Applied Statistics and Data Science

Master's programme

Educational plan

Educational level (Bachelor/Master):
Master
Programme title and code of specialty:
056201.04.7 - Վիճակագրություն
Specialization:
056201.04.7 - Կիրառական վիճակագրություն և տվյալների գիտություն
Qualification awarded:
Վիճակագրության մագիստրոս
Programme start academic year:
2026/2027
Mode of study (full time/part time):
Full time
Language of study:
Հայերեն

General educational component

Chair code Name of the course Credits
1-ին կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ02
1. Purpose of the Course
· ծանոթացնել ուսանողներին Python ծրագրավորման լեզվի հիմունքներին,
· սովորեցնել աշխատել տվյալների, փոփոխականների, զանգվածների, ֆունկցիաների, օբյեկտների, ֆայլերի հետ,
· զարգացնել հմտություններ, որոնք թույլ կտան ուսանողներին ոչ տրիվիալ խնդիրների լուծումը նախագծել Python-ի միջոցով,
· ուսանողներին ունակ դարձնել օգտագործել օբյեկտ կողմնորոշված ծրագրավորման հիմունքները։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ներկայացնել Python լեզվի կառուցվածքը, հիմնական քերականությունը, փոփոխականների տիպերը,
2. օգտագործել օբյեկտ կողմնորոշված ծրագրավորման հիմունքները,
բ. գործնական մասնագիտական կարողություններ
3. գրել համակարգչային ծրագրեր՝ օգտագործելով Python ծրագրավորման լեզուն,
4. կիրառել տարատեսակ ալգորիթմներ օգտագործելով Python ծրագրավորման լեզուն,
5. օգտագործել Numpy փաթեթը հաշվարկներում:
3. Description
· ծանոթացնել ուսանողներին Python ծրագրավորման լեզվի հիմունքներին,
· սովորեցնել աշխատել տվյալների, փոփոխականների, զանգվածների, ֆունկցիաների, օբյեկտների, ֆայլերի հետ,
· զարգացնել հմտություններ, որոնք թույլ կտան ուսանողներին ոչ տրիվիալ խնդիրների լուծումը նախագծել Python-ի միջոցով,
· ուսանողներին ունակ դարձնել օգտագործել օբյեկտ կողմնորոշված ծրագրավորման հիմունքները։
4. Teaching and Learning Styles and Methods
1. Ներկայացումներ - Power point նյութերով:
2. Գործնական աշխատանքներ - համակարգչային լսարաններում:
5. Evaluation Methods and Criteria
Ստուգարքն անցկացվում է գրավոր, համակարգչի միջոցով, հարցատոմսերով՝ 20 միավոր առավելագույն արժեքով: Ստուգումից 20-միավորանոց համակարգում 10 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած:
6. Basic Bibliography
  • Luciano Ramalho, Fluent Python: Clear, Concise, and Effective Programming, 2nd Edition, O'Reilly Media, 2022.
  • Eric Matthes, Python Crash Course, 3rd Edition, No Starch Press, 2022.
  • Wes McKinney, Python for Data Analysis, 3rd Edition, O'Reilly Media, 2022.
  • Brett Slatkin, Effective Python: 90 Specific Ways to Write Better Python, 2nd Edition, Addison-Wesley, 2019.
  • Wesley J. Chun, Core Python Programming, 2nd Edition, Prentice Hall, 2009.
7. Main sections of the course
· Python լեզվի ներածություն
· Տվյալների տիպեր և կառուցվածքներ
· Պայմանական օպերատորներ և ցիկլեր
· Ֆայլերի և մոդուլների հետ աշխատանք
· Ֆունկցիաներ
· Իտերատորներ, գեներատորներ, դեկորատորներ
· Սխալների և բացառությունների կառավարում
· Օբյեկտ կողմնորոշված ծրագրավորում
1-ին կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ01
1. Purpose of the Course
● ծանոթացնել ուսանողներին տվյալների պահպանման և կառավարման համակարգերի հետ,
● ուսանողներին ունակ դարձնել նախագծելու և կառուցելու տվյալների բազաներ՝ օգտագործելով արդիական տեխնոլոգիաները,
● ծանոթացնել ուսանողներին SQL-լեզվի ու DBMS փաթեթների հետ։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. նկարագրել ֆիզիկական և տրամաբանական բազաների նախագծման ու տվյալների բազաների մոդելավորման գործընթացները,
2. օգտագործել DBMS (ՏԲԿՀ) հիմնարար հասկացությունները,
բ. գործնական մասնագիտական կարողություններ
3. նախագծել տվյալների բազաներ,
գ. ընդհանրական/փոխանցելի կարողություններ
4. կատարել հարցումներ և վերլուծություններ՝ օգտագործելով SQL-լեզվի հնարավորությունները։
3. Description
● ծանոթացնել ուսանողներին տվյալների պահպանման և կառավարման համակարգերի հետ,
● ուսանողներին ունակ դարձնել նախագծելու և կառուցելու տվյալների բազաներ՝ օգտագործելով արդիական տեխնոլոգիաները,
● ծանոթացնել ուսանողներին SQL-լեզվի ու DBMS փաթեթների հետ։
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ՝ օգտագործելով համակարգչային ծրագրեր,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Database system concepts. Silberschatz, Abraham, Henry F. Korth, and S Sudarshan. 6th ed., 2010.
  • Fundamentals of Database Systems, 6th ed., Elmasri & Navathe, Addison-Wesley, 2011.
  • Thomas Connolly and Carolyn Begg, "Database Systems, A Practical Approach to Design, Implementation, and Management", Addison Wesley, Fourth Ed. 2001.
  • An Introduction to Database Systems, by C.J. Date, Addison-Wesley, 2003.
7. Main sections of the course
● տվյալների բազաների համակարգի ներածություն,
● Entity-Relationship Data Model,
● հարաբերություններ, հարաբերությունների հանրահաշիվ,
● տվյալների բազաների նորմավորում: Նորմալ ձևեր,
● SQL հարցումների կառուցվածքային լեզուն: Հարցումների կազմում,
● ինդեքսավորում,
● հարցումների մշակում, օպտիմիզացիա,
● օբյեկտ կողմնորոշված բազաներ, NoSQL & MongoDB:

Professional educational component

Chair code Name of the course Credits
1-ին կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ05
1. Purpose of the Course
● ուսանողներին ծանոթացնել օպտիմիզացիայի տեսական և թվային մեթոդներին, մասնավորապես՝ առանց սահմանափակումների ու սահմանափակումներով վերջավոր չափանի ողորկ օպտիմիզացիայի տեսությանն ու թվային լուծման ալգորիթմներին գծային և ուռուցիկ ծրագրավորման տարրերին։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. դասակարգել օպտիմիզացիոն խնդիրները,
2. ուսումնասիրել էքստրեմումների գոյության ու միակության հարցերը, ստուգել էքստրեմումների անհրաժեշտ ու բավարար պայմանները,
3. կառուցել գծային ծրագրավորման երկակի խնդիրը,
բ. գործնական մասնագիտական կարողություններ
4. օգտագործել թվային մեթոդներ՝ գտնելու համար բազմաչափ ֆունկցիաների (առանց սահմանափակումների կամ դրանց առկայությամբ) էքստրեմումի կետերը,
5. տարբեր կիրառական խնդիրներ ձևակերպել որպես գծային ծրագրավորման խնդիրներ,
6. օգտագործել թվային ալգորիթմներ՝ լուծելու համար գծային ծրագրավորման խնդիրները,
գ. ընդհանրական/փոխանցելի կարողություններ
7. աշխատել գրականության հետ, աշխատել թիմում։
3. Description
● ուսանողներին ծանոթացնել օպտիմիզացիայի տեսական և թվային մեթոդներին, մասնավորապես՝ առանց սահմանափակումների ու սահմանափակումներով վերջավոր չափանի ողորկ օպտիմիզացիայի տեսությանն ու թվային լուծման ալգորիթմներին գծային և ուռուցիկ ծրագրավորման տարրերին։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական խնդիրների լուծում,
3. խմբային նախագծի կատարում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Stephen Boyd and LievenVandenberghe, Convex Optimization, Cambridge University Press, available on-line at .
  • Edwin K. P. Chong, Stanislaw H. Zak, An Introduction to Optimization, 4th Ed, Volume 76 of Wiley Series in Discrete Mathematics and Optimization, John Wiley & Sons, 2013.
  • Jorge Nocedal, Stephen J. Wright , Numerical Optimization, Springer, 2006.
7. Main sections of the course
● ուռուցիկ բազմություններ և ֆունկցիաներ,
● առանց սահմանափակումների վերջավոր չափանի օպտիմիզացիա,
● առանց սահմանափակումների օպտիմիզացիոն խնդիրների թվային լուծման եղանակներ,
● սահմանափակումներով վերջավոր չափանի օպտիմիզացիա,
● սահմանափակումներով օպտիմիզացիոն խնդիրների թվային լուծման եղանակներ,
● գծային ծրագրավորում, երկակիություն, լուծման ալգորիթմներ։
1-ին կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ04
1. Purpose of the Course
● ուսանողներին ծանոթացնել ժամանակակից տնտեսաչափական մոդելներին ու գործիքներին,
● ծանոթացնել ռեգրեսիոն անալիզին, գործակիցների գնահատմանն ու դրանց հատկությունների ուսումնասիրմանը:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կատարել ռեգրեսիոն վերլուծություն տարածական տվյալների (cross-sectional data) հետ,
2. կատարել ռեգրեսիոն վերլուծություն ժամանակային շարքերի տվյալների (time seires data) հետ,
3. ուսումնասիրել ռեգրեսիայի հատկությունները, ստուգել վարկածներ,
բ. գործնական մասնագիտական կարողություններ
4. կատարել մոդելի ընտրություն,
5. կատարել ռեգրեսիոն վերլուծություն՝ օգտագործելով համակարգչային փաթեթներ,
6. կատարել տարբեր բնույթի տնտեսական տվյալների փոխկապակցվածության մոդելավորում ու կանխատեսում։
3. Description
● ուսանողներին ծանոթացնել ժամանակակից տնտեսաչափական մոդելներին ու գործիքներին,
● ծանոթացնել ռեգրեսիոն անալիզին, գործակիցների գնահատմանն ու դրանց հատկությունների ուսումնասիրմանը:
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ,
2. գործնական խնդիրների լուծում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Jeffrey Wooldridge, Introductory Econometrics, A Modern Approach, 5-th edition, Cengage Learning, 2012.
