SYLABUS^Online

Навігація

Категорії

Фільтри

Фільтри:

Обрані фільтри: Освіта: формальна (диплом) Освіта: формальна (диплом) Аудиторні заняття: лекції Форма фінансування: безкоштовно Обрані категорії: Інженерія програмного забезпечення

Що буде вивчатися

Основи проєктування високопродуктивних обчислювальних систем. Основні принципи та методи обчислень у високошвидких обчислювальних системах та комплексах різної архітектури. Технології, методи і засоби проєктування високопродуктивних обчислювальних систем. Стандарти проєктування та оформлення проєктної документації. Інструментальні засоби проєктування високопродуктивних систем. Технології Grid computing для побудови високопродуктивних обчислювальних систем. Технології Cloud computing для побудови високопродуктивних обчислювальних систем. Основні сценарії використання високошвидкісних обчислень.

Чому це цікаво/треба вивчати

Метою дисципліни є формування у студентів здатностей розробляти програмне забезпечення для проєктування сучасних високопродуктивних обчислювальних систем, використовувати стороннє програмне забезпечення для створення сучасних високопродуктивних обчислювальних систем.

Чому можна навчитися (результати навчання)

Уміти:

створювати високопродуктивні програмні системи на базі існуючих технічних ресурсів;
аналізувати вимоги до сучасних високопродуктивних комп’ютерних систем;
застосовувати технології Grid computing та Cloud computing для побудови високопродуктивних обчислювальних систем;
розв’язувати задачі проєктування та експлуатації розподілених систем з підвищеними вимогами до обчислювальних можливостей;
розробляти нові архітектури високошвидких обчислювальних систем;
застосовувати теоретичні знання для розв’язання практичних задач підвищеної складності в плані безперервного зростання обчислювальних можливостей і швидкодії програмних систем.

Як можна користуватися набутими знаннями і уміннями (компетентності)

Уміти:

застосовувати інструментальні засоби проєктування сучасних високопродуктивних обчислювальних систем;
використовувати сучасні інтегровані технології для проєктування високопродуктивних систем. — Проєктування сучасних високопродуктивних обчислювальних систем

Що буде вивчатися

Методи класифікації та регресії. Метрики якості класифікації. Лінійні моделі класифікації та регресії, побудова та відбір ознак. Алгоритми побудови та навчання дерев рішень. Методи кластеризації. Способи попереньої підготовки даних. Нейронні мережі. Візуальний аналіз даних з Python. Мова програмуванння Python та її бібліотеки, зокрема numpy, pandas и scikit-learn.

Чому це цікаво/треба вивчати

Метою вивчення дисципліни є оволодіння навичками інтелектуального аналізу даних, аналітичного дослідження великих масивів даних з метою виявлення нових раніше невідомих знань, взаємозв’язків та закономірностей, опанування моделей, програмних продуктів та інструментальних засобів, які необхідні для проведення аналізу даних, вивчення типів задач, які вирішуються за допомогою машинного навчання, та прийомів розроблення та використання відповідного програмного забезпечення.

Чому можна навчитися (результати навчання)

Знати:

основні поняття та визначення теорії машинного навчання;
основні моделі машинного навчання, що базуються на деревах прийняття рішень та нейронних мережах;
принципи побудови векторів ознак, вирішальних правил та класифікації;
основні види класифікаторів та принципи їх побудови;
методи кластеризації;
методи попереднього оброблення даних;
засоби формалізованого подання знань.

Як можна користуватися набутими знаннями і уміннями (компетентності)

Уміти:

моделювати та аналізувати дані, маніпулювати ними;
обирати відповідний вид класифікатора в залежності від задачі, яка розв’язується;
проводити попередню обробку даних;
застосовувати алгоритми побудови і навчання класифікатора по вибірці;
виконувати обчислення, пов’язані з навчанням і роботою класифікатора;
розробляти структуру баз знань та баз даних;
розробляти алгоритми та програми для обробки баз даних та знань;
візуально відображати результати проведених досліджень;
виконувати статистичне оцінювання. — Машинне навчання

Що буде вивчатися

Проміжне програмне забезпечення. Методи побудови розподілених та гетерогенних систем. Основи моделювання. Архітектурне проєктування. Засоби підтримки проєктування. Оцінка дизайну програмного забезпечення. CASE засоби для проєктування.

