Робочі програми дисциплін кафедри 

Обов’язкові дисципліни

Іноземна мова за фахом

Дисципліна викладається в 1 та 2 семестрах.

Навантаження: 3 години практики на тиждень.

Звітність: залік.

Мета викладання навчальної дисципліни «Іноземна мова за фахом» полягає у  формуванні у майбутніх фахівців високого рівня комунікативної культури у сфері професійного спілкування; лексичної бази із спеціальності з подальшим її застосуванням у мовленнєвій практиці.

Основними завданнями вивчення дисципліни «Іноземна мова за фахом» є: 

• досягнення студентами достатнього рівня практичного володіння іноземною мовою, який дозволить їм використовувати мовні компетентності як засіб постійного поглиблення своїх професійних знань та забезпечить навчально-пізнавальну діяльність студентів, а також надати змогу кожній особистості адекватно функціонувати у європейському професійному середовищі та поза його межами; 

• у короткі терміни навчити здобувачів функціональної іноземної мови для здійснення ефективної міжособистісної та профорієнтованої комунікації в іншомовному середовищі; 

• поступове формування в студентів уміння застосовувати іноземну мову для практичної роботи за фахом, підвищення свого професійного рівня, досягнення кар'єрних цілей.

Технології баз і сховищ даних

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є формування у студентів професійних знань та навичок з проектування, розробки та супроводження розподілених баз даних, а також теоретичного обґрунтування цих знань та навичок.

Заплановані результати навчання: студенти повинні

знати:

• загальні принципи архітектури розподілених баз даних;

• загальні поняття теорії NoSQL баз даних;

• CAP теорема;

• загальні принципи архітектури інформаційних систем, що використовують бази даних для зберігання інформації;

• принципи побудови сховища даних «ключ-значення»;

• принципи побудови документо-орієнтованого сховища даних;

• формати даних JSON та BSON;

• типи OLAP;

• основні моделі OLAP – зірка та сніжинка. 

вміти:

• проводити аналіз предметної області;

• розробляти концептуальну модель та логічну модель розподіленої бази даних;

• розробляти документи у форматі JSON;

• розробляти схему сховища даних «ключ-значення»;

• розробляти схему OLAP сховища моделі зірка;

• розробляти Web-орієнтовані додатки, що використовують бази даних для зберігання інформації.

Програмна інженерія в наукових проєктах

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є надання компетенцій щодо повного промислового життєвого циклу програмного продукту згідно до міжнародних стандартів в галузі.

Заплановані результати навчання: всі компетенції щодо програмного інжинірингу

• класифікація стандартів, пов’язаних з розробкою ПЗ; класифікація процесів життєвого циклу ПЗ згідно зі стандартом ISO/IEC 12207; класифікація процесів життєвого циклу ПЗ згідно зі SWEBOK (Soft Ware Engineering Base Of Knowledge); різні моделі життєвого циклу ПЗ, їхні переваги та недоліки;

• базові фази життєвого циклу ПЗ, процеси, вхідні та вихідні артефакти кожної фази;

• типи вимог, що визначаються на UR і SR фазах, атрибути вимог;

• поняття архітектури ПЗ, сучасні архітектурні моделі, стилі та шаблони;

• класифікація моделей та базові принципи архітектурного проектування;

• метрики, щодо оцінювання якості проекту;

• поняття та зміст верифікації, валідації, тестування, типи та методи верифікації та валідації;

• навички командної роботи над проектом.

Статистичні методи в інформатиці

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є ознайомлення студентів з сучасними методами статистичного аналізу та побудови статистичних моделей, що можуть застосовуватися до виявлення закономірностей, притаманних даним різних типів.

Заплановані результати навчання: студенти повинні

• оволодіти принципами та підходами до побудови статистичних моделей;

• засвоїти головні методи багатовимірного статистичного аналізу, що можуть застосовуватися до даних різних статистичних шкал;

• засвоїти підходи до побудови та застосування непараметричних моделей та рангових методів;

• ознайомитися з основами методів статистичного аналізу текстів на природній мови.

Розподілені обчислення

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є ознайомлення студентів з основними методами розподіленої обробки даних і їх впливом на технічні показники сучасних інформаційних систем; основними принципами побудови та функціонування сучасних розподілених інформаційних систем; специфікою числової специфікації та візуалізації паралельних часових моделей, сучасними технологіями програмування.

