Спецификация образовательной программы

Тип:

Магистр

Профессия:

056201.04.7 - Վիճակագրություն

Специализация:

056201.04.7 - Կիրառական վիճակագրություն և տվյալների գիտություն

Присвоенная квалификация:

Վիճակագրության մագիստրոս

Учебный год программы:

2025/2026

Форма обучения:

Полная занятость

Язык обучения:

Հայերեն

1. Критерии/требования для поступления на программу

«Կիրառական վիճակագրություն և տվյալների գիտություն» ծրագրով մագիստրատուրայի ընդունելությունը կազմակերպվում է համաձայն ԵՊՀ առկա ուսուցմամբ մագիստրատուրայի ընդունելության կանոնակարգի:
Մասնավորապես, ԵՊՀ մագիստրատուրա մրցութային կարգով կարող են ընդունվել ՀՀ պետական և ըստ մասնագիտությունների հավատարմագրված ոչ պետական բարձրագույն ուսումնական հաստատությունների բակալավրի կամ դիպլոմավորված մասնագետի որակավորում ունեցող անձինք։ Օտարերկրյա բուհերի շրջանավարտների ընդունելությունը մագիստրատուրա կատարվում է հարցազրույցի և համապատասխան ֆակուլտետի գիտական խորհրդի կարծիքի հիման վրա։

2. Цели (назначение)

· ուսանողներին տրամադրել հիմնարար գիտելիքներ տվյալների գիտության և վիճակագրության բնագավառներում՝ ծանոթացնելով վիճակագրության և նրա կիրառությունների, մեքենայական ուսուցման և այլ հարակից բնագավառներում օգտագործվող ժամանակակից մաթեմատիկական ապարատին, մեծ տվյալների հետ աշխատանքին,
· ուսանողներին տրամադրել գիտելիքներ մասնագիտական համակարգչային ծրագրերի (Python և R ծրագրավորման լեզուներ) մասին, ուսուցանել դրանցով պրակտիկ մասնագիտական խնդիրներ լուծելու հմտություններ,
· ուսանողներին տրամադրել պրակտիկ գիտելիքներ՝ հնարավորություն ընձեռելով լինել մրցունակ աշխատաշուկայի մասնագիտական ոլորտում,
զարգացնել ուսանողների վերլուծական-հետազոտական ունակությունները՝ հնարավորություն տալով զբաղվելու հետագա գիտական գործունեությամբ։

