Ուսումնական պլան

PDF

Կրթական մակարդակը՝

Մագիստրոս

Մասնագիտություն՝

031101.19.7 - Տնտեսագիտություն

Մասնագիտացումը՝

031101.19.7 - Տվյալների գիտությունը բիզնեսում

Շնորհվող որակավորումը՝

Տնտեսագիտության մագիստրոս

Ծրագրի ուստարին՝

2025/2026

Ուսուցման ձևը՝

Առկա

Ուսումնառության լեզուն՝

Հայերեն

Ընդհանուր կրթական կառուցամաս

Ամբիոնի կոդը	Պարտադիր դասընթացի անվանումը	Կրեդիտներ
1002	Տեղեկատվական տեխնոլոգիաները մասնագիտական ոլորտում (Փայթն)	3
1-ին կիսամյակ 2 ժամ/շաբ. Դաս.՝ 1 ժամ, գործ.՝ 1ժամ ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·«Փայթն» ծրագրավորման լեզվի հիմունքների կիրառում, ·աշխատել տվյալների, փոփոխականների, զանգվածների, ֆունկցիաների և վերահսկվող հոսքերի հետ, ծանոթացնել «Փայթնի» միջոցով տվյալների վիզուալիզացման միջազգային փորձին և սովորեցնել ստեղծել սեփական վիզուալիզացումները հիմնված իրական տվյալների վրա: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Բացատրել «Փայթն» լեզվի հիմունքները, ներառյալ հիմնական սինտաքսը, փոփոխականներն ու տիպերը։ 2.Ներկայացնել «Փայթնի» կանոնավոր ցուցակների ստեղծման գործընթացը և օգտագործման հնարավոր ուղղությունները։ բ. գործնական մասնագիտական կարողություններ 3.Ստեղծել և օգտագործել «Փայթնի» կանոնավոր ցուցակները։ 4.Օգտագործել ֆունկցիաները և ներածել փաթեթներ։ 5.Կառուցել Նամփի (Numpy) զանգվածներ և կատարել հաշվարկներ։ գ. ընդհանրական/փոխանցելի կարողություններ 6.Օգտվել տեղեկատվության տարատեսակ աղբյուրներից: 3. Դասընթացի ընդհանուր նկարագիր ·«Փայթն» ծրագրավորման լեզվի հիմունքների կիրառում, ·աշխատել տվյալների, փոփոխականների, զանգվածների, ֆունկցիաների և վերահսկվող հոսքերի հետ, ծանոթացնել «Փայթնի» միջոցով տվյալների վիզուալիզացման միջազգային փորձին և սովորեցնել ստեղծել սեփական վիզուալիզացումները հիմնված իրական տվյալների վրա: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ստուգարքային՝ ստուգումից 20-միավորանոց համակարգում 10 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած։ Ստուգարքը անցկացվում է հարցատոմսերով, ստուգվում են ուսանողի տարբեր համակարգչային փաթեթների իմացությունը և դրանցով տարատեսակ խնդիրներ լուծելու հմտությունները: Ստուգարքը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Zed A. 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. Դասընթացի հիմնական բաժիններ 1. «Փայթն» ծրագրավորման լեզվի հիմունքները: 2. «Փայթն» միջավայր, օպերատորներ և փոփոխականներ: 3.«Փայթն» ծրագրավորման լեզվի աշխատանքի սկզբունքները: 4.Ֆունկցիաներ և փաթեթներ: 5. Հանգույցներ (loops): 6.Օբյեկտ կողմնորոշված ծրագրավորում: 7.Ֆունկցիոնալ ծրագրավորում: 8.Դինամիկ ծրագրավորում: 9.Գիտական հաշվարկների գործիքներ (Numpy, Scipy): 10.Տվյալների մշակում, վիզուալիզացիա (Pandas, Matplotlib):
1002	Ռազմավարական պլանավորում	3
1-ին կիսամյակ 2 ժամ/շաբ. Դաս.՝ 1 ժամ, գործ.՝ 1ժամ ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·զարգացնել ուսանողների ռազմավարական պլանավորման գիտելիքները ·ուսանողներին ունակ դարձնել կիրառել ռազմավարական պլանավորման տարբեր մեթոդներ: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել ապրանքի կամ ծառայության մատակարարման շղթաների պարզեցված մոդելներ։ 2.Բացատրել արտադրանքի կամ մատուցվող ծառայության գնագոյացման, շուկայում մրցակցային առավելության հասնելու մոդելներ։ բ. գործնական մասնագիտական կարողություններ 3.Կառուցել ապրանքի կամ ծառայության արժեշղթաներ։ գ. ընդհանրական/փոխանցելի կարողություններ 4. Օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից։ 5.Վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար: 3. Դասընթացի ընդհանուր նկարագիր ·զարգացնել ուսանողների ռազմավարական պլանավորման գիտելիքները ·ուսանողներին ունակ դարձնել կիրառել ռազմավարական պլանավորման տարբեր մեթոդներ: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով 6. Հիմնական գրականության ցանկ. Michael E. Porter, What Is Strategy? 1996, HBR, Michael E. Porter, The Five Competitive Forces That Shape Strategy 2008, HBR, W. Chan Kim and Renee Mauborgne, Blue Ocean Strategy 2004, HBR, Mark W. Johnson, Clayton M. Christensen, Henning Kagermann, Reinventing Your Business Model 2008, HBR, James C. Collins, Jerry I. Parras, Building your Company’s Vision 1996, HBR, Robert S. Kaplan and David P. Norton, Using the Balanced Scorecard as a Strategic Management System 2007, HBR. 7. Դասընթացի հիմնական բաժիններ 1.Ի՞նչ է ռազմավարությունը և ռազմավարական պլանավորումը, ներածություն։ 2.Մրցակցություն և մրցակցային առավելություն, ներածություն։ 3.Պորտերի «Հինգ ուժերը»՝ մրցակցություն շահույթի համար։ 4.Ռազմավարական պլանավորման գործնական քայլերը։ 5.Տնտեսական հիմնադրույթները, արժեշղթաներ, մրցակցային առավելություն։ 6.Արժեքի ստեղծում, դիրքավորում շուկայում, փոխզիջում։ 7.Գործողությունների քարտեզագրում։ 8.Ռազմավարություն և նորարարություն։

