|
МП Технологии за големи данни |
Курс: Задължителен |
Семестър: 1 |
Кредити: 6 |
Оценяване: комплексно |
||
|
ОБНОВЕН |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
Управление и обработка на големи данни |
180 |
30 |
0 |
30 |
120 |
|
|
Резюме на курса: Курсът запознава с принципите, концепциите и абстракциите за моделиране на големи данни и извършването на мащабни изчисления с тяхното интензивно използване. Студентите ще усвоят как да подготвят данните и преобразуват техни характеристики за целите на анализ със средствата на машинното обучение и изкуствения интелект. Те ще придобият умения за разрешаване на проблеми с нормализация на данните, липсващи стойности, отклонения, както и за проектиране и внедряване на големи бази от данни като такива без схема, хранилища ключ-стойност, документи хранилища, и др. Студентите ще научат как да управляват данни в паметта, как да управляват и обработват непрекъснат поток от данни с помощта на Spark и Flink и как да извършват пакетна обработка на данни върху Hadoop с програмния модел MapReduce. |
||||||
|
МП Технологии за големи данни |
Курс: Задължителен |
Семестър: 1 |
Кредити: 6 |
Оценяване: комплексно |
||
|
НОВ |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
Въведение в науката за данни и ИИ |
180 |
30 |
0 |
30 |
120 |
|
|
Резюме на курса: Курсът предоставя задълбочено разглеждане на техниките и теориите в науката за данните и изкуствения интелект, като акцентира върху практическите им приложения. Студентите ще се потопят в света на Python, основния анализ на данни и визуализация, разбирайки дълбочините на процеса на науката за данните. Представени са чрез практически казуси конкретни методи като групиране, класификация и регресия. Отделна част, посветена на изкуствения интелект, разглежда методите и приложенията в традиционния ИИ, завършвайки с критично обсъждане на етичните аспекти в областта.
|
||||||
|
МП Технологии за големи данни |
Курс: Задължителен |
Семестър: 1 |
Кредити: 7 |
Оценяване: текущо |
||
|
НОВ |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
ИИ за системи с големи данни |
210 |
30 |
15 |
30 |
135 |
|
|
Резюме на курса: Курсът се фокусира в основната роля на AI в обработката на големи данни, обхващайки класически области като решаване на проблеми, планиране и машинно обучение. Той предоставя на студентите опит за ефективно изпълнение на задачи като търсене, класификация и оптимизация. Посредством лекциите студентите разбират ключовите концепции за ИИ и тяхното приложение при решаване на проблеми с данни, докато семинарите предлагат практически опит, подкрепящ лекционния материал и усъвършенстват уменията за изграждане на интелигентна система за обработка на данни.
|
||||||
|
МП Технологии за големи данни |
Курс: Задължителен |
Семестър: 2 |
Кредити: 7 |
Оценяване: текущо |
||
|
НОВ |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
Инженеринг на големи данни |
210 |
30 |
0 |
45 |
135 |
|
|
Резюме на курса: Курсът представя основните принципи, методи и техники за проектиране и внедряване на системи за големи данни. Той предоставя необходимите познания за големи данни, различни архитектури на системи, ориентирани към обработка на големи данни, заедно с технологиите и инструментите за извършване на това в паметта, в процеса на предаване и при съхранението при клиента, в платформата за данни и в хранилището на данни.
|
||||||
|
МП Технологии за големи данни |
Курс: Задължителен |
Семестър: 2 |
Кредити: 6 |
Оценяване: комплексно |
||
|
НОВ |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
Подходи за споделяне на данни |
180 |
30 |
15 |
15 |
120 |
|
|
Резюме на курса: Курсът описва пространствата от данни като новаторски подход към суверенно и сигурно споделяне на данни. Той изяснява основополагащите принципи на дизайна на пространството от данни и механиката на надежден обмен на данни. Студентите ще се задълбочат в архитектурните аспекти на пространствата от данни, разбирайки техните функции чрез казуси. Практическите сесии на тестово пространство от данни допълнително ще обогатят обучението, проправяйки пътя за практически ориентирани курсови проекти.
|
||||||
|
МП Технологии за големи данни |
Курс: Избираем |
Семестър: 1 |
Кредити: 6 |
Оценяване: текущо |
||
|
НОВ |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
Обогатяване на данни |
180 |
30 |
0 |
30 |
120 |
|
|
Резюме на курса: Курсът за обогатяване на данни е предназначен за студенти с основни познания по анализ на данни и програмиране, за предпочитане на Python или R. Познаването на източниците на данни, техниките за предварителна обработка и концепции като почистване на данни е от съществено значение. Въпреки че предишен опит в статистиката и машинното обучение би бил от полза, той не е задължителен. Курсът набляга на практически проекти и критично мислене, като покрива редица нива на експертност и предлага както теоретични, така и практически знания за обогатяване на данни.