  • William Greene, Econometric Analysis, 7th Ed., Pearson, 2012.
  • James Stock, Mark Watson, Introduction to Econometrics, 3rd Ed., Addison-Wesley, 2010.
  • Магнус Я.Р., Катышев П.К., Пересецкий А.А., Эконометрика,6-ое издание, Москва,«Дело», 2004.
7. Main sections of the course
● պարզ (զույգային) ռեգրեսիա,
● բազմաչափ ռեգրեսիա,
● ռեգրեսիոն գործակիցների հատկությունները, վարկածների ստուգում,
● մուլտիկոլինեարություն, կեղծ փոփոխականներ, հետերոսկեդաստիկություն,
● ռեգրեսիոն վերլուծություն ժամանակային շարքերի հետ,
● Logit և Probit մոդելներ։
1-ին կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ06
1. Purpose of the Course
սովորեցնել մաթեմատիկական անալիզի, գծային հանրահաշվի, հավանականությունների տեսության և թվային մեթոդների այն հասկացությունները, որոնք անհրաժեշտ են վիճակագրության, օպտիմիզացիայի և մեքենայական ուսուցման դասընթացներում։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. գտնել լոկալ և հարաբերական էքստրեմումներ,
2. հաշվել պատահական մեծությունների նկարագրիչները,
բ. գործնական մասնագիտական կարողություններ
3. իջեցնել տվյալների չափողականությունը PCA մեթոդով,
4. մոտարկել տվյալները GMM-ով,
գ.ընդհանրական/փոխանցելի կարողություններ
5. օգտվել տեղեկատվության տարատեսակ աղբյուրներից։
3. Description
սովորեցնել մաթեմատիկական անալիզի, գծային հանրահաշվի, հավանականությունների տեսության և թվային մեթոդների այն հասկացությունները, որոնք անհրաժեշտ են վիճակագրության, օպտիմիզացիայի և մեքենայական ուսուցման դասընթացներում։
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք,
2. անհատական ու թիմային հանձնարարականներ ուսանողներին։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն. հետազոտական աշխատանքի ներկայացում՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 3 միավոր առավելագույն արժեքով (15%):
4. Եզրափակիչ քննություն՝ 9 միավոր առավելագույն արժեքով (45%)։
6. Basic Bibliography
  • Calculus, 7th Ed, by James Stewart, 2012.
  • Linear Algebra: A Modern Introduction, Fourth Edition, by David Poole, 2014.
  • Probability Theory: The Logic of Science 1st Edition by E. T. Jaynes, 2003.
  • M. Deisenroth, A. Faisal, and C. Ong., Mathematics for Machine Learning, Cambridge University Press, (2020).
7. Main sections of the course
1. մաթեմատիկական անալիզի տարրեր ( մասնակի ածանցյալներ, գրադիենտ, շղթայի կանոն, էքստրեմումներ),
2. գծային հանրահաշվի տարրեր (ԳՀՀ լուծում Գաուսի մեթոդով, -1-հնարք, պրոյեկցիայի օպերատորներ, Խոլեցկայի վերլուծություն, SVD, փոքրագույն քառակուսիների խնդիրը),
3. հավանականության տեսության տարրեր (պատահական մեծություններ և դրանց նկարագրիչներ, ստանդարտ բաշխումներ),
4. թվային մեթոդներ (PCA, GMM, EM ալգորիթմներ)։
1-ին կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ03
1. Purpose of the Course
▪ նկարագրել դասական վիճակագրական մոդելներն ու մեթոդները,
▪ սովորեցնել R ծրագրավորման լեզվի հիմունքները,
▪ սովորեցնել վիճակագրական մոդելների իրագործումը R-ում։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. տարբեր գործնական խնդիրների համար ընտրել համապատասխան վիճակագրական մոդելները,
2. ճանաչել R լեզվի հիմնական հրամանները,
3. նկարագրել վիճակագրական մոդելի լուծման ալգորիթմը R լեզվով,
բ. գործնական մասնագիտական կարողություններ
4. կազմել ծրագրեր R լեզվով,
5. կառուցել տարբեր կիրառական խնդիրների համար վիճակագրական մոդելներ,
6. լուծել կոնկրետ կիրառական խնդիրներ R լեզվի օգնությամբ:
3. Description
▪ նկարագրել դասական վիճակագրական մոդելներն ու մեթոդները,
▪ սովորեցնել R ծրագրավորման լեզվի հիմունքները,
▪ սովորեցնել վիճակագրական մոդելների իրագործումը R-ում։
4. Teaching and Learning Styles and Methods
1. Տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով:
2. Անհատական/թիմային հանձնարարականների կատարում:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն. հետազոտական աշխատանքի ներկայացում՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%):
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Larry Wasserman, All of Statistics: A Concise Course in Statistical Inference, Springer Texts in Statistics, Springer, 2003.
  • Jay Devore, Kenneth N. Berk,Matthew Carlton Modern Mathematical Statistics with Applications (Third Edition), Springer, 2021.
  • George Casella, Roger Berger, Statistical Inference (Second Edition), Duxbury, 2002.
  • Peter Dalgaard, Introductory StatisticsWith R, 2nd Ed., Springer, 2008.
7. Main sections of the course
● Ծրագրավորման R լեզուն:
● Նկարագրական վիճակագրություն։
● Կետային և միջակայքային գնահատականներ։
● Վիճակագրական վարկածների ստուգումը։
● Ոչ պարամետրական վարկածներ։
● Հիմնական վիճակագրական բաշխումների մոդելավորումը R լեզվում:
● Հիմնական վիճակագրական մեծությունների ու մեթոդների մոդելավորումը R լեզվում:
2-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ13
1. Purpose of the Course
· ներկայացնել տվյալների մշակման հիմնական հասկացությունները և մեթոդները,
· զարգացնել հմտություններ պրակտիկ խնդիրներ լուծելու համար՝ օգտվելով տվյալների մշակման ժամանակակից ծրագրերից:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ներկայացնել տվյալների վերլուծության հասկացություները, ժամանակակից մեթոդներն ու մոդելները,
բ. գործնական մասնագիտական կարողություններ
2. օգտագործել տվյալների վերլուծության ալգորիթմները պրակտիկ խնդիրներում,
3. իրականացնել տարբեր ոլորտներում հավաքագրված տվյալների դասակարգում և քլաստերացում,
4. կատարել կանխատեսումներ տվյալների վերլուծության հիման վրա,
գ. ընդհանրական/փոխանցելի կարողություններ
5. օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից,
6. կատարել հետազոտություններ՝ օգտագործելով տվյալների վերլուծության վերաբերյալ գիտելիքները:
3. Description
· ներկայացնել տվյալների մշակման հիմնական հասկացությունները և մեթոդները,
· զարգացնել հմտություններ պրակտիկ խնդիրներ լուծելու համար՝ օգտվելով տվյալների մշակման ժամանակակից ծրագրերից:
4. Teaching and Learning Styles and Methods
1. Դասախոսություններ
2. Գործնական խնդիրների լուծում
3. Խմբային նախագծի կատարում
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3rd ed.). Waltham: Morgan Kaufmann.
  • Ian H. Witten and Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), Morgan Kaufmann, 2005.
  • Hand, Mannila, and Smyth. Principles of Data Mining. Cambridge, MA: MIT Press, 2001.
7. Main sections of the course
● Տվյալների վերլուծության ներածություն
● Տվյալների նախապատրաստում
● Տվյալների վերլուծության իմացության ներկայացում
● Հատկանիշներին ուղղված վերլուծություն
● Տվյալների վերլուծության ալգորիթմներ. դասակարգում և կանխատեսում
2-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ07
1. Purpose of the Course
● ուսանողներին զինել ծրագրավորման խորացված գիտելիքներով,
● ծանոթացնել թեստավորման, սխալների մշակման և debugging-ի հետ,
● ծանոթացնել Python-ի տարատեսակ գրադարանների և փաթեթների հետ։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ձևակերպել զուգահեռ հաշվարկների սկզբունքը,
2. օգտագործել ֆունկցիոնալ ծրագրավորման հիմունքները,
բ. գործնական մասնագիտական կարողություններ
3. գրել համեմատաբար բարդ և համակարգված համակարգչային ծրագրեր,
4. օգտագործել սխալների մշակումը և debugging,
5. կիրառել զուգահեռ հաշվարկների սկզբունքը Python-ում,
6. օգտագործել Python-ի տարատեսակ գրադարանները։
3. Description
● ուսանողներին զինել ծրագրավորման խորացված գիտելիքներով,
● ծանոթացնել թեստավորման, սխալների մշակման և debugging-ի հետ,
● ծանոթացնել Python-ի տարատեսակ գրադարանների և փաթեթների հետ։
4. Teaching and Learning Styles and Methods
1. ներկայացումներ,
2. պրակտիկ աշխատանքներ՝ օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • Python Crash Course: A Hands-On, Project-Based Introduction to Programming 1st Edition by Eric Matthes, 2015.
  • Shaw, Learn Python The Hard Way third edition 2014.
  • Wesley J. Chun Core Python Programming, Second edition 2009.
  • Wes McKinney, Python for Data Analysis, Third edition 2014.