Մասնագիտական կառուցամաս

Ամբիոնի կոդը	Պարտադիր դասընթացի անվանումը	Կրեդիտներ
1002	Տվյալների վերլուծության մաթեմատիկական մեթոդներ և հաշվարկներ (անգլերեն լեզվով)	6
1-ին կիսամյակ 4 ժամ/շաբ. Դասախոս.՝ 2 ժամ, գործնական 2 ժամ ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·ուսանողների մոտ ձևավորել պատկերացում տնտեսամաթեմատիկական մոդելավորման և դրա կիրառությունների մասին, ·սովորեցնել օպտիմիզացիայի մաթեմատիկական տեսության հիմնադրույթներն ու էքստրեմալ խնդիրների լուծման հիմնական եղանակները։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Իրականացնել իրավիճակների վերլուծություն և խնդրի ձևակերպում։ բ. գործնական մասնագիտական կարողություններ 2.Կառուցել խնդրի մաթեմատիկական մոդելը և գտնել լավագույն լուծումը՝ համաձայն ընդունված նպատակի։ 3.Ընտրել խնդրի լուծման համապատասխան օպտիմիզացիոն մեթոդը՝ կախված խնդրի մաթեմատիկական դրվածքից։ գ. ընդհանրական/փոխանցելի կարողություններ 4.Օգտվել տեղեկատվության տարբեր աղբյուրներից ՝ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ։ 5.Պատրաստել հետազոտական և ավարտական աշխատանքներ։ 3. Դասընթացի ընդհանուր նկարագիր ·ուսանողների մոտ ձևավորել պատկերացում տնտեսամաթեմատիկական մոդելավորման և դրա կիրառությունների մասին, ·սովորեցնել օպտիմիզացիայի մաթեմատիկական տեսության հիմնադրույթներն ու էքստրեմալ խնդիրների լուծման հիմնական եղանակները։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգում(ներ), ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 4 միավոր է։ 1.1-ին ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4։ 2.2-րդ ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4: 3.Ընթացիկ ստուգումներ, ստուգումների առավելագույն միավորը 4 է։ 4.Եզրափակիչ քննություն. պարտադիր բաղադրիչ՝ առավելագույն միավորը 8 է։ Բոլոր բաղադրիչներին (1-ին ընթացիկ քննություն, 2-րդ ընթացիկ քննություն, ընթացիկ ստուգումներ, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Frederck S. Hillier, Gerald J. Lieberman, Introduction to Operations Research, 10th Ed, McGraw-Hill Education, 2015 Edwin K. P. Chong, Stanislaw H. Zak, An Introduction to Optimization, 4th Ed, Volume 76 of Wiley Series in Discrete Mathematics and Optimization, 2013, Wiley Press Room John Wiley & Sons, 2013, Wiley Press Room 7. Դասընթացի հիմնական բաժիններ 1.Ներածություն տվյալների վերլուծություն։ 2.Ներածություն R և Pyhton։ 3.Գծային հանրահաշվի մի շարք կարևոր հասկացություններ տվյալների վերլուծության համար 4.Հավանականությունների տեսության և վիճակագրության մի շարք կարևո հասկացություններ տվյալների վերլուծության համար։ 5.Բայեսիան գնահատում, բուտսթրափ, cross validation, ռեգուլյարիզացիա։ 6.Չափողականության նվազեցում և փոփոխականների ընտրություն (PCA, ICA, NMF)։ 7.Գծային օպտիմիզացի, ոչ գծային օպտիմիզացիա, gradient descent։ 8.Ոչ գծային ռեգրեսիա, կիսապարամետրիկ ռեգրեսիա։ 9.Դասակարգման մոդելներ՝ լոգիստիկ ռեգռեսիա, LDA, QDA: 10.Ծառերի վրա հիմնված մոդելներ՝ որոշումների ծառ, պատահական անտառ, բագինգ, բուստինգ։
1002	Մաթեմատիկա և հավանականությունների տեսություն տվյալագետների համար	6
1-ին կիսամյակ 4 ժամ/շաբ. Դասախոս.՝ 2 ժամ, գործնական 2 ժամ ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·ձևավորել հավանականային մտածելակերպ, որը կօգնի ուսանողներին կառուցել հավանականային մոդելներ և գաղափարներ կիրառական վիճակագրության տարբեր բաժիններից: ·ներկայացնել ֆունկցիաների հիմնական հատկությունները, նրանց տարրական ֆունկցիաները, գրաֆիկները և նրանց սահմանների, անընդհատության, ածանցյալի գաղափարները, անորոշ և որոշյալ ինտեգրալների կիրառությունները։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Բացատրել բազմությունների հետ գործողությունները, իրական թվերի հատկությունները, ներկայացնել ֆունկցիաների հիմնական հատկությունները, 2.Նկարագրել տարրական ֆունկցիաները, նրանց գրաֆիկները, ձևակերպել դիֆերենցիալ հաշվի հիմնական թեորեմները։ բ. գործնական մասնագիտական կարողություններ 3.Կիրառել տարրական ֆունկցիաների հատկությունները և հաշվել ֆունկցիաների սահմաններն ու ածանցյալները, հետազոտել ֆունկցիան։ 4.Վերլուծել առկա տվյալները կառուցել բաշխման ֆունկցիայի տեսքը, կատարել վիճակագրական հետևություններ, ստանալ տարբեր բնութագրիչների գնահատականներ։ 3. Դասընթացի ընդհանուր նկարագիր ·ձևավորել հավանականային մտածելակերպ, որը կօգնի ուսանողներին կառուցել հավանականային մոդելներ և գաղափարներ կիրառական վիճակագրության տարբեր բաժիններից: ·ներկայացնել ֆունկցիաների հիմնական հատկությունները, նրանց տարրական ֆունկցիաները, գրաֆիկները և նրանց սահմանների, անընդհատության, ածանցյալի գաղափարները, անորոշ և որոշյալ ինտեգրալների կիրառությունները։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգում(ներ), ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 4 միավոր է։ 1.1-ին ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4։ 2.2-րդ ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4: 3.Ընթացիկ ստուգումներ, ստուգումների առավելագույն միավորը 4 է։ 4.Եզրափակիչ քննություն. պարտադիր բաղադրիչ՝ առավելագույն միավորը 8 է։ Բոլոր բաղադրիչներին (1-ին ընթացիկ քննություն, 2-րդ ընթացիկ քննություն, ընթացիկ ստուգումներ, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. J.R. Magnus, H. Neudecker, «Matrix Differential Calculus with Application in Statistics and Econometrics», 2019 John Wiley & Sons Ltd John Wiley and Sons, 3rd Edition (Chapter 1), 2019 John Wiley & Sons Ltd Kandethody M.Ramachandran, Chris P.Tsokos, Mathematical Statistics with Applications,2009, USA Elsevier Academic Press. Ширяев А.Н., Вероятность, М., ''Наука'', 2004, Б.В.Гнеденко. Курс теории вероятностей, Изд. 6-е, перераб. и доп. - М.: Наука. Гл. ред. физ.-мат. лит., 1988 Gibbons J. D., Chakraborti S., “Nonparametric Statistical Inference’’, Marcel Dekker inc.,2003, USA 7. Դասընթացի հիմնական բաժիններ 1.Հավանականության աքսիոմատիկ սահմանումը և հատկությունները։ 2.Պատահույթների անկախություն,պատահական մեծություն, նրանց թվային բնութագրիչները և բաշխման ֆունկցիա։ 3.Նկարագրական վիճակագրություն: 4. Կետային, միջակայքային գնահատականներ`հատկություններ, գնահատման մեթոդներ: 5.Վարկածների ստուգում` անհրաժեշտ գաղափարներ: 6.Մոնոտոն ֆունկցիաներ, զույգ և կենտ ֆունկցիաներ: Տարրական ֆունկցիաներ, հատկությունները, գրաֆիկները: Բարդ ֆունկցիա, հակադարձ ֆունկցիա: 7.Հաջորդականություններ, տրման եղանակները, հատկությունները։ Հաջորդականության սահման։ 8. Ֆունկցիայի սահմանը, հատկությունները, անընդհատությունը։ Ֆունկցիայի ածանցյալ, հատկությունները, դիֆերենցիալ հաշվի հիմնական թեորեմները։ 9.Նախնական ֆունկցիա, անորոշ ինտեգրալ, որոշյալ իտեգրալ, մի քանի փոփոխականի ֆունկցիաների սահմանը, անընդհատությունը, ածանցյալը, դիֆերեցիալ և նրանց հատկությունները։ 10.Գծային հավասարումների համակարգեր, մատրիցներ և որոշիչներ։
1002	Բիզնես գործընթացները և տվյալների վիզուալիզացիա	3
1-ին կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·ծանոթացնել ուսանողին տվյալների վերլուծության վիզուալիզացիոն մեթոդներին, ·ձևավորել վիզուալիզացիոն տեխնիկաների՝ գործնական խնդիրներում կիրառելու հմտություն: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Մեկնաբանել վիզուալիզազիայի եղանակների օգտագործման անհրաժեշտությունը և նպատակահարմարությունը։ բ. գործնական մասնագիտական կարողություններ 2.Օգտագործել տվյալների վիզուալիզացիայի մեթոդները առաջարկված գործնական խնդիրներ և լուծելու համար։ 3.Իրականացնել ինտերակտիվ համեմատություններ վիզուալիզացիոն մեթոդների օգնությամբ։ գ. ընդհանրական/փոխանցելի կարողություններ 4.Օգտվել գիտական աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ)։ 5.Պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները, վարել գիտական բանավեճեր, կատարել թիմային աշխատանք։ 3. Դասընթացի ընդհանուր նկարագիր ·ծանոթացնել ուսանողին տվյալների վերլուծության վիզուալիզացիոն մեթոդներին, ·ձևավորել վիզուալիզացիոն տեխնիկաների՝ գործնական խնդիրներում կիրառելու հմտություն: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. [BOOK 1] Cole Nussbaumer Knaflic, 2015. “Storytelling with Data: A Data Visualization Guide for Business Professionals”, USA [BOOK 2] Alberto Cairo, 2012. “The Functional Art: An Introduction to Information Graphics and Visualization”, USA [BOOK 3] Edward Tufte, 2007. “The Visual Display of Quantitative Information”. 2nd edition. [BOOK 4] Alberto Cairo, 2016. “The Truthful Art: Data, Charts and Maps for Communication”, USA [BOOK 5] Tamara Munzner, 2014. “Visualization Analysis and Design”, USA [BOOK 6] Kristen Sosulski, 2018. “Data Visualization Made Simple, USA [BOOK 7] Alberto Cairo, 2020. “How Charts Lie”, USA 7. Դասընթացի հիմնական բաժիններ 1.Վիզուալիզացիոն հիմնական տեխնիկաներ։ 2.Բազմաչափ վիզուալիզացիա, քարտեզներ, ցանցեր։ 3.Պատմողական վիզուալիզացիա (Narrative Visualization)։ 4.R Shiny-ի ներածություն, Reactivity։ 5.Ինտերակտիվ վիզուալիզացիա, D3-ի ներածություն։ 6. Web dashboard-ների ստեղծում։
1002	Տվյալների բազաների կառավարում	6
1-ին կիսամյակ 2 ժամ, գործնական 2 ժամ 4 ժամ/շաբ. ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·ներկայացնել տվյալների բազաների կառավարման հիմունքները և դրանց կիրառությունը տնտեսագիտությունում: ·ծանոթացնել տվյալների բազաների մոդելավորման, հարցումնների կառուցման լեզվի՝ SQL-ի, տվյալների բազայի կառավարման համակարգերի նախագծման մեթոդների, ռելացիոն և NoSQL տվյալների բազաների, ETL, OLAP համակարգերի ուսումնասիրությանը և ստացված տեսական գիտելիքների կիրառմանը: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Նկարագրել ռելացիոն տվյալների բազայի կառավարման համակարգի (RDBMS) հիմնական բաղադրիչները և վերջիններիս նախագծման գործընթացները: 2.Ներկայացնել տվյալների հավաքագրման հիմնական մեթոդները։ բ. գործնական մասնագիտական կարողություններ 3.Նախագծել և կառուցել ռելացիոն տվյալների բազաների համակարգեր, ցուցաբերելով փորձառություն և RDBMS մոդելավորման, նախագծման և կիրառման վերաբերյալ հիմնարար գիտելիքներ։ 4.Նախագծել և կառուցել տվյալների հավաքագրման, պահպանման և մշակման համակարգեր ( ETL), ինչպես նաև OLAP համակարգեր: 5.Կառուցել և կառավարել NoSQL / մեծ տվյալների տվյալների բազաներ, ինչպիսիք են MongoDB և Hbase։ գ. ընդհանրական/փոխանցելի կարողություններ 6.Պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները, վարել գիտական բանավեճեր։ 3. Դասընթացի ընդհանուր նկարագիր ·ներկայացնել տվյալների բազաների կառավարման հիմունքները և դրանց կիրառությունը տնտեսագիտությունում: ·ծանոթացնել տվյալների բազաների մոդելավորման, հարցումնների կառուցման լեզվի՝ SQL-ի, տվյալների բազայի կառավարման համակարգերի նախագծման մեթոդների, ռելացիոն և NoSQL տվյալների բազաների, ETL, OLAP համակարգերի ուսումնասիրությանը և ստացված տեսական գիտելիքների կիրառմանը: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգում(ներ), ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 4 միավոր է։ 1.1-ին ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4։ 2.2-րդ ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4: 3.