|
||||||
|
МП Софтуерни технологии |
Курс: Избираем |
Семестър: 1 |
Кредити: 6 |
Оценяване: текущо |
||
|
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
|
Иновации на продукти и услуги |
180 |
30 |
30 |
0 |
120 |
|
|
Резюме на курса: Този курс навлиза в сферата на дизайн мисленето, основен подход при създаването на иновативни продукти и услуги в различни области. Студентите ще бъдат потопени в цялостния процес, придобивайки практически опит с неговите инструменти и практики чрез групов проект. Учебната програма набляга на критериите за оценка на иновативни решения и ги интегрира в разработването на проекти. Семинарите ще улеснят дискусиите относно напредъка на проекта и предизвикателствата, допълнени от навременна обратна връзка от инструктора и задълбочени дискусии, осигурявайки цялостно разбиране и прилагане на принципите на дизайн мисленето.
|
||||||
|
МП Разпределени системи и мобилни технологии |
Курс: Избираем |
Семестър: 1 |
Кредити: 5 |
Оценяване: изпит |
||
|
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
|
Обработка на големи обеми от данни за Интернет на нещата |
150 |
30 |
0 |
30 |
90 |
|
|
Резюме на курса: Курсът, създаден за нуждите на МП “Разпределени системи и мобилни технологии” от катедра “Информатика”, навлиза в предизвикателствата на големите данни. Той въвежда жизнен цикъл на анализ на данни, като набляга на приложенията му при обяснение на събития, прогнозиране и ориентирано към целите напътствие. Студентите ще използват Python за дейности по анализ на данни и ще използват модели за машинно обучение, за да се справят с различни аналитични задачи.
|
||||||
|
МП Изкуствен интелект |
Курс: Избираем |
Семестър: 1 |
Кредити: 6 |
Оценяване: комплексно |
||
|
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
|
Подходи за обработка на естествен език |
180 |
45 |
0 |
15 |
120 |
|
|
Резюме на курса: Този курс ни потапя в огромното царство на неструктурирания текст, като набляга на винаги актуалните цели на компютърната лингвистика, установени преди шест десетилетия. С множество публични текстови ресурси, като многоезична Уикипедия и патентни архиви, курсът подчертава потенциала на анализа на текст в области като медицината за разкриване на новаторски прозрения. Студентите ще бъдат запознати с основните концепции в автоматизираната обработка на естествен език, обхващаща морфологичен, синтактичен и семантичен анализ. Курсът хвърля светлина върху присъщите предизвикателства, пред които са изправени компютрите при разбирането на естествения език. Практическите приложения включват обработка на записи в Уикипедия, патенти и анонимни досиета на български пациенти, с практически упражнения, използващи публични софтуерни инструменти.
|
||||||
|
МП Софтуерни технологии |
Курс: Избираем |
Семестър: 2 |
Кредити: 5 |
Оценяване: комплексно |
||
|
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
|
Разработване на системи с компоненти с ИИ |
150 |
30 |
30 |
0 |
90 |
|
|
Резюме на курса: Този курс изследва разработването на интегрирани с ИИ софтуерни системи, като набляга на инженеринг на изискванията, архитектурата и осигуряване на качеството. Студентите ще научат съвременните инженерни процеси на ИИ и ще се задълбочат в етичните съображения за разработването на ИИ. Учебната програма завършва с независим проект, който да бъде представен по време на семинарно занятие. |
||||||
|
МП Технологии за големи данни |
Курс: Избираем |
Семестър: 2 |
Кредити: 6 |
Оценяване: текущо |
||
|
НОВ |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
Граф бази данни |
180 |
15 |
0 |
45 |
120 |
|
|
Резюме на курса: Този курс се задълбочава в темата за граф бази данни, наблягайки на стандартите на W3C като RDF, RDF-Star и RDFS за представяне на данни и описание на схема. Студентите ще изследват референтни онтологии с помощта на OWL, ще се научат да интегрират данни от различни източници и контролират на качеството на основните данни. Учебната програма обхваща усъвършенствани заявки с помощта на SPARQL и GraphQL и демонстрира приложения от реалния свят, включително търсене по подобие, пълен текст и геопространствено търсене. Техники като виртуализация, обединяване и клъстерни архитектури осигуряват надежден достъп до данни и толерантност към грешки. Освен това курсът засяга интеграцията с корпоративните ИТ, като набляга на автентикацията, контрола на достъпа и съобщителните шини (Kafka).
