Д.В.1
Аннотация: В рамках данной дисциплины рассматриваются следующие темы: Примеры и классификация задач машинного обучения. Вероятностные распределения на данных. Функции потерь. Эмпирический риск. Расстояния на евклидовых пространствах. Расстояние Хэмминга и редакционное расстояние. Внешние библиотеки R для осуществления регрессионного анализа. Визуализация результатов регрессионного анализа для однофакторной и двухфакторной линейной и нелинейной регрессий на R. Построение линии логистической регрессии на R. Глубокие нейронные сети прямого распространения. Обучение нейронной сети. Градиентный спуск. Метод обратного распространения ошибки. Проблемы оптимизации нейронных сетей. Сверточные нейронные сети. Применение библиотек R для реализации алгоритмов нейронных сетей. Решение задачи классификации с помощью наивного Байесовского классификатора на R. Оценка точности полученных решений с помощью метода кросс-валидации на R. Применение метода деревьев решений для задачи классификации на R, оценка точности полученных решений.Эвристические методы кластеризации: метод связных компонент, метод кратчайшего дерева, алгоритм Форель. Алгоритм к-средних
Результат обучения: В результате освоения дисциплины магистранты научатся собирать и преобразовывать первичные эмпирические данные для дальнейшего их использования, применять методы обработки данных, а также проводить эконометрический и экономический анализ для разработки прогнозов социально-экономического развития городских подсистем и принятия управленческого решения для умного города
Аннотация: Примеры и классификация задач машинного обучения. Вероятностные распределения на данных. Функции потерь. Эмпирический риск. Расстояния на евклидовых пространствах. Расстояние Хэмминга и редакционное расстояние. Внешние библиотеки R для осуществления регрессионного анализа. Визуализация результатов регрессионного анализа для однофакторной и двухфакторной линейной и нелинейной регрессий на R. Построение линии логистической регрессии на R. Глубокие нейронные сети прямого распространения. Обучение нейронной сети. Градиентный спуск. Метод обратного распространения ошибки. Проблемы оптимизации нейронных сетей. Сверточные нейронные сети. Применение библиотек R для реализации алгоритмов нейронных сетей. Решение задачи классификации с помощью наивного Байесовского классификатора на R. Оценка точности полученных решений с помощью метода кросс-валидации на R. Применение метода деревьев решений для задачи классификации на R, оценка точности полученных решений.Эвристические методы кластеризации: метод связных компонент, метод кратчайшего дерева, алгоритм Форель. Алгоритм к-средних
Результат обучения: В результате освоения дисциплины магистранты научатся формализовывать задачи в различных прикладных областях на основе математических методов машинного обучения и программировать алгоритмы реализации этих методов при решении прикладных задач анализа данных на R, а так же понимать и объяснять возможные результаты решений, овладеют навыками постановки научно-исследовательских задач, решаемых с помощью методов машинного обучения, их реализацией на R и интерпретации полученных результатов
Д.В.2
Аннотация: В рамках данной дисциплины раскрывается понятие цифровой трансформации, рассматриваются социальные тренды развития городов, экономические тренды развития городов, технологические тренды, городское управление, умное жкх, умный городской транспорт, интеллектуальные системы общественной безопасности, инфраструктура сетей связи, интеллектуальные системы экологической безопасности. Студенты ознакомятся: 1) с информационно-коммуникационными технологиями такими, как: телеметрия, интернет -вещи, всеобъемлющий интернет, технологии сбора и работы с Большими данными, технологии визуализации данных, квантовые вычисления, облачные сервисы и технологии, блокчейн технологии, технологии дополненной реальности, киберфизические системы, геоинформационные системы, электронные услуги и сервисы, информационное моделирование зданий и сооружений; 2) с инженерно-техническими разработками: умные сети, инновационные материалы, робототехника, технологии управления вредными выброса, технологии раздельного сбора и переработки мусора, технологии очистки воды. Будут раскрыты следующие темы: Цифровые платформы как инструмент цифровой трансформации; Организация баз данных и системы управления базами данных, визуализация данных; Роль современных сетей в цифровой трансформации систем. классификация компьютерных сетей по среде передачи данных, скорости, размеру охваченной территории, по иерархической организации; классификация сетей по типу коммутации и технологии передачи, топология сетей, стандарты в области сетей, организация сетей, базовые понятия сетей, модель OSI и модель и стек протоколов TCP/IP, Данная
Результат обучения: В результате освоения дисциплины магистранты научатся осуществить визуализацию данных в цифровой среде для принятия управленческих решений; формировать план и оценивать эффективность цифровой трансформации систем различными программными средствами;выбирать оптимальные средства решения задач, минимизировать пути решения, представлять результа, овладеют навыками формулирования и анализа результатов запросов к базам данных
Аннотация: В рамках данной дисциплины рассматриваются следующие темы: Тенденции развития мировой и Российской энергетики. Перспективные цифровые технологии топливно-энергетического комплекса: активно-адаптивные сети Smart Grid, новые бизнес-модели «Энергия как услуга», автономные технологии добычи энергоресурсов (цифровая шахта и цифровое месторождение), сбор энергии, виртуальная электростанция. Система энергообмена между автомобилем и электросетью.
История создания и развития Smart Grid. Ожидаемые эффекты реализации концепции Smart Grid в России. Технологический базис развития электроэнергетики на базе Smart Grid. Измерительные приборы и устройства. Инновационные технологии и компоненты электроэнергетической системы. Динамическое управление электросетями. Автоматизация систем водоснабжения и водоотведения с помощью современной АСУ на основе SCADA. Оптимизация режимов водопотребления и регулирования расхода горячей воды на циркуляцию при реализации Smart Grid. Механизмы и формы организации и управления процессом разработки и внедрения концепции Smart Grid за рубежом. Приоритеты и этапы разработки и внедрения концепции Smart Grid за рубежом. Международный консорциум Smart City — «умных» городов. Программы и проекты применения технологий Smart Grid за рубежом. Барьеры в реализации концепции Smart Grid за рубежом
Результат обучения: В результате освоения данной дисциплины магистранты смогут осуществлять сбор, анализ и интерпретацию данных об уровне и перспективах внедрения умных технологий в энергетике;а также принимать управленческие решения по различным вопросам внедрения отдельных элементов умных сетей электроснабжения и в целом инновационного развития энергетической отрасли