7. Main sections of the course
● Սխալների մշակում։
● Debugging:
● Թեսթավորում։
● Ֆունկցիոնալ ծրագրավորում։
● Գրադարաններ:
● Զուգահեռ հաշվարկների սկզբունքը:
2-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ12
1. Purpose of the Course
● ուսանողներին ծանոթացնել ժամանակային շարքերի վերլուծության ու դրանցով կանխատեսման հիմնական մեթոդներին,
● ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությանը ժամանակային շարքերի վերլուծություն իրականացնելու համար:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. նկարագրել ժամանակային շարքերի հիմնական բնութագրիչները,
2. կիրառել ARMA մոդելները ժամանակային շարքերի վերլուծության համար և օգտագործել այդ մեթոդները պրակտիկ աշխատանքում,
3. օգտագործել սպեկտրալ վերլուծության էլեմենտները,
բ. գործնական մասնագիտական կարողություններ
4. կառուցել տարբեր կիրառական մոդելներ ժամանակային շարքերի օգնությամբ,
5. օգտագործել հավանականային, օպտիմիզացիոն, վիճակագրական, տնտեսաչափական, թվային և այլ մաթեմատիկական մեթոդներ առաջացող մոդելները հետազոտելու համար,
6. օգտագործել մասնագիտական ծրագրային ապահովում ստացվող խնդիրները լուծելու համար,
գ. ընդհանրական/փոխանցելի կարողություններ
7. վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար։
3. Description
● ուսանողներին ծանոթացնել ժամանակային շարքերի վերլուծության ու դրանցով կանխատեսման հիմնական մեթոդներին,
● ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությանը ժամանակային շարքերի վերլուծություն իրականացնելու համար:
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ՝ օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • J. D. Hamilton, Time Series Analysis, Prinston, 1994.
  • Robert H. Shumway, David S. Stoffer, Time Series Analysisand Its Applications,With R Examples, 4th Ed., Springer 2017.
  • Peter J. Brockwell, Richard A. Davis, Introduction to Time Series and Forecasting, Third Edition, Springer, 2016.
  • R.S. Tsay, Analysis of Financial Time Series, 2010.
  • Магнус Я. Р. и др., Эконометрика, М., 2014.
7. Main sections of the course
● Ժամանակային շարքերի բնութագրիչները:
● AR, ARMA և ARIMAմոդելներ:
● Սպեկտրալ վերլուծություն:
● Ոչ ստացիոնար ժամանակային շարքեր:
● Միավոր արմատներ և կառուցվածքային տեղաշարժեր:
● Բազմաչափ ժամանակային շարքեր:
2-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ09
1. Purpose of the Course
● ծանոթացնել ուսանողներին մի քանի կորելացված պատահական մեծությունների հետ կապված վիճակագրական վերլուծության խնդիրներին, մասնավորապես, ուսումնասիրել բազմաչափ նորմալ բաշխումը, վստահելիության բազմությունները, բազմաչափ վարկածների ստուգումը, գործոնային (factor) վերլուծությունը, քլաստերային վերլուծությունը և այլն:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ներկայացնել մի քանի պատահական մեծությունների առնչությունը,
2. ստուգել բազմաչափ վարկածներ,
3. օգտագործել հիմնական բաղադրիչների մեթոդը, գործոնային, քլաստերային վերլուծության եղանակները,
բ. գործնական մասնագիտական կարողություններ
4. աշխատել բազմաչափ բաշխումների հետ,
5. կատարել բազմաչափ ռեգրեսիա,
6. համակարգչային մեթոդների օգնությամբ կատարել քլաստերային, գործոնային և այլ վերլուծություններ,
գ. ընդհանրական/փոխանցելիկարողություններ
7. օգտվել տարատեսակ աղբյուրներից։
3. Description
● ծանոթացնել ուսանողներին մի քանի կորելացված պատահական մեծությունների հետ կապված վիճակագրական վերլուծության խնդիրներին, մասնավորապես, ուսումնասիրել բազմաչափ նորմալ բաշխումը, վստահելիության բազմությունները, բազմաչափ վարկածների ստուգումը, գործոնային (factor) վերլուծությունը, քլաստերային վերլուծությունը և այլն:
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ,
2. գործնական աշխատանք համակարգիչներով։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Wolfgang Karl Hardle, Léopold Simar, Applied Multivariate Statistical Analysis, 4th Ed., Springer, 2015.
  • Inge Koch, Analysis of Multivariate and High-Dimensional Data, Cambridge University Press, 2014.
  • Brian Everitt, Torsten Hothorn, An Introduction to Applied Multivariate Analysis with R, Springer, 2011.
  • Daniel Zelterman, Applied Multivariate Statistics with R, Springer, 2015.
7. Main sections of the course
● Բազմաչափ նորմալ բաշխում
● Կոպուլաներ
● Վստահելիության բազմություններ և վարկածների ստուգում
● Բազմաչափ ռեգրեսիա
● Հիմնական բաղադրիչների վերլուծություն (Principal components analysis)
● Գործոնային վերլուծություն (Factor analysis)
● Քլաստերային վերլուծություն (Cluster analysis)
● Տարբերակիչ վերլուծություն (Discriminant Analysis)
● Կանոնական կորելացիոն վերլուծություն (Canonical correlation analysis)
1-ին կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ15
1. Purpose of the Course
· սովորեցնել մեքենայական ուսուցման հիմունքները,
· սովորեցնել մեքենայական ուսուցման մոդելների իրագործումը Python-ում,
· սովորեցնել մեծ քանակությամբ տվյալների մոդելավորումը և մեքենայական ուսուցման մոդելների կիրառումը այդ տվյալների հիման վրա կանխատեսումներ կատարելու համար։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կիրառել մեքենայական ուսուցման համապատասխան հասկացությունները և մեթոդները մեծ քանակությամբ տվյալներ պարունակող գործնական խնդիրներ ձևակերպելու և լուծելու համար,
2. օգտագործել մեքենայական ուսուցման մոդելները կանխատեսման և որոշումների կայացման համար,
3. ընտրել համապատասխան մոդելը, տվյալների միջև կախվածության մասին սահմանափակ տեղեկության կամ տեղեկության բացակայության դեպքերում,
բ. գործնական մասնագիտական կարողություններ
4. կազմել ծրագրեր մեքենայական ուսուցման մոդելների հիման վրա,
5. որոշել հաճախ օգտագործվող մեքենայական ուսուցման մոդելների պարամետրերի արժեքները,
6. օգտագործել Python-ը` վերլուծելու մեծ քանակությամբ տվյալներ, կանխատեսումներ կատարելու և այդ կանխատեսումների անորոշության աստիճանը գնահատելու համար:
3. Description
· սովորեցնել մեքենայական ուսուցման հիմունքները,
· սովորեցնել մեքենայական ուսուցման մոդելների իրագործումը Python-ում,
· սովորեցնել մեծ քանակությամբ տվյալների մոդելավորումը և մեքենայական ուսուցման մոդելների կիրառումը այդ տվյալների հիման վրա կանխատեսումներ կատարելու համար։
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական ու թիմային հանձնարարականներ ուսանողներին։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Bishop, Christopher. Neural Networks for Pattern Recognition. New York, NY: Oxford University Press, 1995.
  • Richard, Peter Hart, and David Stork. Pattern Classification. 2nd ed. New York, NY: Wiley- Interscience, 2000.
  • T., R. Tibshirani, and J. H. Friedman. The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York, NY: Springer, 2001.
  • MacKay, David. Information Theory, Inference, and Learning Algorithms. Cambridge, UK: Cambridge University Press, 2003.
  • Mitchell, Tom. Machine Learning. New York, NY: McGraw-Hill, 1997.
  • Thomas M., and Joy A. Thomas. Elements of Information Theory. New York, NY: Wiley- Interscience, 1991.
7. Main sections of the course
● Ներածություն մեքենայական ուսուցում
● Որոշման ծառեր (decision trees)
● Մոդելի ընտրություն և անորոշության գնահատում. խաչաձև ստուգում, վստահության ինտերվալներ
● Գծային ռեգրեսիա և ռեգուլյարիզացիոն մեթոդներ (Ridge, LASSO)
● Կորիզներ և SVM
●Նեյրոնային ցանցերի ներածություն
● Խառնուրդ մոդելներ
2-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ14
1. Purpose of the Course
ուսանողներին ծանոթացնել
· տվյալների մշակման ու հաղորդման մաթեմատիկական հիմունքներին,
· ինֆորմացիայի չափման եղանակներին,
· տվյալների սեղմման ալգորիթմներին և հասանելի սահմաններին,
· կապուղու ունակության գաղափարին և սխալներ ուղղող կոդերի կառուցման սկզբունքներին։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. մեկնաբանել տվյալների վերլուծության, սեղմման ու հաղորդման մաթեմատիկական սկզբունքները, մոդելները, ալգորիթմները,
բ. գործնական մասնագիտական կարողություններ
2. օգտագործել ինֆորմացիայի տեսության մեթոդները կիրառական խնդիրների լուծման մեջ զանազան ոլորտներում, ինչպես օրինակ, հեռահաղորդակցության մեջ,
գ. ընդհանրական/փոխանցելի կարողություններ
3. կառուցել կոդեր, գնահատել դրանց օպտիմալությունը։
3. Description
ուսանողներին ծանոթացնել
· տվյալների մշակման ու հաղորդման մաթեմատիկական հիմունքներին,
· ինֆորմացիայի չափման եղանակներին,
· տվյալների սեղմման ալգորիթմներին և հասանելի սահմաններին,
· կապուղու ունակության գաղափարին և սխալներ ուղղող կոդերի կառուցման սկզբունքներին։
4. Teaching and Learning Styles and Methods
Տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով:
Անհատական/թիմային հանձնարարություններ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%):
6. Basic Bibliography
  • T. Cover and J. Thomas, Elements of Information Theory, Wiley, 1991-2006.
  • R. Yeung, Information Theory and Network Coding, 2008 (առցանց հասանելի).
  • Shu Lin and D. Costello, Error-Control Coding.
  • W.W. Peterson and E.J. Weldon, Error-correcting codes.