Чому це цікаво/треба вивчати

Метою дисципліни є ознайомлення студентів із різними шаблонами проєктування, середовищами розробки, архітектурами для проєктування різноманітного програмного забезпечення. Набуті уміння та навички з проєктування нового та модифікації існуючого програмного забезпечення можуть широко використовуватися в індустрії розробки програмного забезпечення.

Чому можна навчитися (результати навчання)

Знати:

принципи побудови розподілених систем;
мову UML, основні діаграми та інструменти моделювання;
засоби структурного проєктування;
види архітектури програмного забезпечення, основні фреймворки для архітектури програмного забезпечення;
основні засоби підтримки проєктування.

Як можна користуватися набутими знаннями і уміннями (компетентності)

Уміти:

виконувати попереднє проєктування програмного забезпечення;
будувати функціональну схему програмного забезпечення;
виконувати зовнішнє проєктування програмного забезпечення;
виконувати проєктування архітектури програмного забезпечення;
оцінювати дизайн програмного забезпечення. — Архітектура програмного забезпечення та компонентно-орієнтоване проєктування

Що буде вивчатися

Сервіси хмарних платформ Azure, AWS.

Чому це цікаво/треба вивчати

Метою дисципліни є вивчення сервісів хмарних платформ Azure та AWS. Набуті знання дозволять користуватися можливостями хмарних сервісів для розроблення ПЗ.

Чому можна навчитися (результати навчання)

Знати:

основи хмарних технологій;
особливості реалізації хмарних сервісів;
можливості хмарних сервісів;
способи керування хмарними сервісами;
життєвий цикл ресурсів хмарних сервісів.

Як можна користуватися набутими знаннями і уміннями (компетентності)

Уміти:

керувати віртуальними машинами;
керувати віртуальними мережами;
керувати сховищами та базами даних;
керувати користувачами;
використовувати масштабування ресурсів;
проводити інтеграцію сервісів. — Хмарні технології

Що буде вивчатися

Модуль 1

Проектування програмного забезпечення для аналізу веб-сайтів, які надають відкриті дані мережі Інтернет. Використання бібліотек NumPy, Рandas, Matplotlib, Folim. Взаємодія програмного забезпечення з зовнішніми додатками. Рandas DataFrame. Призначення і можливості Speedtest-cli. Обчислення середньої швидкості Wi-Fi для набору даних. Імпорт даних з Інтернету за допомогою Pandas. Засоби Pandas для кореляційного аналізу. Регресійний аналіз даних мережі Інтернет. Розроблення програмного забезпечення для прогнозування трафіку мережі Інтернет засобами Python. Розроблення програмного забезпечення для аналітики та візуалізації даних мережі Інтернет. Виявлення евклідових аномалій Інтернет-трафіку. Програмне забезпечення для аналізу швидкості Інтернету за допомогою Scikit-Learn, Pandas та Matplotlib. Використання бібліотек Seaborn, FiveThirtyEight. Використання бібліотек Folium та Leaflet.js. Використання OpenStreetMap, Mapbox, Stamen для розроблення програмного забезпечення. Поєднання бази даних SQLite, файлів JSON та DataFrames. Імпорт скрипта Python з бібліотеки Folium, використання наборів Folium, модифікація та маркування карти. Lambda - архітектура обробки даних мережі Інтернет.

