარებაში. ეს კურსი მოსწავლეებს ამზადებს აპლიკაციების განვითარებისთვის, რომლებიც აწარმოებენ მობილურ მოწყობილობებს, როგორიცაა IPhone, iPad ან Android ტელეფონი. ეს არის სწრაფად განვითარებადი ბაზარი. კურსი ყურადღებას ამახვილებს მობილური აპლიკაციების დაყენებაზე, განვითარებაზე, ტესტირებაზე და გავრცელებაზე. ამ კურსის ბოლოს სტუდენტებს საშუალება აქვთ შეიმუშაონ პლატფორმის აპლიკაცია, შეიმუშაონ ისინი, შეამოწმონ ისინი რეალურ მოწყობილობაზე და საბოლოოდ გამოაქვეყნონ აპლიკაციის მაღაზიაში მომხმარებლების ხელმისაწვდომობა. (4 ერთეული) წინაპირობა: CS472 ან დეპარტამენტის ფაკულტეტის თანხმობა.

ამ კურსის განმავლობაში თქვენ შეისწავლით SPA- ს (Single Page Web Applications) რეაქტიული პროგრამირების არქიტექტურას, ისევე როგორც ყველა საჭირო უნარით სრული ვებ-გვერდის სრული ვებსაიტის შესაქმნელად. ტექნოლოგიები მოიცავს: NodeJS, ExpressJS, TypeScript, AngularJS2, Firebase და NoSQL მონაცემთა ბაზები (MongoDB). კურსი მოიცავს:

• როგორ C ++ V8 ძრავა და ასინქრონული კოდი მუშაობს Node და Node Event loop.
• როგორ სტრუქტურა თქვენი კოდი reuse და ავაშენოთ Restful API გამოყენებით მოდულები და ExpressJS.
• როგორ ფუნქციონირებს NoSQL მონაცემთა ბაზები: მონგო შელი, აგრეგაციის ჩარჩო, რეპლიკა კომპლექტი, კლასტერული, შარდსი, მონგოეის ORM.
• ღრმა გაგება, თუ როგორ Angular (მხარდაჭერით Google) მუშაობს, შეცვლა დიაგნოსტიკა, რეაქტიული RxJs პროგრამირების ერთად Observables და სუბიექტები, Shadow DOM, ზონების, მოდულები და კომპონენტები, საბაჟო დირექტივები და მილები, მომსახურება და საიმედო ინჟექტორი, კუთხოვანი შემდგენელი, JIT და AOF Compilation , ფორმები (თარგი დრაივანი და მონაცემთა ორიენტირებული), მონაცემთა აკინძვა, მარშრუტიზაციის, დაცვა და მარშრუტის დაცვა, HTTP კლიენტი, JWT JSON Web Token Authentication.

(4 ერთეული)

ყველა ახალი კომპიუტერის სტანდარტული პროცესორი არის მრავალპროგრამული პროცესორი, რომელსაც აქვს პროგრამების შესრულება უფრო სწრაფად. თუმცა, ამ პოტენციალის გამოყენებისას, პროგრამისტს უნდა ჰქონდეს გარკვეული ცოდნა პარალელური პროგრამირების ტექნიკაზე. ამ კურსის მსვლელობისას მოსწავლეები უმეტესწილად ატარებენ პარალელურ პროგრამებს. მოსალოდნელი შედეგი იქნება პრაქტიკული პროგრამების ახალი უნარის შემუშავება. ეს უნარი არა მხოლოდ სასარგებლოა მრავალპროგრამის დამამუშავებელი პროგრამებისთვის, არამედ ოპერაციული სისტემების პროგრამირების და მონაცემთა ბაზის პროგრამირების განაწილებაზე. პროგრამაში გამოყენებული პროგრამული ინსტრუმენტები მოიცავს Microsoft Visual C / C ++, Java multithreading library და OpenMP threading სტანდარტი. (4 ერთეული) წინაპირობა: კომპიუტერული პროგრამების ცოდნა Java, C, ან C ++.

ამ კურსში გადავხედავთ ტექნიკას, პრინციპებსა და შაბლონებს, თუ როგორ უნდა შეიმუშავონ მოქნილი, სკალადი, ტესტირებადი და სტაბილური პროგრამული სისტემები, რომლებიც იყენებენ მიკროორგანიზაციებს. ჩვენ შეისწავლით, თუ როგორ შეგვიძლია გაყოფილი მცირე აპლიკაციები პატარა მიკროპროცესებში, რომლებიც უფრო ადვილად ააშენებენ და სხვა უპირატესობებს მონოლითურ საწარმოსთან შედარებით. განაწილებული მიკროსერვის არქიტექტურა ასევე აძლევს უამრავ გამოწვევას. ჩვენ შევისწავლით ამ გამოწვევებს და როგორ მივმართოთ მათ. ამ კურსის თემაა არქიტექტურული სტილები, ინტეგრაციის ტექნიკა და ნიმუშები, დომინანტური დიზაინი, მოვლენათა ორიენტირებული არქიტექტურა და რეაქტიული პროგრამირება. (X კრედიტები). (წინაპირობები არ არის)