Ընթացիկ ստուգումներ, ստուգումների առավելագույն միավորը 4 է։ 4.Եզրափակիչ քննություն. պարտադիր բաղադրիչ՝ առավելագույն միավորը 8 է։ Բոլոր բաղադրիչներին (1-ին ընթացիկ քննություն, 2-րդ ընթացիկ քննություն, ընթացիկ ստուգումներ, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Wilfreid Lamahieu, Seppe vanden Broucke, and Bart Baesen Principles of Database Management: The Practical Guide to Storing, Managing and Analyzing Big and Small Data, Cambridge University Press (August 2018). Readings in Database Systems (The Red Book). 4th ed. Hellerstein, Joseph, and Michael Stonebraker. MIT Press, (2005). Introduction to Database Systems. by C. J. Date Addison-Wesley. 8th Ed. Publisher: Addison-Wesley; 8 edition (August 1, 2003). Fundamentals of SQL Programming. by R. A. Mata-Toledo and P. Cushman. Schaum’s Outline Series. McGraw-Hill (2000). Programming Hive: Data Warehouse and Query Language for Hadoop. Dean Wampler, Jason Rutherglen, Edward Capriolo. O'Reilly Media (2012) Learning Spark Lightning-Fast Big Data Analysis. Matei Zaharia, Holden Karau, Andy Konwinski, Patrick Wendell. O'Reilly Media. (2015) 7. Դասընթացի հիմնական բաժիններ 1.Տվյալների բազաների համակարգի ներածություն, տվյալների բազաների կիրառությունը տնտեսագիտությունում։ 2.Ռելյացիոն տվյալների բազաներ կառավարման համակարգեր(ՌՏԲԿՀ)։ ՌՏԲԿՀ հիմնական ֆունկցիաները։ 3.հարցումների կառուցվածքային լեզու (SQL)։ Հարցումների կազմում։ 4.ՌՏԲԿՀ կառուցում, MySQL։ 5.Express + MySQL and RESTful համակարգերի կիրառման առանձնահատկությունները։ 6.NoSQL տվյալների բազայի կառավարում։ 7.Express + MongoDB և տվյալների ներկայացման համակարգերի մշակում։ 8.ETL համակարգերի էությունը և առանձնահատկությունները։ 9.OLAP համակարգերի էությունը և առանձնահատկությունները։ 10. Apache Spark և մեծ տվյալների կառավարում։
1002	Data Mining տեխնոլոգիա	3
2-րդ կիսամյակ դասախոս.՝ 2 ժամ 2 ժամ/շաբ. ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·ծանոթացնել ուսանողին տվյալների ինտելեկտուալ վերլուծության հիմնական հասկացություններին, տեսական և գործնական սկզբունքներին։ ·սովորեցնել ուսանողներին կիրառել տվյալների ինտելեկտուալ վերլուծության մեթոդները գործնական խնդիրներ լուծելու համար։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Նկարագրել և կիրառել տվյալների ինտելեկտուալ վերլուծության մեթոդներն ու սկզբունքները։ 2.Ներկայացնել տնտեսագիտության մեջ օգտագործվող տվյալների վերլուծության մոդելները և դրանց իրականացման եղանակները։ բ. գործնական մասնագիտական կարողություններ 3.Օգտագործել տվյալների ինտելեկտուալ վերլուծության ալգորիթմները պրակտիկ խնդիրներում։ 4.Կատարել տվյալների մաքրում և տվյալներից անհրաժեշտ տեղեկատվության ստացում։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Օգտագործել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և այլն) ստացված տեղեկատվություն։ 6.Պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները, վարել գիտական բանավեճեր։ 3. Դասընթացի ընդհանուր նկարագիր ·ծանոթացնել ուսանողին տվյալների ինտելեկտուալ վերլուծության հիմնական հասկացություններին, տեսական և գործնական սկզբունքներին։ ·սովորեցնել ուսանողներին կիրառել տվյալների ինտելեկտուալ վերլուծության մեթոդները գործնական խնդիրներ լուծելու համար։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Tan P., Steinbach M., Kumar V. Introduction to Data Mining, Pearson Education (1st ed.), 2005, USA Gareth J., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning with Applications in R, Springer, 2013, USA Hastie T.,Tibshitani R., Friedman J.The Elements of Statistical Learning, Springer (2nd ed.), 2008, USA Hand, Mannila, and Smyth. Principles of Data Mining., MA: MIT Press, 2001, Cambridge Zhao Y. R and Data Mining: Examples and Case Studies, 2015, USA 7. Դասընթացի հիմնական բաժիններ 1.Տվյալների ինտելեկտուալ վերլուծության գործընթաց, ներածություն։ 2.Տվյալների նախապատրաստում՝ մաքրում, ուսումնասիրություն և վիզուալիզացիա ։ 3.Զույգային և բազմագործոն գծային ռեգրեսիա։ 4.Ընդհանրացված գծային մոդելներ (Logit, Պուասոնի ռեգրեսիա)։ 5.Ռեգուլարիզացիա (Ridge, Lasso, Elastic Net)։ 6.Որոշումների ծառեր (CHAID), մեթոդների անսամբլ, Բայեսյան դասակարգում։ 7.Հիերախիկ և խտության վրա հիմված քլաստերային վերլուծություն։ 8.Ասոցիատիվ կանոնների որոնում։ 9.Text Mining։
1002	Մեքենայական ուսուցում	6
2-րդ կիսամյակ Դասախոս.՝ 2 ժամ, գործնական 2 ժամ 4 ժամ/շաբ. ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·ծանոթացնել ուսանողներին մեքենայական ուսուցման առանձնահատկությունների հետ՝ տրամադրելով ընդհանրական գիտելիքներ մեքենայական ուսուցման վերաբերյալ, սովորեցնել տարբերել դրանց տարատեսակները։ ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով մեքենայական ուսուցման հիմնական մոդելները, ուսուցման ալգորիթմները և օգտվել հայտնի գրադարաններից։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել մեքենայական ուսուցման հիմնական սկզբունքները և գաղափարները կիրառման ոլորտներն ու ձևերը։ 2.Բացատրել կոնկրետ խնդրի լուծման համար ընտրված մոդելի նպատակահարմարությունը, կառուցվածքը և աշխատանքի սկզբունքները, տարբերությունները գոյություն ունեցող այլ համակարգերից։ բ. գործնական մասնագիտական կարողություններ 3.Կատարել գոյություն ունեցող մոդելների օպտիմիզացիա՝ առավել լավ արդյունք ստանալու նպատակով։ 4.Կիրառել մեքենայական ուսուցման մոդելները կոնկրետ խնդիրների լուծման համար։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Օգտվել տեղեկատվության տարատեսակ աղբյուրներից, բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ: 3. Դասընթացի ընդհանուր նկարագիր ·ծանոթացնել ուսանողներին մեքենայական ուսուցման առանձնահատկությունների հետ՝ տրամադրելով ընդհանրական գիտելիքներ մեքենայական ուսուցման վերաբերյալ, սովորեցնել տարբերել դրանց տարատեսակները։ ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով մեքենայական ուսուցման հիմնական մոդելները, ուսուցման ալգորիթմները և օգտվել հայտնի գրադարաններից։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգում(ներ), ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 4 միավոր է։ 1.1-ին ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4։ 2.2-րդ ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4: 3.Ընթացիկ ստուգումներ, ստուգումների առավելագույն միավորը 4 է։ 4.Եզրափակիչ քննություն. պարտադիր բաղադրիչ՝ առավելագույն միավորը 8 է։ Բոլոր բաղադրիչներին (1-ին ընթացիկ քննություն, 2-րդ ընթացիկ քննություն, ընթացիկ ստուգումներ, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006, USA Hands-On Machine Learning with Scikit-Learn and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems by Aurélien Géron, 2017, USA Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016, USA Wouter Gevaert, Georgi Tsenov, Valeri Mladenov, Neural Networks used for Speech Recognition, Journal of automatic control, , Vol. 20:1-7, 2010. University of Belgrade Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NIPS, 2012, USA David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams, Learning representations by back-propagating errors, Nature, Vol. 323, 1986, USA 7. Դասընթացի հիմնական բաժիններ 1.Ներածություն, մեքենայական ուսուցման կիրառությունները, հիմնարար գաղափարներ, վերահսկելի և անվերահսկելի ուսուցում: 2.Գծային ռեգրեսիա, կորստի ֆունկցիաներ underfitting և overfitting գաղափարները: 3.Լոգիստիկ ռեգրեսիա։ 4.Դասակարգման մոդելներ, ծառեր, անսամբլ մեթոդներ։ 5.Անվերահսկելի ուսուցում, համախմբում, չափողականության փոքրացում։ 6.Տվյալների վերլուծություն, բացակայող առժեքներ, նոր փոփոխականների կառուցում։ 7.Նեյրոնային ցանցեր, և հակադարձ տարածում։ 8.Փաթույթային նեյրոնային ցանցեր, նկարներում օբյեկտների ճանաչում: 9.Ներածություն ամրապնդման ուսուցում:
1002	Նեյրոնային ցանցեր և խորը ուսուցում	6
2-րդ կիսամյակ Դասախոս.՝ 2 ժամ, գործնական 2 ժամ 4 ժամ/շաբ. ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·ծանոթացնել ուսանողներին խելացի համակարգերի հիմնական տարրերի հետ, սովորեցնել տարբերել դրանց տարատեսակները։ ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով նեյրոնային ցանցերի հիմնական մոդելները, ուսուցման ալգորիթմները սկզբնական տարրերը։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել նեյրոնային ցանցերի հիմնական առանձնահատկությունները, կիրառման ոլորտներն ու ձևերը։ 2.Ձևակերպել բարդ խնդրի լուծման համար ընտրված նեյրոնային ցանցի կառուցվածքը և աշխատանքի սկզբունքները և տարբերությունները գոյություն ունեցող այլ համակարգերից։ բ. գործնական մասնագիտական կարողություններ 3.Կիրառել նեյրոնային ցանցերը տարբեր պրոյեկտներում, հասկանալ դրանց կիրառման բիզնես հետևանքները։ 4.Օգտագործել խորը ուսուցման գրադարանները նեյրոնային ցանցեր կառուցելու և սովորեցնոլու համար։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները։ 6.Օգտվել տեղեկատվության տարատեսակ աղբյուրներից, ինչպես նաև բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ: 3. Դասընթացի ընդհանուր նկարագիր ·ծանոթացնել ուսանողներին խելացի համակարգերի հիմնական տարրերի հետ, սովորեցնել տարբերել դրանց տարատեսակները։ ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով նեյրոնային ցանցերի հիմնական մոդելները, ուսուցման ալգորիթմները սկզբնական տարրերը։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգում(ներ), ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 4 միավոր է։ 1.1-ին ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4։ 2.2-րդ ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4: 3.Ընթացիկ ստուգումներ, ստուգումների առավելագույն միավորը 4 է։ 4.Եզրափակիչ քննություն. պարտադիր բաղադրիչ՝ առավելագույն միավորը 8 է։ Բոլոր բաղադրիչներին (1-ին ընթացիկ քննություն, 2-րդ ընթացիկ քննություն, ընթացիկ ստուգումներ, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Michael Nielsen, Neural Networks and Deep Learning: I. Goodfellow, Y. Bengio & A. Courville, 2016. Deep Learning. The MIT Press, ISBN-10: 0262035618. F. Chollet, 2017. Deep Learning with Python. Manning Publications, ISBN-10: 9781617294433. A Géron, 2017. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media, ISBN-10: 1491962291. C. C. Aggarwal, 2018. Neural Networks and Deep Learning: A Textbook. Springer International Publishing AG, ISBN 978-3-319-94462-3. 7. Դասընթացի հիմնական բաժիններ 1.Ներածություն: 2.Հիմնարար գաղափարներ. նեյրոնային ցանցի շերտերը։ 3.Կորստի ֆունկցիաներ: 4.Բազմաշերտ նեյրոնային ցանցեր։ 5.Հակադարձ տարածման ալգորիթմ (backpropagation algorithm): 6.Խորը ուսուցման գրադարաններ՝ Tensorflow, Keras: 7.Convolutional նեյրոնային ցանցեր: 8.Նկարներում օբյեկտների ճանաչում: 9.Անդրադարձ ցանցեր (Recurrent neural networks): 10.Հաջորդականությունների մոդելավորում: 11. Գեներատիվ մոդելներ: Autoencoder ցանցեր, կիրառությունները: 12. GAN (generative adversarial networks) ցանցեր: 13.Deep reinforcenment learning:

Ամբիոնի կոդը	Կամընտրական դասընթացի անվանումը	Կրեդիտներ
1002	Տվյալների շտեմարաններ և խողովակագիծ (Data Warehouse and Pipline)	6
2-րդ կիսամյակ Դասախոս.՝ 2 ժամ, գործնական 2 ժամ 4 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·կիրառելով NoSQL տվյալների մոդելներ, ծանոթացնել ուսանողներին տվյալների շտեմարանների ճարտարապետությանն ու նախագծմանը։ ·ուսուցանել գործնական հմտություններ՝ տվյալների մաքրման, ETL գործընթացների (տվյալների ստացում, ձևափոխում և ներբեռնում) և տվյալների հուսալի խողովակագծերի կառուցման խնդրիներում։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել գիտելիքներ NoSQL մոդելներով վերլուծական տվյալների շտեմարանների նախագծման սկզբունքների վերաբերյալ։ 2.Բացատրել տվյալների մաքրման և ETL գործընթացների կիրառության սկզբունքները տարբեր տվյալների շտեմարաններում։ բ. գործնական մասնագիտական կարողություններ 3.Նախագծել և կիրառել NoSQL տվյալների մոդելներ։ 4.Մշակել տվյալների վերլուծության կիրառական լուծումներ՝ օգտագործելով SQL ծրագրավորում։ 5.Իրականացնել տվյալների մաքրման գործընթացներ։ գ. ընդհանրական/փոխանցելի կարողություններ 6.Օգտվել տարատեսակ աղբյուրներից` անհրաժեշտ տեղեկատվությունը ստանալու համար, ինչպես նաև համակարգել, վերլուծել և կատարել հետազոտություններ ստացված տվյալներով։ 3. Դասընթացի ընդհանուր նկարագիր ·կիրառելով NoSQL տվյալների մոդելներ, ծանոթացնել ուսանողներին տվյալների շտեմարանների ճարտարապետությանն ու նախագծմանը։ ·ուսուցանել գործնական հմտություններ՝ տվյալների մաքրման, ETL գործընթացների (տվյալների ստացում, ձևափոխում և ներբեռնում) և տվյալների հուսալի խողովակագծերի կառուցման խնդրիներում։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգում(ներ), ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 4 միավոր է։ 1.1-ին ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4 2.2-րդ ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4: 3.Ընթացիկ ստուգումներ, ստուգումների առավելագույն միավորը 4 է։ 4.Եզրափակիչ քննություն. պարտադիր բաղադրիչ՝ առավելագույն միավորը 8 է։ Բոլոր բաղադրիչներին (1-ին ընթացիկ քննություն, 2-րդ ընթացիկ քննություն, ընթացիկ ստուգումներ, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Jukic, N., Vrbsky, S., & Nestorov, S. (2017). Database Systems: Introduction to Databases and Data Warehouses. Prospect Press. ISBN: 978-1-943153-19-0. Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3rd ed.). Wiley. Chodorow, K. (2013). MongoDB: The Definitive Guide (2nd ed.). O'Reilly Media. Van der Vlies, D. (2020). Data Pipelines Pocket Reference: Moving and Processing Data for Analytics. O'Reilly Media. Ponniah, P. (2010). Data Warehousing Fundamentals for IT Professionals (2nd ed.). Wiley. 7. Դասընթացի հիմնական բաժիններ 1. Ներածություն ·Տվյալների շտեմարանների հիմնական հասկացություններն ու ճարտարապետությունը։ ·Օպերացիոն և վերլուծական շտեմարանների տարբերությունները։ 2. Չափային (Dimensional) տվյալների մոդելավորում ·Չափային մոդելների և «աստղային սխեմաների» հասկացությունները։ ·Փաստերի և չափման աղյուսակների նախագծում։ 3. NoSQL տվյալների մոդելներ ·NoSQL տվյալների շտեմարանների ներածություն և դրանց կիրառումը վերլուծական համակարգերում։ ·Վերլուծական շտեմարանների նախագծում՝ օգտագործելով NoSQL մոդելներ։ 4. SQL ծրագրավորում վերլուծության համար ·SQL-ի տեխնիկաներ վերլուծական կիրառությունների համար։ ·Տվյալների վերլուծության կիրառման իրականացում SQL-ով։ 5. Տվյալների մաքրում և ETL գործընթացներ ·Տվյալների մաքրման և նախապատրաստման տեխնիկաներ։ ·ETL գործընթացների նախագծում և իրականացում։ 6. Տվյալների խողովակագծերի կառուցում ·Խողովակագծերի բաղադրիչներ և հասկացություններ։ ·Գործիքներ և հարթակներ խողովակագծերի կառուցման համար։ 7. Օնլայն վերլուծական մշակում (OLAP) ·OLAP-ի ներածություն և կիրառման ոլորտներ։ ·OLAP գործողությունների իրականացում՝ վերլուծության նպատակով։
1002	Մեծ լեզվային մոդելների կիրառումներ (Large Language Model Applications)	6
2-րդ կիսամյակ Դասախոս.՝ 2 ժամ, գործնական 2 ժամ 4 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·ծանոթացնել ուսանողներին մեծ լեզվային մոդելների (LLMs) հիմնական հասկացություններին և կիրառություններին։ ·ուսուցանել գործնական հմտություններ՝ հրահանգների ձևավորման (prompt engineering), LangChain գործիքակազմի օգտագործման և մոդելների հարմարեցման համար։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ձևակերպել մեծ լեզվային մոդելների ճարտարապետությունն ու հիմնական գործառնությունները։ 2.Բացատրել հրահանգների ձևավորման (prompt engineering) կարևորությունը՝ մոդելների պատասխանների օպտիմալացման գործում։ բ. գործնական մասնագիտական կարողություններ 3.Կիրառել հրահանգների ձևավորման մեթոդներ՝ կոնկրետ խնդիրների համար մոդելի պատասխանը կարգավորելու նպատակով։ 4.Օգտագործել LangChain և նման գործիքր՝ LLM-ների վրա հիմնված հավելվածներ կառուցելու համար։ 5.ChatGPT-ի նման մոդելների կիրառումով իրական խնդիրների լուծման կարողությունների ուսուցանում։ գ. ընդհանրական/փոխանցելի կարողություններ 6.Օտվել տեղեկատվության տարատեսակ աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ) 3. Դասընթացի ընդհանուր նկարագիր ·ծանոթացնել ուսանողներին մեծ լեզվային մոդելների (LLMs) հիմնական հասկացություններին և կիրառություններին։ ·ուսուցանել գործնական հմտություններ՝ հրահանգների ձևավորման (prompt engineering), LangChain գործիքակազմի օգտագործման և մոդելների հարմարեցման համար։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգում(ներ), ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 4 միավոր է։ 1.1-ին ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4 2.2-րդ ընթացիկ քննություն. պարտադիր բաղադրիչ՝ հատկացվող առավելագույն միավորը՝ 4: 3.Ընթացիկ ստուգումներ, ստուգումների առավելագույն միավորը 4 է։ 4.Եզրափակիչ քննություն. պարտադիր բաղադրիչ՝ առավելագույն միավորը 8 է։ Բոլոր բաղադրիչներին (1-ին ընթացիկ քննություն, 2-րդ ընթացիկ քննություն, ընթացիկ ստուգումներ, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Eisenstat, S. & Arora, A. (2024): Practical Generative AI: Large Language Models with LangChain and ChatGPT. O’Reilly Media։ Bommasani, R., et al. (2021): On the Opportunities and Risks of Foundation Models. Stanford CRFM։ https://arxiv.org/abs/2108.07258 Chowdhery, A., et al. (2022): PaLM: Scaling Language Modeling with Pathways. Google Research։ https://arxiv.org/abs/2204.02311 Mitchell, M. (2023): Artificial Intelligence: A Guide for Thinking Humans Penguin Books։ Tunstall, L., von Werra, L., & Wolf, T. (2022): Natural Language Processing with Transformers: Building Language Applications with Hugging Face. O’Reilly Media։ OpenAI տեխնիկական հաշվետվություններ՝ ü GPT-4 տեխնիկական հաշվետվություն (2023)՝ ü Prompt Engineering ուղեցույց՝ 7. Դասընթացի հիմնական բաժիններ 1. Ներածություն ·Մեծ լեզվային մոդելների էվոլյուցիան և ընդհանուր նկարագիրը։ ·Մոդելների կառուցվածքները և ուսուցման մեթոդները։ 2. Հրահանգների ձևավորում (Prompt Engineering) ·Արդյունավետ հրահանգների մշակման տեխնիկաներ։ ·LLM-ների ելքային տվյալների բարելավում հրահանգների միջոցով։ 3. LangChain գործիքակազմ ·LangChain-ի բաղադրիչները։ ·LLM-ների հիմքով հավելվածների կառուցում։ 4.Բովանդակությունների ճանաչում մեծ լեզվային մոդելներով։ ·Բովանդակությունների ճանաչման տեսություն և մեթոդաբանություն։ ·LLM-ների կիրառում՝ բովանդակությունների հայտնաբերման համար։ 5. ChatGPT-ի առաջադեմ հնարավորություններ ·ChatGPT-ի գործառույթների խորքային ուսումնասիրություն։ ·Մոդելի հարմարեցում տարբեր կիրառությունների համար։ 6. Մոդելների հարմարեցում (Fine-Tuning) ·Նախավարժված մոդելների հարմարեցման մեթոդներ։ ·Հարմարեցված մոդելների գնահատում և օպտիմալացում։ 7. LLM-ների կիրառական ոլորտներ ·Տարբեր ոլորտներում LLM-ների կիրառման դեպքերի ուսումնասիրություն։ ·Էթիկական հարցեր մեծ մոդելների կիրառման ժամանակ։
1002	Բաշխված համակարգերը տվյալների ինժիներիայի համար (Distributed Systems for Data Engineering)	3
3-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·մեծածավալ տվյալների մշակման համատեքստում ծանոթացնել ուսանողներին բաշխված համակարգերի (distributed systems) հիմնական սկզբունքներին և ճարտարապետությանը։ ·ուսուցանել գործնական հմտություններ տարածված համակարգերի նախագծման, իրագործման և կառավարման համար։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել բաշխված համակարգերին բնորոշ հիմնական հասկացությունները և մարտահրավերները։ 2.Ձևակերպել տվյալների մշակման լայնածավալ համակարգերի ճարտարապետությունները և գործիքակազմը։ բ. գործնական մասնագիտական կարողություններ 3.Նախագծել և իրագործել բաշխված համակարգեր, որոնք հարմարեցված են մեծ տվյալների խնդիրներին։ 4.Մշակել և տեղակայել RESTful ծառայություններ՝ համակարգերի միջև կապ ապահովելու նպատակով։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Զարգացնել խնդիրների լուծման հմտություններ՝ բաշխված համակարգերի նախագծման ու իրագործման խնդիրների համատեքստում։ 6.Ամրապնդել վերլուծական մտածողությունը՝ բաշխված համակարգերի ճարտարապետությունների գնահատման և օպտիմալացման միջոցով։ 3. Դասընթացի ընդհանուր նկարագիր ·մեծածավալ տվյալների մշակման համատեքստում ծանոթացնել ուսանողներին բաշխված համակարգերի (distributed systems) հիմնական սկզբունքներին և ճարտարապետությանը։ ·ուսուցանել գործնական հմտություններ տարածված համակարգերի նախագծման, իրագործման և կառավարման համար։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Tanenbaum, A. S., & van Steen, M. (2017). Distributed Systems: Principles and Paradigms (3-րդ հրատարակություն), Pearson։ Kleppmann, M. (2017). Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems. O'Reilly Media։ Sharma, P. (2017). Practical Cloud Security: A Guide for Secure Design and Deployment. O'Reilly Media։ Hewitt, E. (2011). Java SOA Cookbook: SOA Implementation Recipes, Tips, and Techniques. O'Reilly Media։ 7. Դասընթացի հիմնական բաժիններ 1. Ներածություն ·Բաշխված համակարգերի սահմանում, բնութագրեր և առավելություններ։ ·Բաշխված հաշվողական համակարգերին բնորոշ մարտահրավերներ։ 2. Բաշխված համակարգերի ճարտարապետություններ ·Հաճախորդ-սպասարկող, համահավասար (peer-to-peer) և հիբրիդ մոդելներ։ ·Միկրոսերվիսների ճարտարապետություն և դրա կիրառությունը տվյալների ինժիներիայում։ 3. Բաշխված տվյալների մշակման հարթակներ ·Hadoop և Spark հարթակներ։ ·Մեծ տվյալների վերլուծություն բաշխված համակարգերի միջոցներով։ 4. Բաշխված հաղորդագրությունների համակարգեր ·Հաղորդագրության փոխանակման համակարգերի սկզբունքներ։ ·Apache Kafka, RabbitMQ և նմանատիպ հարթակների կիրառում։ 5. RESTful ծառայությունների մշակում և տեղակայում ·REST ճարտարապետության սկզբունքներ։ ·RESTful API-ների նախագծում, մշակում և տեղակայում։ 6. Ամպային տեխնոլոգիաներ տարածված համակարգերի համար ·Ամպային ծառայությունների մոդելներ (IaaS, PaaS, SaaS)։ ·AWS, Azure, Google Cloud հարթակների կիրառում բաշխված համակարգերի համար։ 7. Բաշխված համակարգերի անվտանգություն և հանդուրժողականություն սխալների նկատմամբ ·Տվյալների անվտանգության և համակարգի կայունության ապահովման ռազմավարություններ։ ·Սխալների հանդուրժման և խափանման վերականգնման մեխանիզմներ։
1002	Համակարգչային տեսողություն (Computer vision)	3