7. Main sections of the course
● Ինֆորմացիայի չափեր, դրանց հատկություններ
● Տվյալների մշակման և Ֆանոյի անհավասարություն
● Տվյալների սեղմում, Կրաֆթի անհավասարություն
● Հաֆմանի և Շենոն-Ֆանո-Էլիասի կոդեր
● Կապուղի. մոդելներ, կոդավորման խնդիրը, ունակություն
● Հեմինգի կոդեր
● Ինֆորմացիայի տեսություն և վիճակագրություն. տիպերի մեթոդը
● Աղբյուրի ունիվերսալ կոդավորում
● Մեծ շեղումների տեսություն
● Սխալի հավանականությունը վարկածների ստուգման խնդրում
● Տվյալների սեղմում ըստ ճշգրտության չափանիշի։
2-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ08
1. Purpose of the Course
● ներկայացնել նեյրոնային ցանցերը, փաթույթային և ռեկուրենտ ցանցերի կառուցվածքը, խորը չվերահսկվող ուսուցումը և նրանց կիրառությունները ձայնի և պատկերի ճանաչման խնդիրներում:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. դասակարգել նեյրոնային ցանցերը,
2. նկարագրել հիմնական նեյրոնային ցանցերի կառուցվածքը,
3. տարբերակել վերահսկվող և չվերահսկավող ուսուցումը,
բ. գործնական մասնագիտական կարողություններ
4. կազմել ծրագրեր, օգտագործելով խորը ուսուցման ալգորիթմներ և մարզել նրանց,
5. փաթույթային և ռեկուրենտ ցանցերի օգնությամբ լուծել պատկերների ճանաչման խնդիրներ,
գ. ընդհանրական/փոխանցելի կարողություններ
6. աշխատել թիմում,
7. արդյունավետ կիրառել համակարգչային հմտությունները։
3. Description
● ներկայացնել նեյրոնային ցանցերը, փաթույթային և ռեկուրենտ ցանցերի կառուցվածքը, խորը չվերահսկվող ուսուցումը և նրանց կիրառությունները ձայնի և պատկերի ճանաչման խնդիրներում:
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական խնդիրների լուծում,
3. խմբային նախագծի կատարում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning, 2016.
  • Wiley-Interscience. 2nd Edition. 2001.
  • Russell, S. and Norvig, N. Artificial Intelligence: A Modern Approach. Prentice Hall Series in Artificial Intelligence. 2003.
  • Bishop, C. M. Neural Networks for Pattern Recognition. Oxford University Press. 1995.
  • Koller, D. and Friedman, N. Probabilistic Graphical Models. MIT Press. 2009.
7. Main sections of the course
● Նեյրոնային ցանցերի ներածություն
● Ուսուցումը նեյրոնային ցանցերում
● Հետ տարածում (Backpropagation)
● Խորը ուսուցման մեթոդներ
● Փաթույթային նեյրոնային ցանցեր (CNN)
● Ռեկուրենտ նեյրոնային ցանցեր (RNN)
● Չվերահսկվող խորը ուսուցում
2-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
2 ժամ դասախոսություն, 2 ժամ գործնական, շաբաթական 8 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ10
1. Purpose of the Course
▪ սովորեցնել մեքենայական ուսուցման հավանականային մոդելներ և այդ մոդելների իրագործումը Python-ում,
▪ սովորեցնել մեծ քանակությամբ տվյալների մոդելավորումը և մեքենայական ուսուցման մոդելների կիրառումը այդ տվյալների հիման վրա կանխատեսումներ կատարելու համար։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կառուցել համապատասխան հավանականային մոդել, որը բնութագրում է տվյալների կառուցվածքը,
2. համեմատել մեքենայական ուսուցման տարբեր մոդելներ լավագույնը ընտրելու համար,
բ.գործնական մասնագիտական կարողություններ
3. օգտագործել մեքենայական ուսուցման մոդելներ Python-ով ծրագրեր կազմելու համար,
4. օգտագործել մեքենայական ուսուցման ստանդարտ գրադարանները`մոդելի հիման վրա եզրակացություններ կատարելու, տարբեր մոդելների հիման վրա կանխատեսումներ կատարելու և այդ կանխատեսումների անորոշության աստիճանը գնահատելու համար,
5. կիրառել տարբեր մեթոդներ հավանականային մոդելները համեմատելու և դրանցից լավագույնը ընտրելու համար,
գ.ընդհանրական/փոխանցելի կարողություններ
6. օգտվել տեղեկատվության տարատեսակ աղբյուրներից։
3. Description
▪ սովորեցնել մեքենայական ուսուցման հավանականային մոդելներ և այդ մոդելների իրագործումը Python-ում,
▪ սովորեցնել մեծ քանակությամբ տվյալների մոդելավորումը և մեքենայական ուսուցման մոդելների կիրառումը այդ տվյալների հիման վրա կանխատեսումներ կատարելու համար։
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական ու թիմային հանձնարարականներ ուսանողներին։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն. հետազոտական աշխատանքի ներկայացում ՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%):
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Bishop, Christopher. Neural Networks for Pattern Recognition. New York, NY: Oxford University Press, 1995.
  • Richard, Peter Hart, and David Stork. Pattern Classification. 2nd ed. New York, NY: Wiley- Interscience, 2000.
  • T., R. Tibshirani, and J. H. Friedman. The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York, NY: Springer, 2001.
  • MacKay, David. Information Theory, Inference, and Learning Algorithms. Cambridge, UK: Cambridge University Press, 2003.
  • Mitchell, Tom. Machine Learning. New York, NY: McGraw-Hill, 1997.
  • Thomas M., and Joy A. Thomas. Elements of Information Theory. New York, NY: Wiley- Interscience, 1991.
7. Main sections of the course
● Բայեսյան ուսուցման ներածություն (գեներացնող և տարբերակող մոդելներ)
● Գաուսյան պրոցեսներ
● Կալմանի ֆիլտրում
● Մարկովյան մոդելներ և թաքնված Մարկովյան մոդելներ
● Գրաֆիկական մոդելներ
2-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ11
1. Purpose of the Course
● ուսանողներին ծանոթացնել պատահական պրոցեսների տեսությանն ու ստոխաստիկ վերլուծության մեթոդներին, մասնավորապես, ներկայացնել բրոունյան շարժումը, մարտինգալները, մարկովյան պրոցեսները, նկարագրել ստոխաստիկ ինտեգրալի կառուցումն ու Իտոյի բանաձևը:
2. Educational Outcomes
ա.մասնագիտական գիտելիք և իմացություն
1. նկարագրել բրոունյան շարժումը, մարտինգալները, մարկովյան պրոցեսները, դրանց հիմնական հատկությունները,
2. նկարագրել ստոխաստիկ ինտեգրալի կառուցումն ու դրա հատկությունները, աշխատել պարզագույն ստոխաստիկ դիֆերենցիալ հավասարումների հետ,
բ.գործնական մասնագիտական կարողություններ
3. օգտագործել պատահական պրոցեսները մոդելավորման խնդիրներում,
4. օգտագործել ստոխաստիկ ինտեգրալն ու Իտոյի բանաձևը,
5. կատարել սիմուլյացիաներ՝ օգտագործելով համակարգչային փաթեթներ,
գ. ընդհանրական/փոխանցելի կարողություններ
6. օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից,
7. վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար։
3. Description
● ուսանողներին ծանոթացնել պատահական պրոցեսների տեսությանն ու ստոխաստիկ վերլուծության մեթոդներին, մասնավորապես, ներկայացնել բրոունյան շարժումը, մարտինգալները, մարկովյան պրոցեսները, նկարագրել ստոխաստիկ ինտեգրալի կառուցումն ու Իտոյի բանաձևը:
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • OvidiuCalin, An Informal Introduction toStochastic Calculuswith Applications, World Scientific, 2015.
  • Paolo Baldi, Stochastic Calculus, An Introduction Through Theoryand Exercises, Springer, 2017.
  • Richard Bass, Stochastic Processes, CUP, 2011.
  • Samuel N. Cohen,Robert J. Elliott, Stochastic Calculusand Applications, 2nd Ed., Springer, 2015.
  • Uwe Hassler, Stochastic Processesand Calculus:An Elementary Introductionwith Applications, Springer, 2016.
7. Main sections of the course
● Ստոխաստիկ պրոցեսներ, ընդհանուր գաղափարներ
● Բրոունյան շարժում
● Մարտինգալներ
● Մարկովյան պրոցեսներ
● Ստոխաստիկ ինտեգրում և Իտոյի հաշիվ
● Ստոխաստիկ դիֆերենցիալ հավասարումներ
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ16
1. Purpose of the Course
ուսանողներին ծանոթացնել պատկերների մշակման (computer vision) դասական ու ժամանակակից մեթոդներին, մասնավորապես՝ նեյրոնային ցանցերով պատկերների մշակմանը։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. տարբերակել պատկերների մշակման տարբեր խնդիրները,
2. յուրաքանչյուր խնդրի համար ընտրել լուծման համապատասխան մոտեցում,
բ. գործնական մասնագիտական կարողություններ
3. օգտագործել պատկերների մշակման ալգորիթմները տարբեր իրական խնդիրներ լուծելու համար։
3. Description
ուսանողներին ծանոթացնել պատկերների մշակման (computer vision) դասական ու ժամանակակից մեթոդներին, մասնավորապես՝ նեյրոնային ցանցերով պատկերների մշակմանը։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական պարապմունքներ։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • R. Gonzalez, and R. Woods. Digital Image Processing, Prentice Hall, Upper Saddle River, N.J., 2008.
  • Forsyth, David, and Jean Ponce. Computer vision: A modern approach. Prentice Hall, 2011.