Модуль 2

Архітектура SDN. Призначення протоколу OpenFlow. APIC-EM. REST API. Структура запиту REST. Призначення і можливості Postman. Створення програм для запиту та відображення таблиці хостів та таблиці мережевих пристроїв у мережі. Інвентаризація хостів мережі за допомогою Python. Створення функції для запиту інвентаризації хоста. Аналіз Network Device Inventory API. Програмне забезпечення для введення даних користувача, читання та запису у зовнішні файли. Програмне забезпечення, яке отримує доступ до API на основі введення користувача та процесів відображення даних JSON. Парсинг JSON у Python. MapQuest API Application. Аутентифікація RESTful Request. Використання APIC-EM Path Trace API в Python. Використання DevNet GitHub. APIC-EM API для Flow Analysis. API Reference. The Rooms API. The List Messages API. List Messages Endpoint. List Messages Response. Використання Postman для надсилання запитів до ISS Location API. Створення виклику до API Webex Teams в Python. Використання Python для Automate Listing Rooms. Використання Python для List and Search Messages. Використання Python для інтеграції API MapQuest і розташування ISS за допомогою API Webex.

Чому це цікаво/треба вивчати

Метою дисципліни є формування у студентів здатностей проєктувати та розроблювати програмне забезпечення для розв’язання практичних задач професійної діяльності, пов’язаних з аналізом відкритих даних мережі Інтернет.

Чому можна навчитися (результати навчання)

Знати:

концепції мережевої програмованості та автоматизації з використанням технологій API, REST, JSON, Python, Git, Postman, SDN, NFV, NETCONF, RESTCONF, Controllers, Orchestration, YANG, YAML, ACI, APIC-EM та контейнерів.

Уміти:

проєктувати програмне забезпечення для збору та аналізу даних мережі Інтернет;
проєктувати програмне забезпечення для взаємодії з API APIC-EM;
використовувати Python для здійснення викликів до API Webex Teams.

Як можна користуватися набутими знаннями і уміннями (компетентності)

Уміти:

розроблювати програмне забезпечення, яке дозволятиме збирати та аналізувати відкриті дані мережі Інтернет;
розроблювати програмне забезпечення мереж SDN, включаючи центральний контроль за політикою прикладних програм;
використовувати DevNet Sandbox для взаємодії з програмованими пристроями за допомогою API реального світу на програмованих контролерів APIC-EM. — Проєктування та розроблення мережевого програмного забезпечення

Що буде вивчатися

Модуль 1

Моделювання мережевої архітектури пристроїв ІоТ в середовищі Cisco Packet Tracer. Програмування Reg Server, MCU та SBC. Пристрої Wired IoT для Smart Home Network. Підключення до мережі та програмування пристроїв IoT. Додавання пристроїв IoT до Smart Home Network. Доступ та моніторинг мережі IoT. Підключення та моніторинг IoT-пристроїв. Використання Python для програмування пристроїв ІоТ. Налаштування віртуалізованого серверного середовища. Технологія прототипування. Використання фізичних матеріалів та електронних наборів інструментів для моделювання мережі пристроїв ІоТ. Налаштування PL-додатка за допомогою Raspberry Pi. Використання PL-App Notebook та Arduino для проектування мережі ІоТ.

Модуль 2

Туманні обчислення в Smart Home Network. Хмара та хмарні обчислення. Розподілена обробка в мережі пристроїв ІоТ. Дослідження Smart Home Network. Машинне навчання в IoT. Створення прототипу програми AI. Intent-Based Networking (IBN). Use Cases для мереж IBN. Дослідження ІBN. Загрози, вразливості та атаки мережі ІоТ. Кращі практики безпеки ІоТ пристроїв. Налаштування безпеки WPA2 на бездротовому маршрутизаторі. Налаштування VPN на смартфонах. Проектування безпечної веб-комунікації на веб-сервері в мережі Cloud Provider Service. Забезпечення цілісності даних пристроїв ІоТ.

Чому це цікаво/треба вивчати

Метою дисципліни є формування у студентів здатностей проектувати і програмувати мережу пристроїв Інтернету речей, взаємодіяти з мережевими пристроями та гарантувати безпеку та цілісність даних в мережі пристроїв ІоТ.