Заплановані результати навчання: студенти повинні

знати:

• методи розподіленої обробки даних;

• розподілені алгоритми;

• паралельні процеси;

• показники ефективності паралельної реалізації алгоритмів та програм;

• принципи побудови та архітектури сучасних розподілених інформаційних систем;

вміти:

• формувати підходи до свідомого застосування методів автоматизованої розробки програмного забезпечення розподілених інформаційних систем;

• застосовувати практичні прийоми синтезу числової специфікації розподілених програм, оцінки їх показників ефективності та візуалізації розподілених об’єктів.

Глобальні проблеми сучасності

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій на тиждень.

Звітність: залік.

Метою викладання навчальної дисципліни є дослідження глобальних проблем сучасності.

Заплановані результати навчання: студенти повинні

знати:

• класифікацію та сутність сучасних глобальних проблем;

• основні напрямки вирішення глобальних проблем сучасності. 

вміти:

• застосовувати отримані знання та методологію при дослідженні сучасних політичних, економічних та соціальних процесів у світі та Україні.

Машинне навчання

Дисципліна викладається в 2 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є ознайомлення студентів з теоретичними основами і алгоритмами машинного навчання, їх практичними реалізаціями і застосуванням до розв'язання реальних задач аналізу даних, формування у студентів практичних навичок роботи з даними і вирішення прикладних задач аналізу даних.

Заплановані результати навчання: студенти повинні

знати:

• основні алгоритми розв’язання задач класифікації, кластеризації та відновлення регресії;

• основні методи відбору ознак об’єктів класифікації та самих об’єктів. 

вміти:

• застосовувати отримані знання та методології при дослідженні задач класифікації, кластеризації та відновлення регресії.

Теорія програмування

Дисципліна викладається в 2 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є вивчення логічних і математичних засад, що дозволяють точно описувати програми, дані і обчислювальні процеси, пояснення логічних та математичних основ програмування та демонстрування, як обчислення можна використовувати для доведення теореми.

Заплановані результати навчання: студенти повинні

знати:

• призначення моделей обчислень, розрізняти імперативні і декларативні моделі обчислень;

• принципів імперативного програмування;

• значення термінів обчислюваність, розв’язність, рекурсивна перелічуваність, рекурсивність, напіврозв’язність;

• метод введення типів;

• взаємозв’язок між логікою і обчисленнями в термінах відповідності Каррі-Говарда. 

вміти:

• класифікувати мови програмування за їх базовими обчислювальними моделями;

• встановлювати обчислюваність і рекурсивну примітивність функцій;

• користуватися методом нумерації для кодування конструктивних об’єктів.

• застосовувати теореми Райса, Райса-Шапіро, Кліні до задач програмування;

• виражати основні програмні конструкції λ-термами;

• типізувати λ-термами.

Захист інформації

Дисципліна викладається в 2 семестрі.

Навантаження: 2 години лекцій на тиждень.

Звітність: залік.

Метою викладання навчальної дисципліни є вивчення студентами основних положень теорії захисту інформації, методів, обчислювальних алгоритмів та сучасних протоколів забезпечення безпеки інформаційних систем і технологій з метою отримання певного рівня підготовки у галузі захисту інформації в інформаційно-комунікаційних системах різного призначення, формування професійних знань, практичних вмінь та широкого науково-технічного кругозору фахівця.

Заплановані результати навчання: студенти повинні

знати:

• основні поняття та положення сучасної теорії захисту інформації; 

• сучасні методи криптографічних перетворень, зокрема шифрування, цифрового підпису, ґешування, тощо;

• сучасні міжнародні та відчиняти стандарти; 

• окремі криптопротоколи та методи криптографічного аналізу, сучасні технології створення комплексної системи захисту інформації. 