3-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·ծանոթացնել ուսանողներին համակարգչային տեսողության միջոցներով պատկերների ճանաչման մոտեցումներին։ ·զարգացնել ուսանողների մասնագիտական ունակությունները արհեստական բանականության տարաբնույթ խնդիրներում պատկերների ճանաչման մեթոդների կիրառությունների վերաբերյալ։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել նեյրոնային ցանցերի կիրառման առանձնահատկությունները համակարգչային տեսողության ոլորտում։ 2.Բացատրել պատկերների ճանաչման խնդրի լուծման համար ընտրված նեյրոնային ցանցի կառուցվածքը և աշխատանքի սկզբունքները։ բ. գործնական մասնագիտական կարողություններ 3.Կատարել իր կողմից կառուցած համակարգչային տեսողության համար նախատեսված նեյրոնային ցանցերի օպտիմիզացիա։ 4.Կիրառել համակարգչային տեսողության մոտեցումները տարբեր պրոյեկտներում, հասկանալ դրանց կիրառման բիզնես հետևանքները։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները։ 6.Ձևակերպել և լուծել համակարգչային տեսողության ոլորտին վերաբերվող խնդիրները։ 3. Դասընթացի ընդհանուր նկարագիր ·ծանոթացնել ուսանողներին համակարգչային տեսողության միջոցներով պատկերների ճանաչման մոտեցումներին։ ·զարգացնել ուսանողների մասնագիտական ունակությունները արհեստական բանականության տարաբնույթ խնդիրներում պատկերների ճանաչման մեթոդների կիրառությունների վերաբերյալ։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Computer Vision: Algorithms and Applications by Richard Szeliski. Available for free online . Computer Vision: A Modern Approach (Second Edition) by David Forsyth and Jean Ponce. Available for free online . Elements of Statistical Learning by Trevor Hastie, Robert Tibshirani, and Jerome Friedman. Available for free online (Warning: Direct PDF link) 2018, USA. Multiple View Geometry in Computer Vision (Second Edition) by Richard Hartley and Andrew Zisserman. Available for free online through the UM Library 2019, USA. . Algorithms for Graphics and Image Processing, Theo Pavlidis, Computer Science Press, call no.: T385.P381982, 2019, USA. Handbook of Pattern Recognition and Image Processing, K.S. Fu and T.Y. Young, Academic Press. 1986, USA. 7. Դասընթացի հիմնական բաժիններ 1.Համակարգչային տեսողության համակարգերը: 2.Պատկերների վերլուծություն և պրոցեսինգ (Natural language processing): 3.Համակարգչային տեսողության խնդիրներում օգտագործվող նեյրոնային ցանցերի տարատեսակներ։ 4.Երկակի պատկերների վերլուծություն (Binary image analysis)։ 5.Պատկերների դասակարգում։ 6.Պատկերների սեգմենտացիա։
1002	Ամպային համակարգերի կառավարում և տեղեկատվական անվտանգություն	3
3-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·ներկայացնել ամպային համակարգերի մասին հիմնարար բաշխված հաշվողական «հասկացությունները», ինչպես նաև առավել լայնորեն օգտագործվող ամպային համակարգերի գործունեության սկզբունքները։ ·ներկայացնել ամպային և լոկալ միջավայրում տեղեկատվական անվտանգության հիմնարար գաղափարները և դրանց կիրառման արդյունավետ մեթոդները: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել ամպային միջավայրում հավելված ստեղծելու գործընթացի հիմնական տարրերը։ 2.Բացատրել UNIX ֆայլերի և համակարգերի կիրառության էֆեկտիվությունը։ բ. գործնական մասնագիտական կարողություններ 3.Ստեղծել նոր հավելվածներ ամպային միջավայրում։ 4.Օգտագործել մասնագիտացված մեթոդներ հաքերներից պաշտպանվելու համար։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները։ 6.Օգտվել տեղեկատվության տարատեսակ աղբյուրներից։ 3. Դասընթացի ընդհանուր նկարագիր ·ներկայացնել ամպային համակարգերի մասին հիմնարար բաշխված հաշվողական «հասկացությունները», ինչպես նաև առավել լայնորեն օգտագործվող ամպային համակարգերի գործունեության սկզբունքները։ ·ներկայացնել ամպային և լոկալ միջավայրում տեղեկատվական անվտանգության հիմնարար գաղափարները և դրանց կիրառման արդյունավետ մեթոդները: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Thomas A. Limoncelli , Strata R. Chalup , Christina J. Hogan , The Practice of Cloud System Administration: DevOps and SRE Practices for Web Services Imad M. Abbadi , Cloud Management and Security Lee Chao , Cloud Database Development and Management Al Bento (Author, 5.Editor), A. K. Aggarwal , Cloud Computing Service and Deployment Models: Layers and Management 7. Դասընթացի հիմնական բաժիններ 1.Ամպային ծրագրավորման հիմնային կոմպոնենտները։ 2.Հիմնադրամներ. կոնտեյներներ, վիրտուալ մեքենաներ, JVM (Java վիրտուալ մեքենա)։ 3. MAAS, PAAS, Web ծառայություններ։ 4.Պահեստ. Ceph, SWIFT, HDFS, NAAS, SAN, Zookeeper համակարգեր։ 5.Ծրագրավորում ամպային միջայրում՝ օգտվելով www.istc-ysu.onthehub.com և IBM Bluemix ամպային ծրագրավորման հարթակից։ 6.Ցանցային անվտանգության հիմունքներ։ 7.UNIX ֆայլեր և համակարգեր։ 8.IP, DHCP, DNS և անլար ցանցերի կառավարում։ 9.Կրիպտոգրաֆիա և ինչպես պաշտպանվել։
1002	Գեներատիվ մոդելների կիրառումներ (Generative Model Applications)	3
3-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·ծանոթացնել ուսանողներին գեներատիվ մոդելների հիմնական հասկացություններին և կիրառություններին։ ·ուսուցանել գործնական հմտություններ ավտոէնքոդերների, գեներատիվ հակադարձ ցանցերի (GAN), լատենտ և կայուն դիֆուզիոն մոդելների, մեծ լեզվային մոդելների (LLM-ներ) և ChatGPT-ի առաջադեմ հնարավորությունների կիրառման վերաբերյալ։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել գեներատիվ մոդելների տեսական հիմքերը և դրանց գործնական կիրառությունները։ 2.Բացատրել մոդելների ճարտարապետությունները և մեխանիզմները՝ ներառյալ ավտոէնքոդերները, GAN-ները, դիֆուզիոն մոդելները և մեծ լեզվային մոդելները։ բ. գործնական մասնագիտական կարողություններ 3.Կիրառել ավտոէնքոդերներ և GAN-ներ՝ տվյալների գեներացման խնդիրների համար։ 4.Իրականացնել լատենտ և կայուն դիֆուզիոն մոդելներ՝ պատկերների և տեքստերի գեներացման նպատակով։ 5.Մշակել արդյունավետ հրահանգներ՝ մոդելի ելքը վերահսկելու համար։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Օգտվել տարատեսակ աղբյուրներից` անհրաժեշտ տեղեկատվությունը ստանալու համար, ինչպես նաև համակարգել, վերլուծել և կատարել հետազոտություններ ստացված տվյալներով։ 3. Դասընթացի ընդհանուր նկարագիր ·ծանոթացնել ուսանողներին գեներատիվ մոդելների հիմնական հասկացություններին և կիրառություններին։ ·ուսուցանել գործնական հմտություններ ավտոէնքոդերների, գեներատիվ հակադարձ ցանցերի (GAN), լատենտ և կայուն դիֆուզիոն մոդելների, մեծ լեզվային մոդելների (LLM-ներ) և ChatGPT-ի առաջադեմ հնարավորությունների կիրառման վերաբերյալ։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning. MIT Press, 2016, USA. Rombach, R. և ուրիշներ High-Resolution Image Synthesis with Latent Diffusion Models. CVPR, 2022, USA. Radford, A. և ուրիշներ . Learning Transferable Visual Models From Natural Language Supervision. OpenAI/CLIP, 2021, USA OpenAI . GPT-4 Technical Report. 2023, USA Tunstall, L., von Werra, L., & Wolf, T. Natural Language Processing with Transformers. O’Reilly Media, 2022, USA. 7. Դասընթացի հիմնական բաժիններ 1. Ներածություն։ ·Գեներատիվ մոդելավորման ընդհանուր նկարագիրը և զարգացումը։ ·Կիրառության տարբեր ոլորտները։ 2. Ավտոէնքոդերներ ·Ավտոէնքոդերի ճարտարապետությունը և ֆունկցիոնալությունը։ ·Օգտագործման դեպքեր՝ աղմուկի նվազեցում, տվյալների գեներացում և այլն։ 3. Գեներատիվ հակադարձ ցանցեր (GAN-ներ) ·GAN-ների տեսություն և բաղադրիչներ։ ·Կիրառումներ՝ պատկերների և տեքստերի գեներացում։ 4. Լատենտ և կայուն դիֆուզիոն մոդելներ ·Դիֆուզիոն մոդելավորման սկզբունքներ։ ·Բարձրորակ գեներացման խնդիրների իրականացում։ 5. Մեծ լեզվային մոդելներ և ChatGPT ·LLM-ների ճարտարապետություն և ուսուցման մեթոդներ։ ·ChatGPT-ի և այլ LLM-ների առաջադեմ կիրառություններ։ 6. Prompt Engineering ·Արդյունավետ հրահանգների ձևավորման տեխնիկաներ; ·Գեներատիվ մոդելների ելքի օպտիմալացում հրահանգների միջոցով։ 7. Գեներատիվ մոդելների fine-tuning ·Նախավարժված մոդելների ոլորտային հարմարեցման մեթոդներ։ ·Հարմարեցված մոդելների գնահատում և բարելավում։ 8. Կիրառություններ և էթիկական նկատառումներ։ ·Իրական դեպքերի ուսումնասիրություններ՝ գեներատիվ մոդելների կիրառմամբ։ ·Էթիկական խնդիրներ և պատասխանատու AI գործարկման պրակտիկաներ։
1002	Բայեսյան վիճակագրություն	3
3-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում բայեսյան վիճակագրության տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: ·ուսանողներին ունակ դարձնել կիրառել բայեսյան վիճակագրության վերլուծության մեթոդները տվյալների գիտության և մեքենայական ուսուցման մեջ: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել conjugate բաշխումների ընտանիքների միջոցով գնահատումներ։ 2.Բացատրել Մոնտե Կառլոի մարկովյան շղթաները բայեսյան գնահատականներ ստանալու համար։ բ. գործնական մասնագիտական կարողություններ 3.Կառուցել բայեսյան ռեգրեսիոն մոդելներ։ 4.Կիրառել բայեսյան գնահատումներ տարատեսակ տվյալների համար։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից։ 6.Վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար։ 3. Դասընթացի ընդհանուր նկարագիր ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում բայեսյան վիճակագրության տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: ·ուսանողներին ունակ դարձնել կիրառել բայեսյան վիճակագրության վերլուծության մեթոդները տվյալների գիտության և մեքենայական ուսուցման մեջ: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Gelman, Carlin, Stern, Dunson, Ventari and Rubin (2013). Bayesian Data Analysis (Third Edition). Gelman and Hill (2006).Data Analysis Using Regression and Multilevel/Hierarchical Models, 2006. USA. Hoff. A first course in Bayesian statistical methods.2010, USA. William Bolstad, James Curran, Introduction to Bayesian Statistics, 3rd Ed., Wiley, 2017.USA. Jean-Michel Marin, Christian P. Robert, Bayesian Essentials with R, 2nd Ed, Springer, 2014, USA. 7. Դասընթացի հիմնական բաժիններ 1.Բայեսյան վիճակագրության հիմունքները, Բայեսի բանաձև։ 2.Նախանական և ճմարտանմանության ֆունկցիա։ 3.Բայեսյան գնահատականներ։ Conjugate բաշխման ֆունկցիաների ընտանիքներ։ 4.Բայեսյան վակածների ստուգում և վստահության միջակայքե (credibility intervals)։ 5.Մոնտե Կառլոի մարկովյան շխթաներով բայեսյան գնահատականներ։ 6.Բայեսյան ռեգռեսիա։ 7.Գիբսի ընտրանք (Gibbs Sampling)։ 8.Հիերարխիկ մոդելներ:
1002	Սպառողի վարքագիծ	3
3-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·սովորեցնել ուսանողներին սոցիալական հոգեբանության տարրերը, դրա ազդեցությանը սպառողների վարքագծի վրա և ընդհանրապես տնտեսական հարաբերությունների վրա, ·սովորեցնել կիրառել մեծ տվյալների և տվյալագիտության մոտեցումները սպառողների վարքը կանխատեսելու համար: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել սոցիալական վարքի հոգեբանության տարերրը, դրան ազդեցությունը սպառղների վարքագծի վրա։ 2.Նկարագրել այն կարևոր հոգեբանական գործընթացները, որոնք ձևավորում են սպառողների վարքագիծը։ բ. գործնական մասնագիտական կարողություններ 3.Կատարել սպառողների վարքի կանխատեսումներ, օգտագործել դրանց արդյունքները։ 4.Մշակել մարքեթինգային ռազմավարություն հաշվի առնելով հաճախորդների վարքագծի առանձնահատկությունները։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Օգտվել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ)։ 3. Դասընթացի ընդհանուր նկարագիր ·սովորեցնել ուսանողներին սոցիալական հոգեբանության տարրերը, դրա ազդեցությանը սպառողների վարքագծի վրա և ընդհանրապես տնտեսական հարաբերությունների վրա, ·սովորեցնել կիրառել մեծ տվյալների և տվյալագիտության մոտեցումները սպառողների վարքը կանխատեսելու համար: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Nudge: Improving Decisions about Health, Wealth, and Happiness. Richard Thaler and Cass Sunstein 2009, USA. Predictably Irrational: The Hidden Forces That Shape Our Decisions. Dan Ariely 2010, USA. 7. Դասընթացի հիմնական բաժիններ 1.Ներածություն սոցիալական հոգեբանություն և վարքագծային տնտեսագիտություն։ 2.Փորձարարական տնտեսագիտություն։ 3.Տվյալների բազայի կառավարման համակարգերի և կայքերի կապը։ 4.Նպատակների սահմանում և ինքնավերահսկում։ 5.Սահմանափակ ռացիոնալություն, վարքագծի փոփոխություն։ 6.Դրդման տեսություն (nudge theory)։ 7.Նախասիրություններ և ընտրություն: Նախասիրությունների բնույթը: Կոնտեքստային էֆֆեկտներ։ 8.Սոցիալական վարքագիծ։ 9.Սպառում հիմնված փորձի վրա։ 10. Գովազդի ազդեցություն։