7. Main sections of the course
1. դասական պատկերների մշակման մեթոդներ,
2. պատկերների մշակում՝ օգտվելով խորը ուսուցման մեթոդներից։
Chair code Name of the elective course Credits
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
▪ նկարագրել պատահական թվերի գեներացման, Մոնտե Կառլոյի և ոչ պարամետրական վիճակագրության հիմնական մեթոդները,
▪ տալ գիտելիքներ ընդհանրացված գծային մոդելների, մոդելների ընտրության մասին։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. նկարագրել պատահական թվերի գեներացման մեթոդները,
2. նկարագրել ոչ պարամետրական վիճակագրության հիմնական մեթոդները,
3. համեմատել և ընտրել համապատասխան վիճակագրական մոդելը,
բ. գործնական մասնագիտական կարողություններ
4. Մոնտե Կառլո սիմուլյացիաների, Bootstrap մեթոդի օգնությամբ կատարել տարբեր հաշվարկներ,
5. գնահատել խտության և բաշխման ֆունկցիաները՝ առանց ենթադրելու, որ դրանք ինչ-որ պարամետրական դասից են,
6. լուծել կոնկրետ կիրառական խնդիրներ R լեզվի օգնությամբ,
գ. ընդհանրական/փոխանցելի կարողություններ
7. վերլուծել առկա խնդիրները, առաջարկել մաթեմատիկական մոդելներ, դրանց լուծման եղանակներ։
3. Description
▪ նկարագրել պատահական թվերի գեներացման, Մոնտե Կառլոյի և ոչ պարամետրական վիճակագրության հիմնական մեթոդները,
▪ տալ գիտելիքներ ընդհանրացված գծային մոդելների, մոդելների ընտրության մասին։
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական/թիմային հանձնարարականների կատարում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • Larry Wasserman,All of Nonparametric Statistics, Springer Texts in Statistics, Springer, 2006.
  • James Gentle, Wolfgang Hardle, Yuichi Mori, Handbook of Computational Statistics: Concepts and Methods, 2nd Ed., Springer, 2012.
  • Bradley Efron, Trevor Hastie, Computer Age Statistical Inference: Algorithms, Evidence, and Data Science, CUP, 2016.
  • Geof Givens, Jennifer Hoeting, Computational Statistics, Wiley, 2013.
7. Main sections of the course
● Պատահական թվերի գեներացումը
● Մոնտե Կառլոյի մեթոդներ և MCMC
● EM ալգորիթմը
● Բաշխման ֆունկցիայի,խտության և վիճակագրական ֆունկցիոնալների գնահատումը
● Bootstrap և Jackknife
● Ողորկացում և կորիզներ
● Ոչ պարամետրական ռեգրեսիա
● GLM
● Մոդելի ընտրություն
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
· սովորեցնել ամրապնդմամբ ուսուցման մոդելների կառուցում, ինչպես նաև այդ մոդելների իրագործումը Python-ում, դինամիկ ծրագրավորումը և Մոնտե Կառլոյի մեթոդները։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. վերաձևակերպել խնդիրները որպես Մարկովյան որոշումների գործընթացներ,
2. կառուցել համապատասխան ամրապնդմամբ ուսուցման մոդել, որը բնութագրում է միջավայրը, պարգևատրում է համապատասխան չափով կախված կատարված գործողությունից,
բ. գործնական մասնագիտական կարողություններ
3. օգտագործել դինամիկ ծրագրավորում՝ որպես արդյունաբերական կառավարման խնդրի արդյունավետ լուծման մոտեցում,
4. օգտագործել ամրապնդմամբ ուսուցման մոդելներ Python-ով ծրագրեր կազմելու և այդ մոդելի հիման վրա եզրակացություններ կատարելու համար,
գ. ընդհանրական/փոխանցելի կարողություններ
5. վերլուծել առկա խնդիրները, առաջարկել մաթեմատիկական մոդելներ,
6. օգտվել տեղեկատվության տարատեսակ աղբյուրներից։
3. Description
· սովորեցնել ամրապնդմամբ ուսուցման մոդելների կառուցում, ինչպես նաև այդ մոդելների իրագործումը Python-ում, դինամիկ ծրագրավորումը և Մոնտե Կառլոյի մեթոդները։
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • Reinforcement Learning: An Introduction - Sutton and Barto (2018).
  • Algorithms for Reinforcement Learning - Csaba Szepesvari (2010).
  • Reinforcement Learning: Industrial Applications of Intelligent Agents - Phil Winder (2020).
  • Deep Reinforcement Learning Hands-On - Maxim Lapan (2020).
  • Applied Reinforcement Learning with Python - Taweh Beysolow II (2019).
7. Main sections of the course
· Ամրապնդմամբ ուսուցման խնդիրը
· Բազմաթև ավազակներ
· Վերջավոր Մարկովի որոշման գործընթացները
· Դինամիկ ծրագրավորում
· Մոնտե Կառլոյի մեթոդներ
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
● ուսանողներին ծանոթացնել վիճակագրության և մեքենայական ուսուցման, մասնավորապես՝ խորն ուսուցման կիրառություններին առողջապահության մեջ։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. ձևակերպել բժշկության/դեղերի արտադրության իրական ալգորիթմական խնդիրներ,
բ. գործնական մասնագիտական կարողություններ
2. լուծել բժշկության/դեղերի արտադրության իրական ալգորիթմական խնդիրներ,
գ. ընդհանրական/փոխանցելի կարողություններ
3. օգտագործել մեքենայական ուսուցման և վիճակագրության նորագույն մեթոդները վերը նշված խնդիրների լուծման համար։
3. Description
● ուսանողներին ծանոթացնել վիճակագրության և մեքենայական ուսուցման, մասնավորապես՝ խորն ուսուցման կիրառություններին առողջապահության մեջ։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական պարապմունքներ,
3. հրավիրյալ դասախոսություններ ոլորտային մասնագետների կողմից։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • Miguel A. Hernan, James M. Robins (2019). Causal Inference: What If.
  • Trevor Hastie (2008). The Elements of Statistical Learning.
  • Brady Neal (2020). Introduction to Causal Inference.
  • Շաբաթական հավելյալ տրվող հոդվածներ և տեսաձայնագրություններ:
7. Main sections of the course
Ներածություն։ Ինչով է առանձնահատուկ բժշկությունը։
Կլինիկական խնամք; Կլինիկական տվյալների առանձնահատկությունները:
Ռիսկի վերլուծություն (Risk Stratification):
Գոյատևման վերլուծություն (Survival Analysis):
Ուսուցում աղմուկ պարունակող պիտակներով (Learning with noisy labels):
Հիվանդության զարգացման վերլուծություն (Disease progression and subtyping):
Պատճառահետևանքային վերլուծություն (Causal Inference):
Տվյալների տեղաշարժ (Dataset Shift):
Դեղերի արտադրություն (հրավիրված դասախոսներ):
Մեքենայական ուսուցումը մամոգրաֆիաների վերլուծության մեջ:
ԱՄՆ օրենքները կլինիկական տվյալների հետ աշխատելու վերաբերյալ (հրավիրված դասախոսներ):
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ17
1. Purpose of the Course
● ներկայացնել արտադրանքի ղեկավարների հիմնական պարտականությունները,
● սովորեցնել հարմարեցնել շուկայավարման հետազոտության մեթոդները տարբեր տեսակի ապրանքների համար,
● սովորեցնել արտադրանքի կառավարման մեջ օգտագործվող հիմնական շրջանակները, հասկացությունները և մոդելները,
● սովորեցնել ֆինանսական պլանավորում նոր ապրանքների և արտադրանքի պորտֆելի համար։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կատարել ֆինանսական պլանավորում նոր ապրանքների և արտադրանքի պորտֆելի համար,
բ. գործնական մասնագիտական կարողություններ
2. կիրառել դիզայնի մտածողությունը արտադրանքի կառավարման համատեքստում,
3. օգտագործել հաճախորդների կարծիքը արտադրանքի կառավարման գործընթացներում,
4. օգտագործել տարբեր մեթոդներ՝ նոր ապրանքների համար գաղափարներ առաջացնելու համար,
գ. ընդհանրական/փոխանցելի կարողություններ
5. վերլուծել առկա խնդիրները, առաջարկել լուծման մեթոդներ,
6. օգտվել տեղեկատվության տարատեսակ աղբյուրներից։
3. Description
● ներկայացնել արտադրանքի ղեկավարների հիմնական պարտականությունները,
● սովորեցնել հարմարեցնել շուկայավարման հետազոտության մեթոդները տարբեր տեսակի ապրանքների համար,
● սովորեցնել արտադրանքի կառավարման մեջ օգտագործվող հիմնական շրջանակները, հասկացությունները և մոդելները,
● սովորեցնել ֆինանսական պլանավորում նոր ապրանքների և արտադրանքի պորտֆելի համար։
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
4. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
6. Basic Bibliography
  • Bruce T. Barkley, Project Management in New Product Development, McGraw-Hill © 2008 .
  • Cadogan, John, et al. Cross-cultural and cross-national consumer research, Emerald Publishing Limited, 2015. ProQuest Ebook Central, .
  • Charles H. Noble, Serdar S. Durmusoglu and Abbie Griffin Open Innovation: New Product Development Essentials from the PDMA, John Wiley & Sons © 2014. https://library.books24x7.com/toc.aspx?bookid=80723.
7. Main sections of the course
● Ապրանքի մենեջերը որպես ընկերությունում պաշտոն. պարտականությունները և որակավորումը:
● Արտադրանքի համար գաղափարների և վարկածների մշակում;
● Արտադրանքի կառավարման կյանքի ցիկլի մոդելը և արտադրանքի գլխավոր պլանը:
● Շուկայի վերլուծություն և հաճախորդների կարծիքն արտադրանքի մենեջերի համար:
● Դիզայնի մտածողությունը արտադրանքի կառավարման մեջ:
● Ֆինանսներ և կանխատեսումներ արտադրանքի մենեջերի համար:
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
2 ժամ դասախոսություն, 2 ժամ գործնական, շաբաթական 8 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ18
1. Purpose of the Course
ուսանողներին ծանոթացնել կենսավիճակագրության հիմնական խնդիրներին ու մեթոդներին։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. տարբերել մեթոդներն ու մոդելները,
բ.գործնական մասնագիտական կարողություններ
2. ներկայացնել տվյալ իրավիճակում ամենահարմար մոդելի/մեթոդի ընտրությունը,
գ.ընդհանրական/փոխանցելի կարողություններ
3. գիտելիքները կիրառել գործնականում։
3. Description
ուսանողներին ծանոթացնել կենսավիճակագրության հիմնական խնդիրներին ու մեթոդներին։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. գործնական պարապմունքներ։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%):
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • B. Rosner, Fundamentals of Biostatistics, Cengage Learning; 7th edition.