вміти:

виконувати практичні обчислення для виконання криптографічних перетворень, зокрема шифрування, цифрового підпису, ґешування, деяких криптопротоколів та методів криптографічного аналізу (для чисел довжиною щонайменше 4096 бітів), зокрема:

• Реалізація алгоритму RSA для шифрування та ЕЦП; 

• Факторизація цілих чисел;

• Реалізація алгоритму обміну ключами Діффі-Хелмана;

• Алгоритм Ель-Гамаля;

• Реалізація схеми розподілу секрету із застосуванням китайської теореми про залишки;

• Реалізація алгоритму шифрування із правдоподібним запереченням;

• Реалізація розширеного алгоритму Евкліда. Знаходження мультиплікативного зворотного елемента в розширенні розширеного поля ;

• Реалізація лінійних рекурентних регістрів в конфігурації Галуа;

• Реалізація лінійних рекурентних регістрів в конфігурації Фібоначчі;

• Реалізація лінійного рекурентного регістру зсуву в сучасних потокових шифрах (ДСТУ 8845 2019 «Струмок»);

• Реалізація нелінійних рекурентних регістрів; 

• Реалізація двійкових кодів Боуза-Чоудхурі-Хоквінгема (БЧХ) у просторовій області;

• Реалізація двійкових кодів БЧХ у спектральній області;

• Дослідження властивостей зсуву, згортки та коренів при перетворенні Фурье в полях Галуа.

Управління розробкою програмних проектів

Дисципліна викладається в 2 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є надання компетенції з управління проектом, продуктом та персоналом згідно з міжнародними стандартами в області.

Заплановані результати навчання: студенти повинні

знати:

• міжнародні стандарти щодо управління проектами;

• моделі процесів;

• моделі управління вартістю в проекті;

• моделі управління ризиками в проекті;

• метрики вимірювання проектних процесів і продуктів;

• типи організацій. 

вміти:

• визначити цілі проекту, ролі та обов’язки менеджера проекту;

• визначити процеси проекту та продукту;

• аналізувати питання, пов’язані з управлінням змісту проекту;

• вибирати інструменти для проектного менеджменту

• оцінювати необхідні ресурси і тривалість проекту;

• розробляти та коригувати плануванням за допомогою програмного забезпечення з урахуванням гнучких методологій та без використання гнучких методологій;

• обчислювати вартість проекта за допомогою програмного забезпечення

• проводити якісний і кількісний аналіз ризиків;

• аналізувати план та роботи його коригування на всіх етапах життєвого циклу;

• аналізувати переваги і недоліки гнучких методологій розробки проектів;

• застосовувати знання з управлінням персоналом;

• вибирати інструменти для проектного менеджменту.

Вибіркові дисципліни

Сервіс-орієнтована архітектура

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій на тиждень.

Звітність: залік.

Метою викладання навчальної дисципліни є формування у студентів теоретичних знань і практичних навичок, спрямованих на розробку корпоративних інформаційних систем промислових виробництв.

Заплановані результати навчання: студенти повинні

знати:

• основи функціонування корпоративних систем;

• основи CALS.

вміти:

• розробляти окремі програмні модулі корпоративних систем на базі різноманітних сервісів на платформі .NET;

• застосовувати отримані знання для розробки корпоративних систем.

Аналіз даних за допомогою Power BI і Python 

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій на тиждень.

Звітність: залік.

Метою викладання навчальної дисципліни є формування у студентів теоретичних знань та практичних навичок з обробки, аналізу, візуалізації та інтерпретації даних із використанням сучасних інструментів Power BI та мови програмування Python. Курс спрямований на розвиток компетентностей у побудові інтерактивних звітів і дашбордів, застосуванні бібліотек Python для статистичного аналізу, машинного навчання та автоматизації процесів роботи з даними, а також інтеграції результатів у бізнес-аналітику та прийняття управлінських рішень.

Заплановані результати навчання: 

• Пояснювати основні принципи збору, очищення, трансформації та підготовки даних до аналізу.

• Використовувати інструменти Power BI для інтеграції даних з різних джерел та побудови моделей даних.

• Розробляти інтерактивні звіти та дашборди у Power BI для візуалізації ключових показників.

• Застосовувати мову програмування Python та бібліотеки (pandas, NumPy, matplotlib, seaborn тощо) для аналізу та візуалізації даних.

• Виконувати базові статистичні обчислення та інтерпретувати їх результати.

• Реалізовувати алгоритми машинного навчання у Python для класифікації, кластеризації та прогнозування даних.