1002	Էկոնոմետրիկա և ժամանակային շարքեր տվյալագետների համար	3
2-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ .զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում ժամանակային շարքերի էկոնոմետրիկայի տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: .ծանոթացնել հաշվարկելու և կանխատեսելու տվյալների գիտության և մեքենայական ուսուցման մեջ կիրառվող ժամանակային շարքերի մոդելները՝ օգտագործելով ժամանակակից վիճակագրական և էկոնոմետրիկ մեթոդներ: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Գեներացնել տարբեր բնութագրերով ժամանակային շարքեր, օգտագործելով ժամանակակից համակարգչային ծրագրեր: 2.Կիրառել ARIMA մոդելները ժամանակային շարքերի վերլուծության համար և օգտագործել այդ մեթոդները պրակտիկ աշխատանքում: 3.Բացատրել VAR մեթոդների կիրառության սկզբունքները բազմաչափ ժամանակային շարքերի վերլուծության համար: բ. գործնական մասնագիտական կարողություններ 4.Օգտագործել մասնագիտական ծրագրային ապահովում (R, SPSS, E-views փաթեթներ) ստացվող խնդիրները լուծելու համար։ 5.Կիրառել գծային ռեգրեսիայի մոդելները տարատեսակ տվյալների համար, այդ թվում «մեծ տվյալների» համար։ գ. ընդհանրական/փոխանցելի կարողություններ 6.Օգտվել տարատեսակ աղբյուրներից` անհրաժեշտ տեղեկատվությունը ստանալու համար, ինչպես նաև համակարգել, վերլուծել և կատարել հետևություններ ստացված տվյալներով։ 3. Դասընթացի ընդհանուր նկարագիր .զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում ժամանակային շարքերի էկոնոմետրիկայի տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: .ծանոթացնել հաշվարկելու և կանխատեսելու տվյալների գիտության և մեքենայական ուսուցման մեջ կիրառվող ժամանակային շարքերի մոդելները՝ օգտագործելով ժամանակակից վիճակագրական և էկոնոմետրիկ մեթոդներ: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Christian Kleiber, Achim Zeleis, Applied Econometrics with R, Springer, New-York 2008. Магнус, Катышев, Пересецкий, Экнометрика, Начальный курс, 2004, Москва. William H. Greene, Econometric Analysis, Pearson, 7th edition, 2012, London. Jack Jonston, John DiNardo, Econometrics Methods, McGraw-Hill, 4th edition, 1996, USA. Christopher Dougherty, Introduction to Econometrics, 3rd edition, 2007, Oxford. Jeffry M. Wooldridge, Introductory Econometrics: A Modern Approach, South-Western Cengage Learning, 5th edition, 2018, USA. J. D. Hamilton, Time Series Analysis, Prinston, 1994, USA. R.S. Tsay, Analysis of Financial Time Series, 2010, USA. Магнус, Катышев, Пересецкий, Экнометрика, Начальный курс, 2004, Москва. 7. Դասընթացի հիմնական բաժիններ 1.Ժամանակային շարքերի վիզուալիզացիա և գեներացում։ 2.ARMA (p,q) ավտոռեգրեսսիոն-սողացող միջինի մոդելներ: Ավտոկորրելյացիոն և մասնավոր ավտոկորրելյացիոն ֆունկցիաներ: 3.ARMA (p,q) պրոցեսների գործակիցների գնահատում: Ինֆորմացիոն չափանիշներ: 4.Կանխատեսումը Բոքս-Ջենկինսի մոդելում: 5.Ոչ ստացիոնար ժամանակային շարքեր: Միավոր արմատներ և կառուցվածքային տեղաշարժեր: 6.Բաշխված լագերով ավտոռեգրեսսիոն մոդելներ: Էկզոգենության գաղափարը: 7.Փոքրագույն քառակուսիների մեթոդ: Գաուս-Մարկովի թեորեմ: Ռեգրեսիայի գնահատականները: Գնահատականների վիճակագրական հատկությունները: R2 գործակից: 8.Վիճակագրական հիպոթեզների ստուգում և վստահության միջակայքեր: 9.Մուլտիկոլինեարություն: Կեղծ փոփոխականներ և մասնակի գծային մոդելներ: 10.Ոչ գծային մոդելների օրինակներ: Մոդելի սպեցիֆիկացիա: 11.Հետերոսկեդաստիկություն, Կշռված փոքրագույն քառակուսիների մեթոդ: 12.Ավտոկորելյացիա: Ավտոռեգրեսիոն առաջին կարգի պրոցես: Դարբին-Վատսոնի թեստը: 13. Առավել ճշմարտանմանության մեթոդ։ Երկակի և բազմակի ընտրության մոդելներ։
1002	Մեծ տվյալների տեխնոլոգիաներ	3
2-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·ուսանողներին ծանոթացնել մեծ տվյալների վերլուծության համար կիրառվող գործիքներին և տեխնոլոգիաներին։ ·սովորեցնել կիրառել այդ տեխնոլոգիաները պրակտիկ խնդիրների լուծման մեջ։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Նկարագրել մեծ տվյալների վերլուծության համար կիրառվող տեխնոլոգիան ու գործիքները։ 2.Բացատրել, թե մեծ տվյալների խնդիրները երբ տվյալների ինտեգրացման կարիք ունեն։ բ. գործնական մասնագիտական կարողություններ 3.Մեծ տվյալների խնդիրները ներկայացնել և լուծել տվյալագիտության մեթոդներով։ 4.Իրականացնել մեծ տվյալների ինտեգրացում ու մշակում Hadoop-ի միջոցով։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Օգտագործել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և այլն) ստացված տեղեկատվություն։ 6.Կատարել գիտական հետազոտություններ՝ օգտագործելով մեծ տվյալների տեխնոլոգիաները։ 3. Դասընթացի ընդհանուր նկարագիր ·ուսանողներին ծանոթացնել մեծ տվյալների վերլուծության համար կիրառվող գործիքներին և տեխնոլոգիաներին։ ·սովորեցնել կիրառել այդ տեխնոլոգիաները պրակտիկ խնդիրների լուծման մեջ։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Kafka: The Definitive Guide by Neha Narkhede, Gwen Shapira, and Todd Palino, 2017, USA Data lgorithms by Mahmoud Parsian, 2017 USA HBase: The Definitive Guide by Lars George, 2011, USA Programming Hive by Edward Capriolo, Dean Wampler, and Jason Rutherglen, 2023, USA ZooKeeper by Flavio Junqueira and Benjamin Reed, 2013, USA Kafka: The Definitive Guide by Neha Narkhede, 2017, USA Hadoop: The Definitive Guide, Third Edition by Tom White Gwen Shapira, and Todd Palino, 2017, USA 7. Դասընթացի հիմնական բաժիններ 1.Մեծ տվյալների, ամպային հաշվարկի եւ տվյալների պահպանման ներածություն։ 2.Linux Shell-ի և հրամանների ներածություն։ 3.Hadoop-ի էկոհամակարգի ներածություն։ 4.Հաշվարկներ MapReduce-ի միջոցով։ 5.Hadoop Distributed File System (HDFS)։ 6.Hadoop I/O։ 7.MapReduce ծրագրերի ստեղծում և գործարկում։ 8.Մեծ տվյալների մշակումը Pig-ի միջոցով։ 9.Տվյալների վերլուծություն Hive-ի միջոցով։ 10.HBase-ը որպես ոչ ռելացիոն տվյալների բազայի համակարգ։ 11.Ընդհանուր բաշխված ծրագրերի ստեղծում Zookeeper-ի միջոցով։ 12.Ոչ ռելացիոն տվյալների բազաների ներածություն։
1002	Տեխնոլոգիական ձեռներեցություն	3
2-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·Տեխնոլոգիական ձեռներեցության, նորարության և կառավարման սկզբունքների վերաբերյալ խորացված ուսուցման միջոցով զարգացնել ուսանողների մասնագիտական կարողությունները։ ·Ներկայացնել տեխնոլոգիական ոլորտում նորարարական գործընթացների ներդրման վերաբերյալ աշխարհում կիրառվող ժամանակակից մեխանիզմները և մոդելները։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել նորաստեղծ տեխնոլոգիական ձեռնարկության Business Canvas մեթոդով բիզնես նախագծի կազմման գործընթացը։ 2.Բացատրել ոլորտի և շուկայի գնահատման համար SWOT վերլուծության և Պորտերի 5 ուժերի մեթոդի կիրառման հնարավորությունները։ բ. գործնական մասնագիտական կարողություններ 3.Կազմել նորաստեղծ կամ գործող տեխնոլոգիական կազմակերպության բիզնես նախագիծ։ 4.Իրականացնել ձեռնարկությունների ֆինանսական գործունեության կանխատեսումներ։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները։ 6.Օգտվել տեղեկատվության տարատեսակ աղբյուրներից։ 3. Դասընթացի ընդհանուր նկարագիր ·Տեխնոլոգիական ձեռներեցության, նորարության և կառավարման սկզբունքների վերաբերյալ խորացված ուսուցման միջոցով զարգացնել ուսանողների մասնագիտական կարողությունները։ ·Ներկայացնել տեխնոլոգիական ոլորտում նորարարական գործընթացների ներդրման վերաբերյալ աշխարհում կիրառվող ժամանակակից մեխանիզմները և մոդելները։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. Ries E., The Lean Startup, 2011, USA Blank S., Fours Steps to Epiphany, 2006, USA Osterwalder A., Pigneur Y., Business Model Generation, 2009, USA 7. Դասընթացի հիմնական բաժիններ 1. Ձեռներեցության պատմություն և մեթոդներ: 2.Գաղափարի ձևավորում և զարգացում: 3.Շուկայի ուսումնասիրություն: 4.Բիզնես մոդելի մշակում: 5.Մարքեթինգային պլանի մշակում։ 6.Ձեռնարկության զարգացման ռազմավարություն: 7.Ֆինանսական գործիքներ, ներդրումներ: 8.Ձեռնարկության ներքին կառուցվածք: 9.Նախագծի ներկայացման հիմունքներ։ 10.Մտավոր սեփականություն:
1002	Տնտեսագիտություն տվյալագետների համար	3
2-րդ կիսամյակ Դաս.՝ 1 ժամ, գործ.՝ 1ժամ 2 ժամ/շաբ. ԿԱՄԸՆՏՐԱԿԱՆ 1002 1. Դասընթացի նպատակ ·առավել ամբողջականացնել և խորացնել ուսանողների գիտելիքները միկրո և մակրոտնտեսագիտության ասպարեզում, ·զարգացնել տնտեսագիտական հետազոտություններում տնտեսագիտա մաթեմատիկական մեթոդների և մոդելների կիրառման հմտություններ: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել և հիմնավորել շուկայական տնտեսության տնտեսական հիմնահարցերի ուսումնասիրման համար անհրաժեշտ գիտելիքները։ 2.Բացատրել ռեսուրսների օպտիմալ բաշխման գործընթացները և ինչ դեր ունեն դրանցում շուկաները։ 3.Ներկայացնել տնտեսական աճի հիմնական գործոնները և մոդելները և բացատրել, թե ինչպես է ձևավորվում գործազրկությունը և պետության դերը այն նվազեցնելու հարցում։ բ. գործնական մասնագիտական կարողություններ 4.Կատարել տնտեսագիտական վերլուծություններ ու կանխատեսումներ, օգտագործել դրանց արդյունքները և տնտեսագիտա-մաթեմատիկական մեթոդները կիրառել տնտեսագիտական վերլուծություններում։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Օգտվել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ)։. 3. Դասընթացի ընդհանուր նկարագիր ·առավել ամբողջականացնել և խորացնել ուսանողների գիտելիքները միկրո և մակրոտնտեսագիտության ասպարեզում, ·զարգացնել տնտեսագիտական հետազոտություններում տնտեսագիտա մաթեմատիկական մեթոդների և մոդելների կիրառման հմտություններ: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ։ 2.Գործնական պարապմունքներ։ 3.Խմբային նախագծի կատարում։ 4.Անհատական աշխատանք։ 5.Հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում։ 5. Գնահատման մեթոդները ու չափանիշները Ընթացիկ ստուգումների քանակը, ինքնուրույն աշխատանքի ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ 1.Ընթացիկ ստուգում(ներ). ընդհանուր առավելագույն արժեքը 8 միավոր է։ 2.Ինքնուրույն աշխատանք. տրվում է առավելագույնը 4 միավոր։ 3.Եզրափակիչ քննություն. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնադյունքների ձեռքբերման մակարդակի գնահատում՝ 8 միավոր առավելագույն արժեքով: Բոլոր բաղադրիչներին (ընթացիկ ստուգումներ, ինքնուրույն աշխատանք, եզրափակիչ քննություն) հատկացված միավորների հանրագումարը առավելագույնը 20 միավոր է։ Քննությունը անց է կացվում համակարգչով: 6. Հիմնական գրականության ցանկ. N. Gregory Mankiw. Principles of Economics, 8th Edition, Cengage learning, 2018, USA Campbell R. McConnell; Stanley L. Brue; Sean M. Flynn. Microeconomics: Principles, Problems, & Policies, USA McGraw-Hill Series in Economics, 20th Edition, 2014, USA Robert S. Pindyck; Daniel L. Rubinfeld. Microeconomics, 8th edition. The Pearson Series in Economics, 2012, USA Hal R. Varian. Intermediate Microeconomics: A Modern Approach. 9th edition, W. W. Norton & Company, 2014, USA Stephen D. Williamson. Macroeconomics, 6th Edition. The Pearson Series in Economics, 2017.USA 7. Դասընթացի հիմնական բաժիններ 1.Շուկա: Պահանջարկ և առաջարկ: Առաձգականություն։ 2.Հանրային հատված: Հանրային բարիքներ, արտաքին էֆեկտներ։ 3.Ձեռնարկության տնտեսագիտություն: Արտադրության ծախսեր և եկամուտներ։ 4.Մոնոպոլիաներ և օլիգոպոլիաներ։ 5.Որոշումների կայացումը ոչ լիակատար տեղեկատվության պարագայում: Ռիսկ։ 6.Խաղերի տեսությունը տնտեսագիտությունում։ 7.Մակրոնտնտեսագիտություն, ազգային եկամուտ։ 8.Գործազրկություն, տնտեսական ցիկլեր։ 9.Փող, բանկային համակարգ և ինֆլյացիա։ 10.Միջազգային տնտեսագիտություն: Փակ և բաց տնտեսություններ։ 11.Տնտեսական աճի հիմնական մոդելները։