  • S. Selvin, A Biostatistics Toolbox for Data Analysis, CUP, 2015.
7. Main sections of the course
Տվյալների հավաքագրումը, ներկայացումն ու նկարագրությունը
Հետազոտությունների պլանավորում
Վարկածների ստուգում թվային և կատեգորական տվյալների համար
Կորելացիոն վերլուծություն
ANOVA
Դիսպերսիոն վերլուծություն
Գործոնային վերլուծություն
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 4 ժամ
4 ժամ դասախոսություն, շաբաթական 8 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ18
1. Purpose of the Course
▪ նկարագրել բայեսյան մոտեցումը վիճակագրական խնդիրներին ու տվյալների վերլուծությանը,
▪ գաղափար տալ նախնական (prior) բաշխման, ճշմարտանմանության աստիճանի (likelihood) և արտածված (posterior) բաշխման մասին,
▪ սովորեցնել կառուցել բայեսյան ցանցեր և կատարել տվյալների վերլուծություն՝ բայեսյան մոտեցումով։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կատարել բայեսյան գնահատում տարբեր վիճակագրական խնդիրներում,
2. կառուցել բայեսյան ցանցեր,
բ. գործնական մասնագիտական կարողություններ
3. կատարել տվյալների բայեսյան վերլուծություն, մոդելի ընտրություն և գնահատում,
4. լուծել տվյալների վերլուծության կոնկրետ կիրառական խնդիրներ համակարգչային փաթեթների օգնությամբ,
գ. ընդհանրական/փոխանցելի կարողություններ
5. վերլուծել առկա խնդիրները, առաջարկել մաթեմատիկական մոդելներ, դրանց լուծման եղանակներ։
3. Description
▪ նկարագրել բայեսյան մոտեցումը վիճակագրական խնդիրներին ու տվյալների վերլուծությանը,
▪ գաղափար տալ նախնական (prior) բաշխման, ճշմարտանմանության աստիճանի (likelihood) և արտածված (posterior) բաշխման մասին,
▪ սովորեցնել կառուցել բայեսյան ցանցեր և կատարել տվյալների վերլուծություն՝ բայեսյան մոտեցումով։
4. Teaching and Learning Styles and Methods
Տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով:
Անհատական/թիմային հանձնարարականների կատարում:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. 1-ին ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
2. 2-րդ ընթացիկ քննություն՝ 4 միավոր առավելագույն արժեքով (20%):
3. Ընթացիկ ստուգում(ներ)՝ 4 միավոր առավելագույն արժեքով (20%):
4. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • William Bolstad, James Curran, Introduction to Bayesian Statistics, 3rd Ed., Wiley, 2017.
  • Peter Lee, Bayesian Statistics, an introduction, Wiley, 2012.
  • Jean-Michel Marin, Christian P. Robert, Bayesian Essentials with R, 2nd Ed, Springer, 2014.
  • Peter Congdon, Applied Bayesian Modelling, Wiley, 2014.
  • Andrew Gelman, John Carlin et al, Bayesian Data Analysis, 3rd Ed., CRC Press, 2014.
  • Allen B. Downey, Think Bayes, O’Reilly, 2013.
  • Adnan Darwiche, Modeling and Reasoning with Bayesian Networks, CUP, 2009.
7. Main sections of the course
● Բայեսյան գնահատում դիսկրետ պատահական մեծությունների համար
● Բայեսյան գնահատում նորմալ բաշխման համար
● Բայեսյան մոտեցում վարկածների ստուգմանը
● Բայեսյան գնահատում ռեգրեսիայի համար
● Հիերարխիկ մոդելներ
● Բայեսյան ցանցեր (Bayes Networks)
● Բայեսյան ոչպարամետրիկ գնահատում
● Թվային բայեսյան մեթոդներ
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ19
1. Purpose of the Course
● ներկայացնել թվային ազդանշանի մշակման տեսության հիմունքները, Ֆուրիեի ձևափոխությունը, ֆիլտրերի կառուցվածքը, քննարկել թվային ֆիլտրերի նախագծումն ու իրականացումը: Օգտագործելով ծրագրային փաթեթներ՝ ներկայացնել նաև թվային ազդանշանի մշակման տեսության կիրառությունները։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. նկարագրել թվային ֆիլտրերի և տարբերակային հավասարումների կապը,
2. ներկայացնել Ֆուրիեի ձևափոխությունը և նրա հակադարձը,
3. բացատրել Ֆուրիեի դիսկրետ ձևափոխության սկզբունքները,
բ.գործնական մասնագիտական կարողություններ
4. կիրառել հայտնի ֆիլտրերն ըստ իրենց առանձնահատկությունների տվյալների վերլուծության ալգորիթմները պրակտիկ խնդիրներում,
5. օգտագործել ստոխաստիկ ազդանշանների Ֆուրիեի անալիզը,
6. կիրառել ծրագրայի փաթեթներ թվային վերլուծության խնդիրներում,
գ.ընդհանրական/փոխանցելի կարողություններ
7. օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից:
3. Description
● ներկայացնել թվային ազդանշանի մշակման տեսության հիմունքները, Ֆուրիեի ձևափոխությունը, ֆիլտրերի կառուցվածքը, քննարկել թվային ֆիլտրերի նախագծումն ու իրականացումը: Օգտագործելով ծրագրային փաթեթներ՝ ներկայացնել նաև թվային ազդանշանի մշակման տեսության կիրառությունները։
4. Teaching and Learning Styles and Methods
1. դասախոսություններ,
2. խմբային աշխատանք,
3. անհատական աշխատանք։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • V. Oppenheim and R. W. Schafer, Discrete Time Signal Processing, 2nd Edition, 1998, Prentice Hall.
  • S. K. Mitra, McGraw-Hill, Digital Signal Processing: A Computer-Based Approach, Third edition, 2006.
  • M. Hays, McGraw-Hill, Schaum's Outline of Digital Signal Processing, 1999.
7. Main sections of the course
● Դիսկրետ գծային համակարգերի ներածություն
● Ֆուրիեի ձևափոխություն
● Ֆուրիեի դիսկրետ ձևափոխություն
● Ֆուրիեի արագ ձևափոխություն
● Վերջավոր և անվերջ ազդանշանային պատասխանի (FIR, IIR) ֆիլտրեր
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ19
1. Purpose of the Course
· տրամադրել մեքենայական ուսուցման գրաֆների վրա հիմնված ներկայացումների խորը պատկերացում,
· ուսանողներին զինել իրական աշխարհի խնդիրներ լուծելու կարողությամբ՝ օգտագործելով գրաֆային ալգորիթմներ և տեխնիկաներ,
· կիրառել մեքենայական ուսուցման գործիքներ՝ սոցիալական, տեխնոլոգիական և կենսահամակարգերի մեծ գրաֆներից պատկերացումներ ստանալու համար:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. արդյունավետ վերլուծել և մեկնաբանել գրաֆների տվյալների կառուցվածքները,
բ. գործնական մասնագիտական կարողություններ
2. իրականացնել գրաֆ նեյրոնային ցանցեր (GNN) մեքենայական ուսուցման տարբեր խնդիրների համար,
3. գնահատել և ընտրել գրաֆների վրա հիմնված համապատասխան տեխնիկաներ հատուկ կիրառությունների համար:
3. Description
· տրամադրել մեքենայական ուսուցման գրաֆների վրա հիմնված ներկայացումների խորը պատկերացում,
· ուսանողներին զինել իրական աշխարհի խնդիրներ լուծելու կարողությամբ՝ օգտագործելով գրաֆային ալգորիթմներ և տեխնիկաներ,
· կիրառել մեքենայական ուսուցման գործիքներ՝ սոցիալական, տեխնոլոգիական և կենսահամակարգերի մեծ գրաֆներից պատկերացումներ ստանալու համար:
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական/թիմային հանձնարարականների կատարում։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Graph Representation Learning , William L. Hamilton, 2020.
  • Networks, Crowds, and Markets: Reasoning About a Highly Connected World , David Easley and Jon Kleinberg, 2010.
  • Network Science , Albert-László Barabási, 2016.