• Автоматизувати процеси збору, обробки та аналізу даних за допомогою Python.

• Інтегрувати результати аналізу з Python у Power BI для розширеної бізнес-аналітики.

• Формулювати та обґрунтовувати аналітичні висновки на основі отриманих результатів.

• Працювати з реальними наборами даних та презентувати результати у зрозумілій формі для прийняття управлінських рішень.

• Використовувати інструменти Power BI та Python для вирішення прикладних бізнес-задач у сфері аналітики.

• Ефективно працювати в команді над аналітичними проєктами та презентувати спільні результати.

Ко-алгебріїчні методи в теорії програмування 

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій на тиждень.

Звітність: залік.

Метою викладання навчальної дисципліни є формування у студентів теоретичних та практичних навичок з аналізу семантики мов програмування. Під час вивчення дисципліни розглядаються актуальні методи розв'язання проблеми визначення семантики, а саме використання коалгебри. 

Від студентів очікуються базові знання з 

1. Теорії Категорій

2. Теорії автоматів

 Після проходження дисципліни студенти отримують знання з 

1. теоретичних засад використання коалгебри

2. використання методів коалгебри для специфікації роботи автоматів

Формальний аналіз понять

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій  на тиждень.

Звітність: залік.

Курс присвячений сучасній математичній дисципліні, що поєднує елементи алгебри, логіки та інформатики для виявлення та структурування знань у даних. Основою FCA є побудова формальних контекстів і відповідних решіток понять, які дозволяють досліджувати зв’язки між об’єктами та їх властивостями.

У межах курсу студенти:

• ознайомляться з теоретичними засадами аналізу формальних понять;

• навчаться будувати та інтерпретувати решітки понять;

• розглянуть методи пошуку прихованих залежностей у даних (імплікацій, асоціацій, класифікаційних структур);

• отримають практичні навички застосування FCA в задачах штучного інтелекту, аналізу даних, побудови онтологій, інформаційного пошуку та підтримки прийняття рішень.

Курс орієнтований на студентів, які цікавляться математичними методами обробки інформації, формальними підходами до аналізу даних та їх практичними застосуваннями. Базові знання з дискретної математики, логіки та основ програмування будуть корисними для успішного засвоєння матеріалу.

Методи інтелектуального аналізу даних у кібербезпец

Дисципліна викладається в 1 семестрі.

Навантаження: 2 години лекцій  на тиждень.

Звітність: залік.

Моделі та методи обробки великих даних

Дисципліна викладається в 2 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є формування у студентів базових знань основних понять BigData, методів обробки структурованих та неструктурованих великих об’ємів даних, алгоритмами MapReduce, а також навичок роботи з програмними каркасами та бібліотеками проекту Hadoop.

Заплановані результати навчання: студенти повинні

знати:

• загальні поняття BigDta;

• основні характеристики BigData такі як обсяг, швидкість, різноманітність, правдивість, валентність, і вартість;

• основні архітектурні компоненти і моделі програмування, які використовуються для масштабування аналізу BigData;

• базові алгоритмами MapReduce;

• структуру бібліотек та модулів Hadoop.

вміти:

• описувати BigData;

• отримати значення з великих даних за допомогою 5-ступінчастого процесу аналізу;

• визначити, що є а що ні проблемами BigData;

• розробляти розподілені програми аналізу  за допомогою бібліотек Hadoop.

Бази даних на AWS з використанням сервісу RDS

Дисципліна викладається в 2 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є  формування у студентів базових знань  основних концепцій та сервісів AWS, методів  розгортання та налаштування  сервісу для керування реляційною базою даних в хмарі (RDS), а також існуючих стратегію резервного копіювання S3.

Заплановані результати навчання: студенти повинні

знати:

• основні концепції AWS;

• основні засоби доступу до AWS – CLI, SDK та WEB UI;

• поняття регіонів та зон доступності;

• основні сервіси AWS;

• можливості сервісу RDS;

• різницю між реляційною базою даних на ЕС2 та сервісом RDS. 

вміти:

• створювати та налаштовувати акант в AWS;

• розгортати базу даних RDS у власному AWS VPC;

• налаштувати базу даних RDS у режимі високої доступності;

• налаштувати базу даних RDS у режимі розгортання mutli-AZ;

• налаштувати оптимальну стратегію резервного копіювання та відновлення для бази даних AWS RDS.