Чому можна навчитися (результати навчання)

Уміти:

застосовувати програмування для підтримки пристроїв IoT;
здійснювати проектування мереж пристроїв ІоТ;
забезпечувати цілісність даних пристроїв ІоТ;
налаштовувати безпеку мережевих пристроїв.

Як можна користуватися набутими знаннями і уміннями (компетентності)

IoT створює попит на новий вид ІТ-спеціаліста. Це люди, які володіють знаннями та наборами навичок для розроблення нових продуктів з підтримкою IoT та обробки даних, які вони збирають. Потрібна підприємницька робоча сила, яка спеціалізується як на інформатиці, так і на програмному забезпеченні або комп'ютерній техніці. На даний час є досить популярним і стрімко розвивається будівництво Smart Home Networks. Для налаштування такого типу мереж необхідні спеціалісти, які зможуть виконати програмування пристроїв ІоТ, налаштовувати мережеві пристрої для безпечної роботи пристроїв Smart Home Network без втрат даних та збереження їх цілісності. — Мережева архітектура та безпека ІоТ пристроїв

Що буде вивчатися

Визначення та характеристики великих даних. Відкриті дані, їх формати та засоби обробки. Розроблення програмного забезпечення для аналізу вебсайтів, які надають відкриті дані з використанням мови Python. Призначення бібліотек NumPy, Randas, Matplotlib, Folim. Форматування даних про час та дату, читання та запис файлів за допомогою Python. Взаємодія з зовнішніми програмами. DataFrame. Інструменти Python для кореляційного аналізу. Регресійний аналіз даних мережі Інтернет за допомогою Python. Метод найменших квадратів. Програмування лінійної регресії за допомогою Python. Програмні методи кластеризації та асоціації даних у мережі. Аналіз основних компонентів. Аналіз незалежних компонентів. Алгоритми класифікації даних. Застосування та проблеми класифікацій. Модель класифікатора дерева рішень. Помилки в аналізі та прогнозуванні даних. Оцінка помилок регресії за допомогою Python. Модуль Pyplot. Аналіз швидкості Інтернету за допомогою Scikit-Learn, Pandas та Matplotlib. Архітектурні моделі інженерії великих даних. Технології віртуалізації. Гіпервізори. Контейнери. Контейнерна технологія для виконання програмного коду на сервері. SaaS, PaaS та IaaS. Технології Hadoop Big Data. Розподілена обробка MapReduce. HDFS. Потокова платформа Kafka. Переваги Кафки. Переваги Cassandra та Hadoop для зберігання даних. Переваги Spark перед MapReduce. Лямбда - архітектура.

Курс знайомить студентів із життєвим циклом аналізу даних. Студенти будуть використовувати блокноти Jupyter для для збору, аналізу, візуалізації даних, представлення вмісту датасетів, рівнянь та запуску активного коду Python у межах одного файлу. Студенти також застосовуватимуть моделі машинного навчання для навчання комп’ютера для автоматизації завдань.

Чому це цікаво/треба вивчати

Дані є всюди. Важко зрозуміти, скільки нових даних генерується щодня. Даними можуть бути слова в книзі, вміст електронної таблиці, зображення, відео, аудіо, потік вимірювань, надіслані з пристрою моніторингу. Неочищені дані не мають корисного значення. Ми повинні обробити ці дані, а потім інтерпретувати результат, щоб зробити його корисним. Ці корисні дані тепер є інформацією. Коли ця інформація застосовується або розуміється, вона стає знанням. Коли даних настільки багато, що традиційні способи їх обробки, зберігання та аналізу не можуть бути використані, ми маємо справу з великими даними. Великі дані вимагають нових методів та інструментів, щоб зробити їх значущими для досліджень.

Чому можна навчитися (результати навчання)

Цей курс знайомить студентів з технологіями та інструментами мови Python, які можна використовувати для аналітики великих даних. Студенти дізнаються, як аналізувати великі дані, використовуючи основні статистичні методи та технології оброблення даних у Python за допомогою Рandas, як аналізувати дані за допомогою моделей машинного навчання, як центри обробки даних та інженерія даних сприяють великим даним та аналітиці.