Կրթական այլ մոդուլներ

Ամբիոնի կոդը	Պարտադիր դասընթացի անվանումը	Կրեդիտներ
1002	Մասնագիտական պրակտիկա	3
3-րդ կիսամյակ 90 3 շաբաթ ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ Մասնագիտական պրակտիկայի նպատակն է՝ ·գործնական աշխատանքների միջոցով զարգացնել մասնագիտական հմտությունները և փորձառությունը, մասնագիտական ոլորտում ինքնուրույն աշխատելու կարողությունները ·ստացած տեսական գիտելիքները կիրառել գործնականում, ինչպես նաև ձեռք բերել մասնագիտական հմտություններ, կարողություններ և փորձառություն: 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Ծրագրում ստացած գիտելիքները կիրառել իրական հետազոտություններում։ 2.Տարբեր մասնագիտական խնդիրների լուծման համար գործնականում կիրառել ուսումնառության ընթացքում ստացած գիտելիքները։ բ. գործնական մասնագիտական կարողություններ 3.Իրական խնդիրներ լուծելիս ճիշտ կազմակերպել հետազոտական աշխատանքի և ժամանակի բաշխումը։ գ. ընդհանրական/փոխանցելի կարողություններ 4.Բիզնես միջավայրում աշխատելու փորձառություն։ 5.Ինքնուրույն աշխատել աշխատավայրում։ 6.Կատարել վերադասի կողմից հանձնարարված առաջադրանքները՝ անմիջականորեն հաշվետու լինելով նրան և իր պրակտիկայի ղեկավարին: 3. Դասընթացի ընդհանուր նկարագիր Մասնագիտական պրակտիկայի նպատակն է՝ ·գործնական աշխատանքների միջոցով զարգացնել մասնագիտական հմտությունները և փորձառությունը, մասնագիտական ոլորտում ինքնուրույն աշխատելու կարողությունները ·ստացած տեսական գիտելիքները կիրառել գործնականում, ինչպես նաև ձեռք բերել մասնագիտական հմտություններ, կարողություններ և փորձառություն: 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Այցելություն կազմակերպություն, որտեղ նախատեսված է մասնագիտական պրակտիկան, ըստ նախնական պայմանավորվածությունների։ 2.Մասնագիտական պլանի կազմակերպում։ 3.Օրագրի, բնութագրի լրացում։ 4.Իր մասնագիտությամբ աշխատող ուսանողը կարող է մասնագիտական պրակտիկան անցնել աշխատավայրում՝ ներկայացնելով համապատասխան տեղեկանք։ 5.Ստուգարքի անցկացում, մասնագիտական պրակտիկայի ամփոփում։ 5. Գնահատման մեթոդները ու չափանիշները 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 շաբաթական և վերջնական հաշվետվությունները և արժանացել դրանց վերաբերյալ ղեկավարի դրական գնահատականին: 6. Հիմնական գրականության ցանկ. Կազմակերպությունների ցանկ. ՀՀ կառավարություն, ՀՀ նախարարություններ և պետական այլ գերատեսչություններ, ՀՀ Կենտրոնական բանկ, ՀՀ բանկեր, ՀՀ ապահովագրական ընկերություններ, ՀՀ վարկային կազմակերպություններ, ՀՀ ներդրումային կազմակերպություններ և կենսաթոշակային հիմնադրամներ, Միջազգային կոորպորացիաների ՀՀ ներկայացուցչություններ, Միջազգային այլ կառույցներ, Picsart, SmartClickAI, WorldQuant, Krisp, Plat.ai, Service Titan, WebbFontaine, PMI Science, Cognaize, Synopsys Armenia, NVIDIA, DataMotus, Sololearn, DataArt, Արտադրական ոլորտի կազմակերպություններ, VivaCell-MTS, «Արմենիա Տելեֆոն Կոմպանի» ՓԲԸ («ԱրմենՏել»), «Յուքոմ» ՍՊԸ (Ucom), «ՋԻԷՆՍԻ-ԱԼՖԱ» ՓԲԸ (Rostelecom)։ 7. Դասընթացի հիմնական բաժիններ Պրակտիկան իրականացվում է հետևյալ սկզբունքներով. Պրակտիկան սկսելու առաջին օրվանից հիմնարկության կողմից նշանակված ղեկավարը պրակտիկանտի հետ միասին կազմում է աշխատանքային օրացուցային պլան և, ելնելով նպատակահարմարությունից, որոշում, թե հիմնարկության որ ստորաբաժանումներում պետք է կազմակերպվի պրակտիկան: Պրակտիկայի ընթացքում պրակտիկանտը յուրաքանչյուր աշխատանքային շաբաթվա վերջում ԵՊՀ e-learning համակարգի համապատասխան էջում վերբեռնում է տվյա շաբաթվա ընթացքում կատարված աշխատանքների վերաբերյալ գրավոր հաշվետվություն, որը ԵՊՀ համապատասխան ամբիոնից նշանակված ղեկավարը ստուգում, գնահատում («բավարար» կամ՝ «անբավարար») և հաստատում է իր ստորագրությամբ և անհրաժեշտության դեպքում գրավոր նշումներ (դիտողություններ և առաջարկություններ) է կատարում օրագրում: Մասնագիտական պրակտիկան չանցած ուսանողը հեռացվում է ԵՊՀ-ից: Կազմակերպությունների ցանկ. ՀՀ կառավարություն, ՀՀ նախարարություններ և պետական այլ գերատեսչություններ, ՀՀ Կենտրոնական բանկ, ՀՀ բանկեր, ՀՀ ապահովագրական ընկերություններ, ՀՀ վարկային կազմակերպություններ, ՀՀ ներդրումային կազմակերպություններ և կենսաթոշակային հիմնադրամներ, Միջազգային կոորպորացիաների ՀՀ ներկայացուցչություններ, Միջազգային այլ կառույցներ, Picsart, SmartClickAI, WorldQuant, Krisp, Plat.ai, Service Titan, WebbFontaine, PMI Science, Cognaize, Synopsys Armenia, NVIDIA, DataMotus, Sololearn, DataArt, Արտադրական ոլորտի կազմակերպություններ, VivaCell-MTS, «Արմենիա Տելեֆոն Կոմպանի» ՓԲԸ («ԱրմենՏել»), «Յուքոմ» ՍՊԸ (Ucom), «ՋԻԷՆՍԻ-ԱԼՖԱ» ՓԲԸ (Rostelecom)։
1002	Մագիստրոսական թեզ	18
3-րդ կիսամյակ Ինքնուրույն աշխատանքի ժամաքանակը՝ 540 ժամ ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ Մագիստրոսական թեզն ինքնուրույն հետազոտական, վերլուծական և/կամ կիրառական նշանակության աշխատանք է, որը նպաստում է Որակավորումների ազգային շրջանակի համապատասխան մակարդակի, ինչպես նաև կրթական տվյալ ծրագրով նախատեսված կրթական վերջնարդյունքների ձեռքբերմանը։ Այն արտացոլում է տվյալ մասնագիտական ոլորտում ուսանողի ձեռք բերած գիտելիքները կիրառելու և ինքնուրույն ուսումնասիրություն կատարելու կարողությունները, ինչպես նաև գիտական խնդիրներ բարձրացնելու, նոր լուծումներ առաջադրելու հմտությունները։ Պաշտպանության ընթացքում ուսանողները պետք է ունակ լինեն ներկայացնելու մագիստրոսական թեմայի գիտագործնական առումները: Մագիստրոսական թեզի հրապարակային պաշտպանությունը մագիստրոսի կրթական ծրագրի ավարտական պահանջներից է։ 2. Կրթական վերջնարդյունքներ բ. գործնական մասնագիտական կարողություններ 1.Սովորել իրականացնել հետազոտություն։ 2.Ձևակերպել կիրառական խնդիրներ և հավաքագրել իրական տվյալներ։ 3.Կատարել վերլուծություններ և կիրառել տարատեսակ մեթոդներ տվյալների վերլուծության համար։ 4.Ներկայացնել հետազոտությունների արդյունքներ։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Ցուցաբերել, մասնագիտական հանրության հետ բանավոր և գրավոր հաղորդակցվելու կարողություն։ 6.Պատրաստել պրեզենտացիա, զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները և ունակ լինել պաշտպանել իր կողմից ստացված գիտական արդյունքները։ 3. Դասընթացի ընդհանուր նկարագիր Մագիստրոսական թեզն ինքնուրույն հետազոտական, վերլուծական և/կամ կիրառական նշանակության աշխատանք է, որը նպաստում է Որակավորումների ազգային շրջանակի համապատասխան մակարդակի, ինչպես նաև կրթական տվյալ ծրագրով նախատեսված կրթական վերջնարդյունքների ձեռքբերմանը։ Այն արտացոլում է տվյալ մասնագիտական ոլորտում ուսանողի ձեռք բերած գիտելիքները կիրառելու և ինքնուրույն ուսումնասիրություն կատարելու կարողությունները, ինչպես նաև գիտական խնդիրներ բարձրացնելու, նոր լուծումներ առաջադրելու հմտությունները։ Պաշտպանության ընթացքում ուսանողները պետք է ունակ լինեն ներկայացնելու մագիստրոսական թեմայի գիտագործնական առումները: Մագիստրոսական թեզի հրապարակային պաշտպանությունը մագիստրոսի կրթական ծրագրի ավարտական պահանջներից է։ 4. Գնահատման մեթոդները ու չափանիշները Մագիստրոսական թեզի գնահատումն իրականացվում է 20-միավորանոց սանդղակով՝ համաձայն սահմանված չափանիշների և դրանց համապատասխան չափորոշիչների։ Ուսանողի արդյունարար միավորը ամփոփիչ ատեստավորման հանձնաժողովի անդամների նշանակած արդյունարար միավորների միջինն է։ Ուսանողի մագիստրոսական թեզը գնահատում են ամփոփիչ ատեստավորման հանձնաժողովի միայն այն անդամները, ովքեր ներկա են եղել տվյալ ուսանողի պաշտպանության ամբողջ ընթացքում։ Ամփոփիչ ատեստավորման հանձնաժողովի գնահատման արդյունքները հրապարակվում են ամփոփումից անմիջապես հետո՝ ուսանողների ներկայությամբ։ 5. Դասընթացի հիմնական բաժիններ 1.Տիտղոսաթերթ 2.Ստորագրությունների էջ 3.Համառոտագիր 4.Բովանդակություն 5.Ներածություն 6.Հիմնական մաս 7.Եզրակացություններ (և առաջարկություններ) 8.Օգտագործված գրականության ցանկ 9.Հավելվածներ
1002	Գիտական սեմինար	2
1,2,3 կիսամյակներ դասախոս.՝ 2 ժամ 2 ժամ/շաբ. ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·Քննարկել արհեստական բանականության և տվյալների գիտության ոլորտի նորարարությունները, դրանց հիմքում ընկած մոդելները, կիրառվող ալգորիթմները և ծրագրային լուծումները։ ·Արհեստական բանականության և տվյալների գիտության ոլորտում տեղի ունեցող զարգացումների մասնագիտական քննարկում. Սեմինարը նպատակ ունի ապահովել հարթակ, որտեղ ուսանողները կարող են ծանոթանալ իրենց մասնագիտական ոլորտում տեղի ունեցող վերջին զարգացումներին, նորարարություններին և հետազոտությունների արդյունքներին: Այն հնարավորություն է տալիս ուսանողներին վերլուծել և քննարկել գիտական հոդվածներ, զեկույցներ և այլ ակտուալ նյութեր։ ·Սեմինարը նախատեսված է նաև մագիստրոսական թեզերի պատրաստման ընթացքի հետ կապված հարցերի քննարկման համար, որի ժամանակ ուսանողները հնարավորություն կունենան ներկայացնելու իրենց հետազոտական թեմաները, քննարկելու հետազոտական մեթոդաբանությունները, ստանալ խորհուրդատվություն ինչպես դասախոսներից, այնպես էլ ոլորտի հրավիրյալ առաջատար մասնագետներից։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Բացահայտել և ձևակերպել խնդիրները տվյալների գիտության տեսանկյունից: 2.Ուսումնասիրել և քննադատաբար գնահատել առկա գրականությունը, որը համապատասխանում է ընտրված խնդրին: 3.Ներկայացնել իրենց ոլորտի հիմնական տերմինների, տեսությունների և մեթոդների իմացություն, ինչը կօգնի նրանց հասկանալ և կիրառել գիտական նյութերի արդյունքները։ բ. գործնական մասնագիտական կարողություններ 4.Թվարկել արհեստական բանականության և տվյալագիտության նորարարությունները։ 5.Տվյալների հավաքագրման և վերլուծելու ունակություն՝ կիրառելով համապատասխան գործիքներ և մեթոդներ: 6.Գիտական հոդվածների և զեկույցների պատրաստման կարողություն, որոնք համապատասխան են միջազգային ստանդարտներին և պրոֆեսիոնալ մակարդակին: գ. ընդհանրական/փոխանցելի կարողություններ 7.Հաղորդակցվել ոլորտի առաջատար մասնագետների հետ, իրականացնել հետազոտություններ գիտական և բիզնես հանրության համար։ 3. Դասընթացի ընդհանուր նկարագիր ·Քննարկել արհեստական բանականության և տվյալների գիտության ոլորտի նորարարությունները, դրանց հիմքում ընկած մոդելները, կիրառվող ալգորիթմները և ծրագրային լուծումները։ ·Արհեստական բանականության և տվյալների գիտության ոլորտում տեղի ունեցող զարգացումների մասնագիտական քննարկում. Սեմինարը նպատակ ունի ապահովել հարթակ, որտեղ ուսանողները կարող են ծանոթանալ իրենց մասնագիտական ոլորտում տեղի ունեցող վերջին զարգացումներին, նորարարություններին և հետազոտությունների արդյունքներին: Այն հնարավորություն է տալիս ուսանողներին վերլուծել և քննարկել գիտական հոդվածներ, զեկույցներ և այլ ակտուալ նյութեր։ ·Սեմինարը նախատեսված է նաև մագիստրոսական թեզերի պատրաստման ընթացքի հետ կապված հարցերի քննարկման համար, որի ժամանակ ուսանողները հնարավորություն կունենան ներկայացնելու իրենց հետազոտական թեմաները, քննարկելու հետազոտական մեթոդաբանությունները, ստանալ խորհուրդատվություն ինչպես դասախոսներից, այնպես էլ ոլորտի հրավիրյալ առաջատար մասնագետներից։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ, նաև ոլորտի հրավիրյալ լավագույն մասնագետների ներգրավմամբ ։ 2.Խմբային նախագծերիի կատարում։ 3.Հանձնարարված գրականության ընթերցում, քննարկումներ: 4.Ինքնուրույն աշխատանքների ցուցադրմամբ զեկուցում-սեմինարների հանձնարարում, ինտերակտիվ քննարկումներ։ 5.Բաց դասեր, քննարկումներ, ինքնագնահատում և փոխադարձ գնահատում, ռեֆերատ/նախագծերի պատրաստում։ 6.Աջակցվող ինքնուրույն ուսում, անհատական հետազոտության և զարգացման աջակցում։ 7.Խորհրդատվություն, ինքնուրույն ուսման ավելի ընդլայնված, խոր վերլուծության և աջակցության հնարավորության տրամադրում։ 5. Գնահատման մեթոդները ու չափանիշները Ստուգարքային. ստուգումից 20-միավորանոց համակարգում 10 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած։ Ստուգարքը անցկացվում է ուսանողի սեմինարներին, քննարկումներին, գիտական զեկույցներին ներկայացրած և ատեստավորման արդյունքների հիման վրա, ինչպես նաև ստուգվում են ուսանողի՝ տարբեր համակարգչային փաթեթների իմացությամբ տարատեսակ խնդիրներ լուծելու հմտությունները: Ստուգարքը անց է կացվում համակարգչով: 6. Դասընթացի հիմնական բաժիններ Տիտղոսաթերթ Ստորագրությունների էջ Համառոտագիր Բովանդակություն Ներածություն Հիմնական մաս Եզրակացություններ (և առաջարկություններ) Օգտագործված գրականության ցանկ Հավելվածներ