|
||||||
|
МП Технологии за големи данни |
Курс: Избираем |
Семестър: 2 |
Кредити: 5 |
Оценяване: текущо |
||
|
НОВ |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
Разширен анализ на изображения |
150 |
30 |
0 |
30 |
90 |
|
|
Резюме на курса: Този курс се фокусира в усъвършенствани техники за анализ на изображения, за да подпомогне решаването на геоинформационни проблеми. Отвъд традиционните базирани на пиксели класификации, студентите ще изследват специализирани методи като Support Vector Machine, Random Forest и контекстуални класификации, използващи Convolutional Neural Networks. Учебната програма засяга предимствата и предизвикателствата на многовременния анализ на изображения, подсилени от казуси от реалния свят. Чрез лекции и практически сесии студентите ще усвоят програмни кодове, придобивайки задълбочено разбиране на алгоритмите за анализ на изображения, съчетавайки безпроблемно теория и практика. |
||||||
|
МП Технологии за големи данни |
Курс: Избираем |
Семестър: 2 |
Кредити: 6 |
Оценяване: текущо |
||
|
НОВ |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
Заснемане и обработка на геопространствени данни за 3D моделиране |
180 |
30 |
0 |
45 |
105 |
|
|
Резюме на курса: Този курс помага на студентите да добият обзорна представа за различни сензори, от сателитни до земни, както и методологии за събиране и изследване на геопространствени данни. Той подчертава критичния подбор на методи за конкретни приложения. Студентите ще овладеят техники за геопространствено и дистанционно наблюдение, за да извличат автономно данни от изображения и да се справят с предизвикателствата в реалния свят. Курсът подчертава значението на качеството на данните в 3D моделирането, като въвежда методи, стандарти и платформи за разработване на 3D модели и цифрова репликация. Практическите сесии предлагат осмислянето на потенциални иновации, както и тяхната приложимост в контекста на различни държави.
|
||||||
|
МП Изкуствен интелект |
Курс: Избираем |
Семестър: 2 |
Кредити: 5 |
Оценяване: комплексно |
||
|
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
|
Семантичен уеб |
150 |
30 |
0 |
30 |
90 |
|
|
Резюме на курса: Този курс се фокусира върху сърцевината на семантичните технологии, подчертавайки обработката на RDF данни и използването на свързани отворени данни. Той разглежда различни типове онтология, допълнени от приложения от реалния свят, и въвежда методи за ангажиране със семантични графи от знания. Учебната програма интегрира машинно обучение, невронни мрежи и техники за обработка на естествен език, пригодени за тези графи. В крайна сметка, курсът има за цел да даде възможност на студентите да използват огромни отворени набори от данни, както и вече съществуващи семантични модели и да произвеждат данни, придържащи се към съвременните стандарти за безпроблемна повторна употреба.
|
||||||
|
МП Изкуствен интелект |
Курс: Избираем |
Семестър: 2 |
Кредити: 6 |
Оценяване: комплексно |
||
|
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
|
Препоръчващи системи |
180 |
30 |
0 |
30 |
120 |
|
|
Резюме на курса: Препоръчващите системи са подобласт в машинното самообучение, намираща широко комерсиално приложение (препоръчване на продукти, новини, музика и други). В курса ще бъдат разгледани основните проблеми пред препоръчващите системи и методи за тяхното решение. Основно внимание ще се обърне и на разработването на курсов проект, който прилага знанията от курса.
|
||||||
|
МП Технологии за големи данни |
Курс: Избираем |
Семестър: 2 |
Кредити: 6 |
Оценяване: текущо |
||
|
НОВ |
Наименование на курса: |
Общо часове |
Лекции |
Семинари |
Практически |
Самоподготовка |
|
Големи софтуерни системи (нa Java) |
180 |
30 |
0 |
30 |
120 |
|
|
Резюме на курса: Курсът се занимава със създаването на големи софтуерни системи, използващи технологиите на Java Enterprise. Студентите ще изследват основните компоненти на софтуерна система, техните взаимовръзки и свързаните технологии. Учебната програма обхваща рамката за разработка на уеб приложения JSF2+ и компонентите на JakartaEE (по-рано JavaEE), включващи компоненти за бизнес данни, навигационни графики, многослойни системи и интернационализация на уеб приложения. Акцентът е поставен върху MVC архитектурата, жизнения цикъл на компонентите и техниките за визуализиране на диаграми и управление на различни типове данни. |
||||||