Як можна користуватися набутими знаннями і уміннями (компетентності)

З появою IoT та Big Data сьогодні з’являються нові категорії вакансій. Вчений з даних бере необроблені дані та перетворює їх на значущу інформацію. Вчені, що займаються даними, застосовують статистику, машинне навчання та аналітичні підходи для відповіді на критичні бізнес -питання. Вчені, що займаються даними, повинні інтерпретувати та передавати результати своїх висновків за допомогою методів візуалізації, створення додатків для аналізу даних. Вони працюють з наборами даних різного розміру та форм та запускають алгоритми на великих наборах даних. Вчені з даних повинні володіти найновішими технологіями. Вони повинні знати основи інформатики та програмування, включаючи досвід роботи з мовами та технологіями баз даних. Деякі інструменти, які допомагають дослідникам даних виконувати свою роботу, - це Python, R, Scala, Apache Spark, Hadoop, інструменти та алгоритми видобування даних, машинне навчання та статистика. Жодне з вищеописаних завдань не може існувати без інженера з даних. Інженери даних створюють інфраструктуру, яка підтримує Big Data. Вони розробляють та будують платформу, на якій усі ці дані зберігаються та обробляються. Інженери даних також керують усіма цими даними. Інженери даних можуть також інтегрувати дані з різних джерел і виконувати очищення даних. Деякі інструменти та програми, якими інженери даних регулярно користуються, це Hadoop, MapReduce, Hive, Pig, MySQL, MongoDB, Cassandra, Streaming Data, NoSQL, SQL та програмування. — Великі дані та аналітика

Що буде вивчатися

Метою викладання дисципліни є засвоєння студентами креативних механізмів та технологій менеджменту інноваційних проєктів та програм (Р2М) в ІТ галузі. Формування практичних знань та вмінь з проактивного управління та впровадження інноваційних ІТ рішень. Набуття досвіду управління креативним потенціалом команди проєкту. Набуття навичок роботи за міжнародним стандартом програмного та проєктного менеджменту Р2М.

Чому це цікаво/треба вивчати

Використання креативних технологій при створенні та впровадженні програмних продуктів є запорукою комерційного успіху на ринку ІТ. Цей курс дозволить набути фахових компетенцій з управління інноваційними розробками програмних продуктів та вмінь проактивного менеджменту, що сьогодні потребує міжнародний рівень спеціалістів з програмної інженерії.

Чому можна навчитися (результати навчання)

Знати:

технології проактивного управління розробкою та впровадження програмного продукту;
технології трансферу знань в управлінні програмами та проєктами;
технології креативного управління знаннями та комунікаціями в управлінні проєктами та програмами;
формування стратегії розвитку програмного продукту при турбулентному оточенні;
принципів побудови програм в галузі ІТ;
особливостей застосування міжнародних стандартів менеджменту проєктів та програм в галузі ІТ.

Як можна користуватися набутими знаннями і уміннями (компетентності)

Цей курс рекомендується для слухачів, які планують мати кар'єрний ріст в проєктах ІТ та працювати на рівні Senior Project Manager. Окрім того, цей курс дозволить працювати в міжнародних проєктах з мінімальною адаптацією. Засвоєння навчальної дисципліни дозволить набути фахові компетенції:

креативного та проактивного управління;
використовувати креативні технології при формуванні інноваційних ідей, при створенні інноваційних інформаційних технологій;
використовувати технології Р2М для реалізації складних та комплексних проєктів;
управляти знаннями та досвідом команди проєкту;
використовувати креативний потенціал людських ресурсів. — Креативні технології управління ІТ програмами та проєктами

Технології віртуалізації та хмарних обчислень

Гетерогенні розподілені бази даних

Мультиагентно-орієнтоване програмування

Методи добування даних

Методи навчання з підкріпленням

Що буде вивчатися

технологія цифрових двійників;
теоретичні основи подання та оброблення даних цифрових двійників;
програмне забезпечення технології цифрових двійників.