Побудова складних систем на основі web технологій

Дисципліна викладається в 2 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою навчальної дисципліни є надання студентам поглиблених знань та практичних навичок, необхідних для проектування, побудови, аналізу та супроводу складних розподілених веб-орієнтованих інформаційних систем.

Особлива увага приділяється архітектурним підходам, інтеграції із зовнішніми сервісами, забезпеченню безпеки, масштабованості, відмовостійкості та адаптивності в умовах високого навантаження та вимог, що змінюються.

Заплановані результати навчання: 

• Застосовувати знання основних форм і законів абстрактно-логічного мислення, основ методології наукового пізнання, форм і методів вилучення, аналізу, обробки та синтезу інформації в предметній області комп'ютерних наук.

•  Використовувати   сучасний   математичний   апарат   неперервного   та дискретного аналізу, лінійної алгебри, аналітичної геометрії, в професійній діяльності для розв’язання задач теоретичного та прикладного характеру в процесі проектування та реалізації об’єктів інформатизації.

•  Проектувати, розробляти  та аналізувати алгоритми розв’язання обчислювальних та логічних задач, оцінювати ефективність та складність алгоритмів на основі застосування формальних моделей алгоритмів та обчислюваних функцій.

•  Розуміти   принципи   моделювання   організаційно-технічних   систем  і операцій; використовувати методи дослідження операцій, розв’язання одно– та багатокритеріальних оптимізаційних задач лінійного, цілочисельного, нелінійного, стохастичного програмування.

•  Використовувати методологію системного аналізу об’єктів, процесів і систем для задач аналізу, прогнозування, управління та проектування динамічних процесів в макроекономічних, технічних, технологічних і фінансових об’єктах.

•  Розробляти    програмні    моделі    предметних    середовищ,    вибирати парадигму програмування з позицій зручності та якості застосування для реалізації методів та алгоритмів розв’язання задач в галузі комп’ютерних наук.

Сертифіковане  програмування з використанняv The Coq Proof Assistant 

Дисципліна викладається в 3 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є опанування методологією системного підходу до специфікації і формального аналізу і комп’ютерних програм на основі теорії типів з використанням The Coq Proof Assistant.

Заплановані результати навчання: студенти повинні

знати:

• основи λ-числення як чистого, так і типізованого;

• ієрархію теорій типів (λ-куб Берендрегта), що використовуються для формалізації систем програмування;

• концепцію залежних типів;

• основи числення індуктивних конструкцій, що використовуються при реалізації The Coq Proof Assistant.

вміти:

• користуватися мовою специфікацій Galinna системи The Coq Proof Assistant;

• мовою Vernacular - мовою команд системи The Coq Proof Assistant;

• використовувати основні тактики системи The Coq Proof Assistant;

доводити відповідність програм специфікаціям за допомогою системи The Coq Proof Assistant.  

Апроксимація даних за допомогою штучних нейронних мереж

Дисципліна викладається в 3 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є надання уявлення про прикладні програмні засоби, засновані на нейронних мережах, а також про інструментальне програмне забезпечення для навчання нейронних мереж, і підготувати студентів до використання нейромережевих технологій у професійній діяльності.

Заплановані результати навчання: студенти повинні

знати:

• принципи постановки завдань для вирішення з допомогою нейронних мереж;

• методи представлення даних для навчання і використання нейронних мереж;

• методи навчання нейронних мереж і оцінки якості навчання нейронної мережі;

• етапи вирішення завдань за допомогою нейронних мереж.

вміти:

• орієнтуватися в різних типах прикладних систем, заснованих на використанні нейронних мереж;

• орієнтуватися в різних методах представлення даних для навчання нейронної мережі;

• вибирати і ставити завдання для вирішення її нейронною мережею;

• вибирати модель нейронної мережі для вирішення задачі.

Особливості застосування методів машинного навчання у прикладних задачах 

Дисципліна викладається в 3 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є ознайомлення студентів з особливостями застосування алгоритмів та методів машинного навчання при вирішенні прикладних задач. Ознайомлення з методами побудови багатоетапних моделей, збору та обробки даних .