1002	Գիտական սեմինար	2
1,2,3 կիսամյակներ դասախոս.՝ 2 ժամ 2 ժամ/շաբ. ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·Քննարկել արհեստական բանականության և տվյալների գիտության ոլորտի նորարարությունները, դրանց հիմքում ընկած մոդելները, կիրառվող ալգորիթմները և ծրագրային լուծումները։ ·Արհեստական բանականության և տվյալների գիտության ոլորտում տեղի ունեցող զարգացումների մասնագիտական քննարկում. Սեմինարը նպատակ ունի ապահովել հարթակ, որտեղ ուսանողները կարող են ծանոթանալ իրենց մասնագիտական ոլորտում տեղի ունեցող վերջին զարգացումներին, նորարարություններին և հետազոտությունների արդյունքներին: Այն հնարավորություն է տալիս ուսանողներին վերլուծել և քննարկել գիտական հոդվածներ, զեկույցներ և այլ ակտուալ նյութեր։ ·Սեմինարը նախատեսված է նաև մագիստրոսական թեզերի պատրաստման ընթացքի հետ կապված հարցերի քննարկման համար, որի ժամանակ ուսանողները հնարավորություն կունենան ներկայացնելու իրենց հետազոտական թեմաները, քննարկելու հետազոտական մեթոդաբանությունները, ստանալ խորհուրդատվություն ինչպես դասախոսներից, այնպես էլ ոլորտի հրավիրյալ առաջատար մասնագետներից։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Բացահայտել և ձևակերպել խնդիրները տվյալների գիտության տեսանկյունից: 2.Ուսումնասիրել և քննադատաբար գնահատել առկա գրականությունը, որը համապատասխանում է ընտրված խնդրին: 3.Ներկայացնել իրենց ոլորտի հիմնական տերմինների, տեսությունների և մեթոդների իմացություն, ինչը կօգնի նրանց հասկանալ և կիրառել գիտական նյութերի արդյունքները։ բ. գործնական մասնագիտական կարողություններ 4.Թվարկել արհեստական բանականության և տվյալագիտության նորարարությունները։ 5.Տվյալների հավաքագրման և վերլուծելու ունակություն՝ կիրառելով համապատասխան գործիքներ և մեթոդներ: 6.Գիտական հոդվածների և զեկույցների պատրաստման կարողություն, որոնք համապատասխան են միջազգային ստանդարտներին և պրոֆեսիոնալ մակարդակին: գ. ընդհանրական/փոխանցելի կարողություններ 7.Հաղորդակցվել ոլորտի առաջատար մասնագետների հետ, իրականացնել հետազոտություններ գիտական և բիզնես հանրության համար։ 3. Դասընթացի ընդհանուր նկարագիր ·Քննարկել արհեստական բանականության և տվյալների գիտության ոլորտի նորարարությունները, դրանց հիմքում ընկած մոդելները, կիրառվող ալգորիթմները և ծրագրային լուծումները։ ·Արհեստական բանականության և տվյալների գիտության ոլորտում տեղի ունեցող զարգացումների մասնագիտական քննարկում. Սեմինարը նպատակ ունի ապահովել հարթակ, որտեղ ուսանողները կարող են ծանոթանալ իրենց մասնագիտական ոլորտում տեղի ունեցող վերջին զարգացումներին, նորարարություններին և հետազոտությունների արդյունքներին: Այն հնարավորություն է տալիս ուսանողներին վերլուծել և քննարկել գիտական հոդվածներ, զեկույցներ և այլ ակտուալ նյութեր։ ·Սեմինարը նախատեսված է նաև մագիստրոսական թեզերի պատրաստման ընթացքի հետ կապված հարցերի քննարկման համար, որի ժամանակ ուսանողները հնարավորություն կունենան ներկայացնելու իրենց հետազոտական թեմաները, քննարկելու հետազոտական մեթոդաբանությունները, ստանալ խորհուրդատվություն ինչպես դասախոսներից, այնպես էլ ոլորտի հրավիրյալ առաջատար մասնագետներից։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ, նաև ոլորտի հրավիրյալ լավագույն մասնագետների ներգրավմամբ ։ 2.Խմբային նախագծերիի կատարում։ 3.Հանձնարարված գրականության ընթերցում, քննարկումներ: 4.Ինքնուրույն աշխատանքների ցուցադրմամբ զեկուցում-սեմինարների հանձնարարում, ինտերակտիվ քննարկումներ։ 5.Բաց դասեր, քննարկումներ, ինքնագնահատում և փոխադարձ գնահատում, ռեֆերատ/նախագծերի պատրաստում։ 6.Աջակցվող ինքնուրույն ուսում, անհատական հետազոտության և զարգացման աջակցում։ 7.Խորհրդատվություն, ինքնուրույն ուսման ավելի ընդլայնված, խոր վերլուծության և աջակցության հնարավորության տրամադրում։ 5. Գնահատման մեթոդները ու չափանիշները Ստուգարքային. ստուգումից 20-միավորանոց համակարգում 10 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած։ Ստուգարքը անցկացվում է ուսանողի սեմինարներին, քննարկումներին, գիտական զեկույցներին ներկայացրած և ատեստավորման արդյունքների հիման վրա, ինչպես նաև ստուգվում են ուսանողի՝ տարբեր համակարգչային փաթեթների իմացությամբ տարատեսակ խնդիրներ լուծելու հմտությունները: Ստուգարքը անց է կացվում համակարգչով: 6. Դասընթացի հիմնական բաժիններ Տիտղոսաթերթ Ստորագրությունների էջ Համառոտագիր Բովանդակություն Ներածություն Հիմնական մաս Եզրակացություններ (և առաջարկություններ) Օգտագործված գրականության ցանկ Հավելվածներ
1002	Գիտական սեմինար	2
1,2,3 կիսամյակներ դասախոս.՝ 2 ժամ 2 ժամ/շաբ. ՊԱՐՏԱԴԻՐ 1002 1. Դասընթացի նպատակ ·Քննարկել արհեստական բանականության և տվյալների գիտության ոլորտի նորարարությունները, դրանց հիմքում ընկած մոդելները, կիրառվող ալգորիթմները և ծրագրային լուծումները։ ·Արհեստական բանականության և տվյալների գիտության ոլորտում տեղի ունեցող զարգացումների մասնագիտական քննարկում. Սեմինարը նպատակ ունի ապահովել հարթակ, որտեղ ուսանողները կարող են ծանոթանալ իրենց մասնագիտական ոլորտում տեղի ունեցող վերջին զարգացումներին, նորարարություններին և հետազոտությունների արդյունքներին: Այն հնարավորություն է տալիս ուսանողներին վերլուծել և քննարկել գիտական հոդվածներ, զեկույցներ և այլ ակտուալ նյութեր։ ·Սեմինարը նախատեսված է նաև մագիստրոսական թեզերի պատրաստման ընթացքի հետ կապված հարցերի քննարկման համար, որի ժամանակ ուսանողները հնարավորություն կունենան ներկայացնելու իրենց հետազոտական թեմաները, քննարկելու հետազոտական մեթոդաբանությունները, ստանալ խորհուրդատվություն ինչպես դասախոսներից, այնպես էլ ոլորտի հրավիրյալ առաջատար մասնագետներից։ 2. Կրթական վերջնարդյունքներ ա. մասնագիտական գիտելիք և իմացություն 1.Բացահայտել և ձևակերպել խնդիրները տվյալների գիտության տեսանկյունից: 2.Ուսումնասիրել և քննադատաբար գնահատել առկա գրականությունը, որը համապատասխանում է ընտրված խնդրին: 3.Ներկայացնել իրենց ոլորտի հիմնական տերմինների, տեսությունների և մեթոդների իմացություն, ինչը կօգնի նրանց հասկանալ և կիրառել գիտական նյութերի արդյունքները։ բ. գործնական մասնագիտական կարողություններ 4.Թվարկել արհեստական բանականության և տվյալագիտության նորարարությունները։ 5.Տվյալների հավաքագրման և վերլուծելու ունակություն՝ կիրառելով համապատասխան գործիքներ և մեթոդներ: 6.Գիտական հոդվածների և զեկույցների պատրաստման կարողություն, որոնք համապատասխան են միջազգային ստանդարտներին և պրոֆեսիոնալ մակարդակին: գ. ընդհանրական/փոխանցելի կարողություններ 7.Հաղորդակցվել ոլորտի առաջատար մասնագետների հետ, իրականացնել հետազոտություններ գիտական և բիզնես հանրության համար։ 3. Դասընթացի ընդհանուր նկարագիր ·Քննարկել արհեստական բանականության և տվյալների գիտության ոլորտի նորարարությունները, դրանց հիմքում ընկած մոդելները, կիրառվող ալգորիթմները և ծրագրային լուծումները։ ·Արհեստական բանականության և տվյալների գիտության ոլորտում տեղի ունեցող զարգացումների մասնագիտական քննարկում. Սեմինարը նպատակ ունի ապահովել հարթակ, որտեղ ուսանողները կարող են ծանոթանալ իրենց մասնագիտական ոլորտում տեղի ունեցող վերջին զարգացումներին, նորարարություններին և հետազոտությունների արդյունքներին: Այն հնարավորություն է տալիս ուսանողներին վերլուծել և քննարկել գիտական հոդվածներ, զեկույցներ և այլ ակտուալ նյութեր։ ·Սեմինարը նախատեսված է նաև մագիստրոսական թեզերի պատրաստման ընթացքի հետ կապված հարցերի քննարկման համար, որի ժամանակ ուսանողները հնարավորություն կունենան ներկայացնելու իրենց հետազոտական թեմաները, քննարկելու հետազոտական մեթոդաբանությունները, ստանալ խորհուրդատվություն ինչպես դասախոսներից, այնպես էլ ոլորտի հրավիրյալ առաջատար մասնագետներից։ 4. Դասավանդման և ուսումնառության ձևերն ու մեթոդները 1.Դասախոսություններ, նաև ոլորտի հրավիրյալ լավագույն մասնագետների ներգրավմամբ ։ 2.Խմբային նախագծերիի կատարում։ 3.Հանձնարարված գրականության ընթերցում, քննարկումներ: 4.Ինքնուրույն աշխատանքների ցուցադրմամբ զեկուցում-սեմինարների հանձնարարում, ինտերակտիվ քննարկումներ։ 5.Բաց դասեր, քննարկումներ, ինքնագնահատում և փոխադարձ գնահատում, ռեֆերատ/նախագծերի պատրաստում։ 6.Աջակցվող ինքնուրույն ուսում, անհատական հետազոտության և զարգացման աջակցում։ 7.Խորհրդատվություն, ինքնուրույն ուսման ավելի ընդլայնված, խոր վերլուծության և աջակցության հնարավորության տրամադրում։ 5. Գնահատման մեթոդները ու չափանիշները Ստուգարքային. ստուգումից 20-միավորանոց համակարգում 10 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած։ Ստուգարքը անցկացվում է ուսանողի սեմինարներին, քննարկումներին, գիտական զեկույցներին ներկայացրած և ատեստավորման արդյունքների հիման վրա, ինչպես նաև ստուգվում են ուսանողի՝ տարբեր համակարգչային փաթեթների իմացությամբ տարատեսակ խնդիրներ լուծելու հմտությունները: Ստուգարքը անց է կացվում համակարգչով: 6. Դասընթացի հիմնական բաժիններ Տիտղոսաթերթ Ստորագրությունների էջ Համառոտագիր Բովանդակություն Ներածություն Հիմնական մաս Եզրակացություններ (և առաջարկություններ) Օգտագործված գրականության ցանկ Հավելվածներ

Տվյալների գիտությունը բիզնեսում

Մագիստրոսական ծրագիր

Ուսումնական պլան

Ընդհանուր կրթական կառուցամաս

Մասնագիտական կառուցամաս

Կրթական այլ մոդուլներ