SYLABUS^Online

Навігація

Категорії

Фільтри

Фільтри:

Обрані фільтри: Освіта: формальна (диплом) Семестровий контроль: екзамен Аудиторні заняття: семінари Обрані категорії: Інженерія програмного забезпечення

Організація високопродуктивних обчислень

Сучасні мобільні операційні системи

Методи та технології паралельного програмування

Теорія прийняття рішень

Стек технологій проектування Web-застосувань

Технології машинного навчання

Управління бізнес процесами

Що буде вивчатися

Аналіз основного застосування технології блокчейн як грошової системи. Архітектура блокчейн-систем на прикладі системи Bitcoin. Криптографічні примітиви необхідні для функціонування блокчейн-системи. Використання технології блокчейн поза межами грошової системи. Експериментальні альтернативні протоколи (Ethereum, Monero), їхні переваги і недоліки.

Чому це цікаво/треба вивчати

Метою дисципліни є формування у студентів здатностей розроблювати програмне забезпечення для взаємодії з мережею Bitcoin та розуміння моделі безпеки, яка є ключовим компонентом такого програмного забезпечення.

Чому можна навчитися (результати навчання)

Знати:

переваги і недоліки використання технології блокчейн як грошової системи;
архітектуру програмного забезпечення за технологією блокчейн на прикладі системи Bitcoin;
основи криптографії;
поняття хеш-функцій та основи асиметричних криптосистем;
виділяти властивості блокчейн-систем, що дозволяють застовувати їх поза межами грошої системи;
розуміти переваги і недоліки альтернативних протоколів (Ethereum, Monero).

Як можна користуватися набутими знаннями і уміннями (компетентності)

Уміти:

налаштовувати програмне забезпечення для взаємодії з системою Bitcoin;
розробляти прості програмні застосунки для взаємодії з системою Bitcoin;
аналізувати і адаптувати моделі безпеки програмних застосунків для взаємодії з блокчейн-системами. — Методи Block Chain

Що буде вивчатися

Класифікація моделей, властивості та контроль правильності математичних моделей. Елементи теорії похибок. Технологія моделювання. Математичні моделі, що описуються диференціальними рівняннями першого порядку. Математичні моделі, що описуються диференціальними рівняннями вищих порядків та їх системами. Аналіз систем диференціальних рівнянь та моделей, що описуються системами диференціальних рівнянь. Математичний пакет Matlab або Octave.

Чому це цікаво/треба вивчати

Обчислювальні (імітаційні) експерименти з моделями об’єктів дозволяють, спираючись на потужність сучасних обчислювальних методів та технічних інструментів інформатики, детально та глибоко вивчати об’єкти достатньо повно, що є недоступним для чисто теоретичного підходу. Математичне моделювання швидко розвивається, охоплюючи нові сфери – від розробки технічних систем та їх керуванням до аналізу складних економічних та соціальних процесів. Будучи методологією, математичне моделювання не замінює собою математику, фізику, біологію та інші наукові дисципліни і не конкурує з ними. Навпаки воно виконує синтезуючу роль.

Чому можна навчитися (результати навчання)

Знати:

основи ймовірнісних методів аналізу і моделювання систем та методів імітаційного моделювання;
методи аналізу фазових портретів нелінійних систем диференціальних рівнянь;
загальні принципи побудови математичних моделей;
моделі зростання населення;
моделі конкуренції;
моделі механічних систем;
моделі взаємодії популяцій.

Уміти:

будувати математичні моделі реальних систем та процесів;
проводити аналіз адекватності математичної моделі;
будувати та проводити багатокритеріальний аналіз моделей механічних систем, моделей зростання населення, конкуренції та взаємодії популяції;
обґрунтовувати вибір комп’ютерних засобів для побудови математичної моделі;
застосовувати методи лінеаризації для спрощення моделей, що описуються нелінійними системами диференціальних рівнянь.

Як можна користуватися набутими знаннями і уміннями (компетентності)

Уміти:

розроблювати математичні моделі реальних систем та процесів;
аналізувати адекватність математичної моделі;
застосовувати методи лінеаризації для спрощення моделей, що описуються нелінійними системами диференціальних рівнянь. — Математичне моделювання систем і процесів

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

Графові бази даних

Web-програмування

Автоматизоване тестування

Алгоритми шифрування та захисту даних

Теорія ймовірностей та математична статистика

Фреймворки JavaScript для вебпрограмування

Хмарні технології в інженерії даних

Хмарні технології в машинному навчанні

Якість ПЗ та тестування

Силабуси за спеціальністю 121 - Інженерія програмного забезпечення здобуття формальної освіти (диплому), з екзаменом, з проведенням семінарів

121 - Інженерія програмного забезпечення

Навчання з проведенням семінарів. Групові заняття з викладачем з проведенням активної дискусії та мозкового штурму.

×

Бізнес, адміністрування та право

Фінанси, банківська справа, страхування та фондовий ринок Менеджмент Маркетинг Підприємництво та торгівля Публічне управління та адміністрування

Бізнес, адміністрування та право Інформаційні технології

Інженерія, виробництво та будівництво

Прикладна механіка Матеріалознавство Галузеве машинобудування Біомедична інженерія Електронні комунікації та радіотехніка Автоматизація, комп’ютерно-інтегровані технології та робототехніка Інформаційно-вимірювальні технології Технології захисту навколишнього середовища Будівництво та цивільна інженерія

Транспорт, спорт і послуги

Автомобільний транспорт

Соціальні науки, журналістика та інформація

Економіка

Природничі науки, математика та статистика

Екологія

Інформаційні технології

Інженерія програмного забезпечення Комп'ютерні науки Комп'ютерна інженерія Системний аналіз Кібербезпека та захист інформації Інформаційні системи та технології

×

Форма навчання

Курс навчання

Аудиторні заняття

Рівень навчання

Семестровий контроль

Семестр

Цикл підготовки

Рік