7. Main sections of the course
· Գրաֆային Մեքենայական ուսուցման ներածություն
· Գրաֆների վրա մեքենայական ուսուցման դասական մեթոդներ
· Գագաթների ներկայացումներ
· Կապերի վերլուծություն: PageRank
· Պիտակների տարածում գագաթների դասակարգման համար
· Գրաֆային նեյրնային ցանցեր 1: GNN մոդելը
· Գրաֆային նեյրնային ցանցեր 2: ներկայացման տարածությունը
· Գրաֆային նեյրնային ցանցերի կիրառություններ
· Գրաֆային նեյրնային ցանցերի տեսությունը
· Գիտելիքների գրաֆի ներկայացումներ
· Դատողություններ գիտելիքների գրաֆի վրա
· Ամենահաճախ ենթագրաֆների որոնում GNN-երով
· Համայնքի կառուցվածքներ ցանցերում
· Խորը ստեղծագործ մոդելներ գրաֆների համար
· GNN-երի լրացուցիչ գլուխներ
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ19
1. Purpose of the Course
● սովորեցնել կառուցել ԱԲ համակարգեր, որոնք կարող են պլանավորել, տրամաբանել, օգտագործել գործիքներ, պահպանել հիշողություն և ինքնուրույն իրականացնել բազմափուլ առաջադրանքներ,
● սովորեցնել կառուցել կառուցել ամբողջական գործակալական համակարգեր, որոնք ունակ են լուծել բարդ, իրական աշխարհի խնդիրներ՝ օգտագործելով գործիքների ինտեգրում, տեղեկատվության որոնում (retrieval), պլանավորում և բազմագործակալ համագործակցություն։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կիրառել տրամաբանման և պլանավորման ռազմավարություններ,
2. գնահատել գործակալների ճշգրտությունը, կայունությունը և ծախսերը,
բ. գործնական մասնագիտական կարողություններ
3. կառուցել LLM-ի վրա հիմնված գործակալներ՝ գործիքների օգտագործման և հիշողության հնարավորություններով,
4. ներդնել որոնման միջոցով համալրված (RAG) և գիտելիքի վրա հիմնված գործակալներ,
5. կառուցել բազմագործակալ համակարգեր և օրկեստրացիաներ,
6. ներդնել մասշտաբավորվող և հուսալի գործակալական համակարգեր արտադրական միջավայրում,
գ. ընդհանրական/փոխանցելի կարողություններ
7. կառուցել և ներկայացնել հաշվետվություններ, պրեզենտացիաներ և վիզուալիզացիաներ, որոնք հասկանալի ձևով փոխանցում են մաթեմատիկական մոդելների արդյունքները ոչ-մասնագետ լսարանին։
3. Description
● սովորեցնել կառուցել ԱԲ համակարգեր, որոնք կարող են պլանավորել, տրամաբանել, օգտագործել գործիքներ, պահպանել հիշողություն և ինքնուրույն իրականացնել բազմափուլ առաջադրանքներ,
● սովորեցնել կառուցել կառուցել ամբողջական գործակալական համակարգեր, որոնք ունակ են լուծել բարդ, իրական աշխարհի խնդիրներ՝ օգտագործելով գործիքների ինտեգրում, տեղեկատվության որոնում (retrieval), պլանավորում և բազմագործակալ համագործակցություն։
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Micheal Lanham, AI Agents in Action, Manning, 2025.
  • Ken Huang, ed., Agentic AI: Theories and Practices, Springer, 2025.
  • Mayo Oshin, Nuno Campos, Learning LangChain, O’Reilly, 2025.
7. Main sections of the course
● LLM գործակալների հիմունքները:
● Գործակալների նախագծման նմուշներ:
● Գործիքների օգտագործում և API ինտեգրում:
● Որոնման միջոցով համալրված գործակալներ (RAG):
● Հիշողության համակարգեր:
● Պլանավորում և առաջադրանքների մասնատում:
● Անդրադարձ և ինքնակատարելագործում:
● Բազմագործակալ համակարգեր:
● Ինքնավար աշխատանքային հոսքեր:
● Գործակալական համակարգերի գնահատում:
● Անվտանգություն, համապատասխանեցում և արգելապատնեշներ:
● Համակարգեր և ենթակառուցվածքներ:
● Առաջադեմ թեմաներ:
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ19
1. Purpose of the Course
· տրամադրել գիտելիքներ և գործիքներ՝ աշխատելու արհեստական բանականության գեներատիվ մոդելների հետ:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. հասկանալ գեներատիվ ԱԲ մոդելների հիմունքները,
բ. գործնական մասնագիտական կարողություններ
2. լուծել տեխնիկական խնդիրներ և ստեղծել նախագծեր,
3. ընտրել համապատասխան մեթոդներ և գործիքներ,
4. կիրառել գեներատիվ ԱԲ-ն տարբեր ոլորտներում,
գ.ընդհանրական/փոխանցելի կարողություններ
5. օգտվել տեղեկատվության տարատեսակ աղբյուրներից։
3. Description
· տրամադրել գիտելիքներ և գործիքներ՝ աշխատելու արհեստական բանականության գեներատիվ մոդելների հետ:
4. Teaching and Learning Styles and Methods
1. տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական ու թիմային հանձնարարականներ ուսանողներին։
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Oksendal, Bernt. Stochastic differential equations: an introduction with applications. Springer Science & Business Media, 2013.
  • Shreve, Steven E. Stochastic calculus for finance II: Continuous-time models. Vol. 11. New York: springer, 2004.
  • Ho, Jonathan, Ajay Jain, and Pieter Abbeel. "Denoising diffusion probabilistic models." Advances in neural information processing systems 33 (2020): 6840-6851.
  • Song, Jiaming, Chenlin Meng, and Stefano Ermon. "Denoising diffusion implicit models." arXiv preprint arXiv:2010.02502 (2020).
  • Song, Yang, et al. "Score-based generative modeling through stochastic differential equations." arXiv preprint arXiv:2011.13456 (2020).
  • Karras, Tero, et al. "Elucidating the design space of diffusion-based generative models." Advances in neural information processing systems 35 (2022): 26565-26577.
  • Lipman, Yaron, et al. "Flow matching for generative modeling." arXiv preprint arXiv:2210.02747 (2022).
7. Main sections of the course
· KL-Divergence and Variational Auto-Encoders
· Diffusion models: DDPM, DDIM
· Applications: Stable Diffusion
· Score Matching with Langevin Dynamics
· Markov Chain Monte Carlo
· Hamiltonian Monte Carlo and Langevin Dynamics
· Score Matching: Denoising Score Matching (additionally)
· Score-based generative modeling with Stochastic Differential Equations
· Sampling with Probability Flow ODE
· EDM Framework and the Universality Property of Diffusion Models
· Flow Matching and the Connection with Diffusion Models
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ19
1. Purpose of the Course
● ներկայացնել մոդելներ և ալգորիթմներ, որոնք անհրաժեշտ են բնական լեզվի մշակման ոլորտում տեքստային տվյալների ավտոմատացված մշակման համար, ինչպես նաև գիտելիքների ավտոմատացված արդյունահանման և փաստաթղթերի ավտոմատացված դասակարգման համար:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. նկարագրել NLP- ին բնորոշ խնդիրները,
2. գնահատել NLP- ի վրա հիմնված համակարգերը,
բ. գործնական մասնագիտական կարողություններ
3. կառուցել բարձր մակարդակի մշակման շղթաներ՝ օգտագործելով NLP-ի հիմնական տարրերը,
4. ընտրել լուծումներ NLP-ի տիպիկ ենթախնդիրների համար,
5. վերլուծել NLP- ի խնդիրները և տրոհել այն անկախ բաղադրիչների,
գ. ընդհանրական/փոխանցելի կարողություններ
6. տրոհել խնդիրները ենթախնդիրների,
7. արդյունավետ կիրառել համակարգչային հմտությունները:
3. Description
● ներկայացնել մոդելներ և ալգորիթմներ, որոնք անհրաժեշտ են բնական լեզվի մշակման ոլորտում տեքստային տվյալների ավտոմատացված մշակման համար, ինչպես նաև գիտելիքների ավտոմատացված արդյունահանման և փաստաթղթերի ավտոմատացված դասակարգման համար:
4. Teaching and Learning Styles and Methods
1. Տեսական դասախոսություններ, գործնական աշխատանք համակարգիչներով,
2. անհատական/թիմային հանձնարարականների կատարում:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • M. Rajman editor, "Speech and Language Engineering", EPFL Press, 2006.
  • Daniel Jurafsky and James H, Martin, "Speech and Language Processing", Prentice Hall, 2008 (2nd edition).
  • Christopher D. Manning and Hinrich Schütze, "Foundations of Statistical Natural Language Processing", MIT Press, 2000.
  • Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008.
  • Nitin Indurkhya and Fred J. Damerau editors, "Handbook of Natural Language Processing", CRC Press, 2010 (2nd edition).
7. Main sections of the course
● Տեքստային տվյալների ավտոմատացված մշակման մոդելներ եւ ալգորիթմներ
● Լեզվաբանական ճարտարագիտություն
● Գիտելիքների ավտոմատացված արդյունահանում
● Փաստաթղթերի ավտոմատացված դասակարգում
● Տեքստային տվյալների արտացոլում
3-րդ կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ դասախոսություն, շաբաթական 4 ժամ ինքնուրույն աշխատանք
OPTIONAL
0105/Մ19
1. Purpose of the Course
Դասավանդել ֆինանսական ինժեներիայի և ֆինանսական մեքենայական ուսուցման հիմնարար գաղափարները, ծանոթացնել ժամանակակից ֆինանսական շուկաներին և գործիքներին, պորտֆելային տեսությանը, ռիսկի քանակական չափումներին, ժամանակային շարքերի մոդելավորմանը և օպտիմիզացիոն մեթոդներին, ինչպես նաև ցուցադրել դրանց կիրառումը Python-ի միջոցով իրական ֆինանսական տվյալների վրա՝ ապահովելով թե՛ տեսական, թե՛ գործնական պատրաստվածություն։
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. հասկանալ ֆինանսական շուկաների հիմնական կառուցվածքը, հիմնական ակտիվների (ակցիաներ, պարտատոմսեր, արժութային զույգեր, կրիպտոակտիվներ) բնութագրերը և ռիսկ-վերադարձ փոխզիջումը,
2. նկարագրել դասական պորտֆելային տեսության (Markowitz-յան մոդել, արդյունավետ սահման, սահմանափակումներով օպտիմալացում) հիմնական դրույթները և դրանց սահմանափակումները իրական շուկաներում
3. ներկայացնել ժամանակային շարքերի հիմնական մոդելները (ARIMA, GARCH և այլք) և դրանց կիրառությունը ֆինանսական տվյալների վրա (ֆինանսական ռիսկի և կանխատեսման խնդիրներում)
բ. գործնական մասնագիտական կարողություններ
4. Python-ում ներբեռնել, մշակել և մաքրել տարբեր տեսակի ֆինանսական տվյալներ
5. հաշվարկել և վիզուալացնել հիմնական ցուցանիշները՝ եկամտայնություն, տատանումայնություն, կորելացիոն մատրից, պորտֆելի PnL և այլն,
6. ձևակերպել և լուծել պորտֆելային օպտիմալացման պարզ խնդիրներ՝ օգտագործելով կոնվեքս օպտիմիզացիայի գրադարաններ,
7. կառուցել և գնահատել հիմնական կանխատեսող մոդելներ ժամանակային շարքերի համար, համեմատել բազային և ավելի առաջադեմ մոտեցումները,
գ. ընդհանրական/փոխանցելի կարողություններ
8. վերլուծել բարդ կիրառական խնդիրները, դրանք վերաձևակերպել որպես մաթեմատիկական/վիճակագրական մոդելավորման խնդիրներ,
9. կառուցել և ներկայացնել հաշվետվություններ, պրեզենտացիաներ և վիզուալիզացիաներ, որոնք հասկանալի ձևով փոխանցում են մաթեմատիկական մոդելների արդյունքները ոչ-մասնագետ լսարանին։
3. Description
Դասավանդել ֆինանսական ինժեներիայի և ֆինանսական մեքենայական ուսուցման հիմնարար գաղափարները, ծանոթացնել ժամանակակից ֆինանսական շուկաներին և գործիքներին, պորտֆելային տեսությանը, ռիսկի քանակական չափումներին, ժամանակային շարքերի մոդելավորմանը և օպտիմիզացիոն մեթոդներին, ինչպես նաև ցուցադրել դրանց կիրառումը Python-ի միջոցով իրական ֆինանսական տվյալների վրա՝ ապահովելով թե՛ տեսական, թե՛ գործնական պատրաստվածություն։
4. Teaching and Learning Styles and Methods
1. դասախոսություն,
2. պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը,
3. ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ:
5. Evaluation Methods and Criteria
Դասընթացը գնահատվում է առավելագույնը 20 միավոր.