Заплановані результати навчання: 

знати:

• основні методи збору та попередньої обробки даних;

• особливості побудови моделей машинного навчання в залежності від задачі та доменної області;

вміти:

• застосовувати отримані знання та методології при дослідженні задач;

• будувати робочі пайплайни для вирішення реальних задач.

Моделювання інформаційних процесів

Дисципліна викладається в 3 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є опанування методологією системного підходу до дослідження (аналізу, моделюванню та оцінці характеристик) складних комп’ютерних систем.

Заплановані результати навчання: студенти повинні

знати:

• основні поняття теорії систем та управління стосовно задач комп’ютерної інженерії, базові моделі та властивості складних систем;

• методи дослідження складних систем, що засновані на апараті теорії марковських процесів, систем масового обслуговування;

• формальні та неформальні методи прийняття рішень при розробці та експлуатації складних систем.

вміти:

• проводити аналіз та оцінку характеристик типових структур комп’ютерних систем та їх компонент з використанням математичного апарату теорії марковських процесів, систем масового обслуговування;

• формувати рішення при розробці та експлуатації комп’ютерних систем з використанням методів математичного програмування та  неформальних методів.

Основи квантових обчислень і квантова інформатика  

Дисципліна викладається в 3 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є формування у студентів теоретичних та практичних навичок організації квантових обчислень використовуючи мову програмування Q#. Q# – предметно-орієнтована мова програмування, яка застосовується для запису квантових алгоритмів, є частиною набору інструментів для квантової розробки (Quantum Development Kit).

Заплановані результати навчання - студенти повинні 

знати:

• теоретичні засади для створення кубітів і використовувати їх в алгоритмах;

• розуміння підходів до алгоритмів у квантових обчисленнях;

вміти:

• використовувати мову Q# для побудови програмних рішень;

• навички роботи з квантовим емулятором;

• навички роботи з кубітами: сплутувати та створювати суперпозицію кубітів за допомогою вентилів контрольованого заперечення та вентилів Адамара.

Навчання з підкріпленням 

Дисципліна викладається в 3 семестрі.

Навантаження: 2 години лекцій та 2 години практики на тиждень.

Звітність: іспит.

Метою викладання навчальної дисципліни є формування у здобувачів вищої освіти теоретичних знань та практичних навичок побудови, аналізу та реалізації алгоритмів навчання з підкріпленням для задач прийняття рішень у невизначених середовищах.

Заплановані результати навчання - студенти повинні 

знати:

• основні принципи навчання з підкріпленням та його відмінність від інших парадигм машинного навчання;

• поняття агента, середовища, винагороди, політики, функції цінності, функції дії;

• формалізацію задачі через марковський процес прийняття рішень (MDP);

• базові алгоритми RL: Монте-Карло, TD-методи, SARSA, Q-Learning;

• різницю між on-policy та off-policy підходами;

• сучасні підходи: policy gradient, actor-critic (оглядово);

• методи балансування дослідження й експлуатації (exploration vs. exploitation), зокрема епсилон-жадібну стратегію та багаторукий бандит.

вміти:

• формалізувати прикладну задачу в термінах навчання з підкріпленням (сформулювати MDP);

• реалізовувати класичні алгоритми RL у Python з використанням бібліотек (gym, numpy, matplotlib, stable-baselines3);

• обирати доцільні методи навчання залежно від властивостей середовища (on-policy / off-policy, модельні / безмодельні);

• оцінювати функції цінності, політики та ефективність алгоритмів;

• візуалізувати та аналізувати динаміку навчання агента;

• розробляти прості симуляційні середовища та тестувати поведінку агентів.

Науково-дослідницька практика

Науково-дослідницька практика передбачена для студентів-магістрів в останньому 4 семестрі. Вона зазвичай проходить на підприємствах та у компаніях з розробки програмного забезпечення, з якими укладено договір про проходження практики. Практика триває 10 тижнів. По закінченні практики студенти підготовлюють  низку звітних документів, включаючи щоденник практики, та складають іспит.

Переддипломна практика

Під час переддипломної практики студенти закінчують підготовку та оформлення дипломних робіт, приймають участь у перед-захисті роботи та складають залік без відриву від занять.  Цей вид практики триває 5 тижнів.