Чому це цікаво/треба вивчати

Цифровий двійник являє собою модель фізичного об’єкта або процесу (фізичного двійника), яка якнайповніше відображає його характеристики у динаміці. Технологія цифрових двійників передбачає подання, оброблення, маніпулювання усіма даними, що характеризують фізичного двійника, та отримання певних компонент цих даних по мірі виникнення потреби у них при вирішенні задач аналізу та прогнозування стану фізичного двійника, оптимізації процедур керування фізичним двійником тощо. Згідно із прогнозом компанії Gartner, яка спеціалізується на дослідженні інновацій, технологія цифрових двійників визнана однією з перспективних технологій для застосування у різних галузях людської діяльності.

Чому можна навчитися (результати навчання)

Після засвоєння дисципліни «Проєктування програмного забезпечення технології цифрових двійників» результатами навчання є знання:

принципів створення цифрових двійників;
видів цифрових двійників досліджуваних об’єктів;
теоретичних засад технології цифрових двійників;
вимог до програмного забезпечення технології цифрових двійників;
принципів проєктування програмного забезпечення технології цифрових двійників;

та уміння:

аналізувати особливості об’єкта дослідження та формувати вимоги до програмного забезпечення для створення цифрового двійника певного об’єкта дослідження;
проєктувати архітектуру програмного забезпечення технології цифрових двійників;
проєктувати компоненти програмних продуктів на основі технології цифрових двійників.

Як можна користуватися набутими знаннями і уміннями (компетентності)

розв’язання складних задач професійної діяльності, пов’язаної із розробленням програмних систем із застосуванням технології цифрових двійників;
проєктування архітектури програмного забезпечення для створення цифрового двійника певного об’єкта дослідження. — Проєктування програмного забезпечення технології цифрових двійників

Децентралізовані застосунки

Що буде вивчатися

методи розв’язання часткової проблеми власних значень;
методи розв’язання повної проблеми власних значень;
метод виконання сингулярного розкладення прямокутної матриці;
методи апроксимації таблично-заданих функцій;
методи програмного розв’язання систем нелінійних рівнянь.

Чому це цікаво/треба вивчати

Матричні обчислення є важливою складовою у широкому колі досліджень, тому розроблення програмних засобів для матричних обчислень може бути корисним багатьом аспірантам.

Чому можна навчитися (результати навчання)

аналізувати програмні методи виконання матричних обчислень;
аналізувати та оцінювати похибки проведених обчислень над матрицями великої розмірності;
виконувати вибір необхідних математичних та програмних функцій для розв’язання поставленої задачі;
розробляти та ефективно застосувати програмні додатки для чисельного розв’язання матричних задач.

Як можна користуватися набутими знаннями і уміннями (компетентності)

проєктування систем комп’ютерної математики для виконання матричних обчислень;
використання сучасних математичних пакетів. — Методи побудови програмних засобів для матричних обчислень

Постреляційні бази даних

Офісне програмування (VBA)

Новітні мови програмування

Мульти- та кросплатформне програмне забезпечення

Методи і засоби забезпечення безпеки бездротових, мобільних та хмарних технологій

Графові бази даних

Системи цифрової обробки сигналів і зображень

Web-програмування

Силабуси за спеціальністю 121 - Інженерія програмного забезпечення здобуття формальної освіти (диплому), здобуття формальної освіти (диплому), лекційні аудиторні заняття, безкоштовно Сторінка3

121 - Інженерія програмного забезпечення
Вивчення дисципліни з лекційним курсом

×

Бізнес, адміністрування та право

Публічне управління та адміністрування

Бізнес, адміністрування та право Інформаційні технології

Інформаційні технології

Інженерія програмного забезпечення Комп'ютерна інженерія Інформаційні системи та технології

×

Форма навчання

Курс навчання

Аудиторні заняття

Рівень навчання

Семестровий контроль

Мова

Семестр

Цикл підготовки

Рік