1. Ընթացիկ ստուգում(ներ)՝ 6 միավոր առավելագույն արժեքով (30%):
2. Ինքնուրույն աշխատանք՝ 6 միավոր առավելագույն արժեքով (30%):
3. Եզրափակիչ քննություն՝ 8 միավոր առավելագույն արժեքով (40%)։
6. Basic Bibliography
  • Tsay, R. S. Analysis of Financial Time Series (3rd ed.), Wiley, 2010.
  • López de Prado, M. Advances in Financial Machine Learning, Wiley, 2018.
  • Chan, E. P. Algorithmic Trading: Winning Strategies and Their Rationale (2nd ed.), Wiley, 2013.
  • Meucci, A. Risk and Asset Allocation, Springer, 2005.
  • Hyndman, R. J., & Athanasopoulos, G. Forecasting: Principles and Practice (3rd ed.), OTexts, 2021.
7. Main sections of the course
● Ֆինանսական շուկաների և ակտիվների ներածական ակնարկ (շուկայի կառուցվածք, ակտիվների տեսակներ, հիմնական հասկացություններ)
● Ֆինանսական տվյալների պատրաստում և նախամշակում
● Դասական պորտֆելային տեսություն և կոնվեքս օպտիմիզացիա
● Ժամանակային շարքերի դասական մոդելների և մեքենայական ուսուցման հիմնական մեթոդների կիրառություն ֆինանսում
● Ռիսկի քանակական գնահատում, Մոնտե Կառլոյի սիմուլյացիաներ և սցենարային վերլուծություն
● Ժամանակային շարքի հիմնային մոդելների (Time Series Foundation Model) գաղափարը և կիրառությունները ֆինանսական շուկաներում

Other educational modules

Chair code Name of the course Credits
1-ին կիսամյակ
Լսարանային ժամեր-շաբաթական 2 ժամ
2 ժամ սեմինար, շաբաթական 4 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ20
1. Purpose of the Course
· ներկայացնել հավանականությունների տեսության հիմունքները,
· սովորեցնել տվյալների պատկերման հիմունքները,
· ծանոթացնել ուսանողներին մեքենայական ուսուցման արդի ուղղություններին,
· ցույց տալ ստացված գիտելիքների կիրառությունների շրջանակը Հայաստանյան ընկերություններում,
· հնարավորություն ստեղծել ինդուստրիայի ներկայացուցիչների խնդիրներին ծանոթանալու և նրանց խնդիրների վրա աշխատելու:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. պատկերել բարդ կառուցվածք ունեցող տվյալները հասկանալի եղանակով,
2. օգտագործել հավանականությունների տեսությունը վիճակագրության և մեքենայական ուսուցման մեջ,
բ. գործնական մասնագիտական կարողություններ
3. օգտագործել Matplotlib փաթեթը տվյալները պատկերելու համար,
4. հաշվել տարատեսակ իրադարձությունների հավանականությունը:
3. Description
· ներկայացնել հավանականությունների տեսության հիմունքները,
· սովորեցնել տվյալների պատկերման հիմունքները,
· ծանոթացնել ուսանողներին մեքենայական ուսուցման արդի ուղղություններին,
· ցույց տալ ստացված գիտելիքների կիրառությունների շրջանակը Հայաստանյան ընկերություններում,
· հնարավորություն ստեղծել ինդուստրիայի ներկայացուցիչների խնդիրներին ծանոթանալու և նրանց խնդիրների վրա աշխատելու:
4. Teaching and Learning Styles and Methods
1. Ներկայացումներ - Power point նյութերով
2. Գործնական աշխատանքներ - համակարգչային լսարաններում
5. Evaluation Methods and Criteria
Ստուգարքը անցկացվում է հարցատոմսերով՝ 20 միավոր առավելագույն արժեքով: Ստուգումից 20-միավորանոց համակարգում 10 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած:
6. Main sections of the course
Տիտղոսաթերթ
Ստորագրությունների էջ
Համառոտագիր
Բովանդակություն
Ներածություն
Հիմնական մաս
Եզրակացություններ (և առաջարկություններ)
Օգտագործված գրականության ցանկ
Հավելվածներ
3-րդ կիսամյակ
6 շաբաթ
180 ժամ ինքնուրույն աշխատանք
MANDATORY
0105/Մ24
1. Purpose of the Course
Նպաստել ուսանողին պրակտիկ խնդիրներ լուծելուն և աշխատանքի անցնելուն:
2. Educational Outcomes
ա. մասնագիտական գիտելիք և իմացություն
1. կառուցել ալգորիթմներ պրակտիկայի շրջանակում լուծում պահանջող խնդիրների համար,
2. կիրառել տեսական գիտելիքները տվյալ ալգորիթմի լավարկման համար,
բ. գործնական մասնագիտական կարողություններ
3. մշակել տվյալներն ազատվելու աղմուկ պարունակող տվյալներից,
4. պահպանել ստացված տվյալներն օգտագործման և կիրառման համար ավելի հարմարվետ ֆորմատով,
գ. ընդհանրական/փոխանցելի կարողություններ,
5. առնչվելով և համագործակցելով տարբեր մարդկանց հետ լուծել առաջադրված խնդիրը:
3. Description
Նպաստել ուսանողին պրակտիկ խնդիրներ լուծելուն և աշխատանքի անցնելուն:
4. Teaching and Learning Styles and Methods
1. Ներկայացումներ - Power point նյութերով,
2. Գործնական աշխատանքներ - համակարգչային լսարաններում:
5. Evaluation Methods and Criteria
Պրակտիկան գնահատվում է ստուգարքի ձևով: Պրակտիկան դրական (ստուգված) է գնահատվում այն դեպքում, եթե ուսանողը մասնակցել է պրակտիկային, կատարել ծրագրով նախատեսված առաջադրանքները, սահմանված ժամկետում ներկայացրել պրակտիկայի օրագիրը:
6. Basic Bibliography
  • Krisp
  • Picsart
  • 0Web
  • Podcastle
  • VMware
  • WebbFontaine
  • Wolfram Research
  • WorldQuant
  • Intent.ai
7. Main sections of the course
Կազմակերպության կողմից տրված մասնագիտական հանձնարարությունների իրականացում՝ անհրաժեշտության դեպքում կազմակերպության փորձառու ներկայացուցչի օգնությամբ։
4-րդ կիսամյակ
Ինքնուրույն աշխատանքի ժամաքանակը՝ 720 ժամ
MANDATORY
0105/Մ25
1. Purpose of the Course
· ծանոթացնել ուսանողին տվյալ խնդրին առնչվող գրականության հետ,
· ուղղորդել ուսանողին տվյալ խնդրի լուծման համար անհրաժեշտ ալգորիթմների և տվյալների հավաքագրման և դրանց կիրառման շնորհիվ խնդիրը լուծելուն,
· սովորեցնել ստացված արդյունքը գրագետ շարադրել,
· զարգացնել արդյունքի ներկայացման հմտությունները:
2. Educational Outcomes
բ. գործնական մասնագիտական կարողություններ
1. հավաքագրել և մաքրել տվյալները,
2. մշակել ալգորիթմներ տվյալ խնդրի լուծման համար,
գ. ընդհանրական/փոխանցելի կարողություններ
3. կատարել հետազոտական աշխատանք,
4. ներկայացնել իր կողմից ստացված արդյունքները,
5. օգտվել գրականությունից:
3. Description
· ծանոթացնել ուսանողին տվյալ խնդրին առնչվող գրականության հետ,
· ուղղորդել ուսանողին տվյալ խնդրի լուծման համար անհրաժեշտ ալգորիթմների և տվյալների հավաքագրման և դրանց կիրառման շնորհիվ խնդիրը լուծելուն,
· սովորեցնել ստացված արդյունքը գրագետ շարադրել,
· զարգացնել արդյունքի ներկայացման հմտությունները:
4. Evaluation Methods and Criteria
Թեզը գնահատվում է առավելագույնը 20 միավոր.
Թեզը գնահատելիս հաշվի կառնվեն հետևյալ բաղադրիչները.
1. Ինքնուրույնություն
2. Նորույթ
3. Ձևակերմպան որակ
4. Ներկայացման որակ
5. Main sections of the course
Տիտղոսաթերթ
Ստորագրությունների էջ
Համառոտագիր
Բովանդակություն
Ներածություն
Հիմնական մաս
Եզրակացություններ (և առաջարկություններ)
Օգտագործված գրականության ցանկ
Հավելվածներ
Address: Republic of Armenia, Yerevan, 0025, 1 Alex Manoogian (+37460) 710000 info@ysu.am