3. Образовательные результаты программы

Այս ծրագրի ավարտին ուսանողն ունակ կլինի․

Մասնագիտական գիտելիք և իմացություն
1. ցուցադրել հավանականությունների տեսության և վիճակագրության խորը մասնագիտական գիտելիքներ, ներառյալ առաջնային զարգացումները՝ որպես հիմք ինքնատիպ մտածողության, ինքնուրույն հետազոտությունների և բարդ համատեքստերում միջառարկայական խնդիրների քննադատական գնահատման համար,
2. քննադատաբար գնահատել և օգտագործել առաջադեմ սկզբունքներ տվյալագիտության և հարակից ոլորտների ժամանակակից խնդիրներում մոդելավորման վրա հիմնված համակարգչային ծրագրեր կառուցելու համար՝ դրսևորելով ինքնատիպություն,
3. նորարարորեն կիրառել հավանականային, վիճակագրական և տվյալագիտության մեթոդները բնական գիտություններում՝ ցուցաբերելով ինքնատիպ և քննադատական մտածողություն անծանոթ և բարդ համատեքստերում,
4. հիմնավորել և քննադատաբար արժևորել մասնագիտացման տեսական հիմքերը, ներառյալ ժամանակակից գիտելիքները՝ նոր մոտեցումներ մշակելու և անկախ հետազոտություններ անցկացնելու համար,
5. քննադատաբար վերլուծել և օգտագործել տվյալների վերլուծության ժամանակակից մեթոդներն ու մոդելները՝ համախմբելով տարբեր ոլորտներից ստացված գիտելիքները անծանոթ իրավիճակներում ինքնատիպ որոշումներ կայացնելու համար,
6. ցուցադրել մեքենայական ուսուցման ալգորիթմների և դրանց տեսական հիմքերի խորացված գիտելիքներ, ներառյալ վերահսկվող և չվերահսկվող ուսուցումը՝ բարդ տվյալների միջավայրերում նորարարական կիրառությունների համար,
Գործնական մասնագիտական կարողություններ
1. կիրառել մաթեմատիկական, վիճակագրական և տվյալագիտության մասնագիտական մեթոդներ՝ ինքնուրույն հետազոտություններ անցկացնելու և բարդ միջավայրերում ու անորոշության պայմաններում տեսական և կիրառական խնդիրներ լուծելու համար,
2. քննադատաբար գնահատել և վերամշակել տվյալների գիտության և վիճակագրության արագ զարգացող ոլորտներում ի հայտ եկող մեթոդները՝ մշակելով յուրօրինակ ռազմավարական մոտեցումներ տարբեր բնագավառների ինտեգրման համար,
3. մշակել և վերլուծել մեծ տվյալների համակարգեր, ձևակերպել յուրօրինակ վիճակագրական և տվյալագիտական մոդելներ միջառարկայական մարտահրավերների համար, և կայացնել նշանակալի որոշումներ՝ հիմնվելով քննադատական գնահատման և անկախ դատողության վրա,
4. օգտագործելով ծրագրավորման գործիքներ՝ մշակել նորարարական ալգորիթմներ արդի խնդիրները լուծելու համար, յուրօրինակ հետազոտությունների միջոցով նպաստելով նոր գիտելիքների և մեթոդների ստեղծմանը,
5. կիրառել Python-ի խորացված ալգորիթմներ՝ վերափոխելով բարդ և անծանոթ համատեքստերը հետազոտությունների վրա հիմնված նորարարությունների և քննադատական վերահսկողության միջոցով,
6. ստեղծել և օպտիմալացնել տվյալների բազաներ և ռեսուրսներ՝ ինտեգրելով տարբեր ոլորտների գիտելիքները՝ յուրօրինակ հետազոտություններին, անկախ որոշումների կայացմանը և թիմային աշխատանքներին աջակցելու համար,
7. մշակել և տեղակայել մասշտաբային մեծ տվյալների լուծումներ՝ օգտագործելով Hadoop կամ Spark միջավայրեր, ինտեգրելով դրանք վիճակագրական և տվյալագիտական մոդելների հետ անորոշություններով հարուստ, մեծ ծավալի տվյալների համատեքստերում միջառարկայական խնդիրները լուծելու համար,
Ընդհանրական (փոխանցելի) կարողություններ
1. ռազմավարորեն օգտագործել բազմազան աղբյուրներ անորոշության առկայությամբ բարդ խնդիրներում հետազոտության նպատակներով տեղեկատվություն ձեռք բերելու և քննադատաբար ներկայացնելու համար,
2. համակարգված կազմակերպել, քննադատաբար վերլուծել և սինթեզել տեղեկատվությունը ինքնատիպ եզրակացություններ անելու և մասնագիտական գիտելիքներին նոր պատկերացումներ հաղորդելու համար,
3. մշակել տվյալներ, բարդ իրավիճակներում կայացնել ռազմավարական որոշումներ, ինքնատիպությամբ վարել բանավեճեր ու քննարկումներ, և ներկայացնել արդյունքները քննադատական մտածողությամբ և ինքնուրույնությամբ։

4. Способ оценки

Գնահատումը ներառում է հետևյալ բաղադիչները.
1. դասընթացի (ուսումնական մոդուլի) ենթաբաժինների յուրացման գնահատում կիսամյակի ընթացքում (2 ընթացիկ քննություն),
2. դասընթացի (ուսումնական մոդուլի) առանձին թեմաների ընթացիկ ստուգումներ կիսամյակի ընթացքում,
3. ծրագրով նախատեսված ինքնուրույն առաջադրանքների կատարման և յուրացման ստուգում և գնահատում կիսամյակի ընթացքում (ինքնուրույն աշխատանք),
4. ծրագրով նախատեսված ինքնուրույն և/կամ խմբային հետազոտական աշխատանքի կատարման գնահատում կիսամյակի ընթացքում (հետազոտական աշխատանք, որը փոխարինում է ընթացիկ քննություններից որևէ մեկին),
5. դասընթացին մասնակցության գնահատում (մասնակցություն),
6. ամբողջ դասընթացի (ուսումնական մոդուլի) եզրափակիչ գնահատում քննաշրջանում, որը ենթադրում է դասընթացի համար սահմանված կրթական վերջնարդյունքների ձեռքբերման մակարդակի գնահատում։
Դասընթացները, ըստ գնահատման ձևի, բաժանվում են 4 խմբի՝ եզրափակիչ գնահատումով, առանց եզրափակիչ գնահատման, առանց ընթացիկ քննությունների գնահատման և ստուգարքային:

5. Возможности будущей карьеры выпускников

Ծրագրի շրջանավարտների համար հիմնական թիրախային գործատուներն են ՏՏ ոլորտի մի շարք ընկերություններ, ինչպիսիք են Picsart, Krisp, WebbFontain, Service Titan և այլք, և բոլոր այն հաստատությունները (պետական հիմնարկներ, բանկեր, առևտրական կազմակերպություններ և այլն), որոնք ունեն տվյալների վերլուծությամբ զբաղվող բաժիններ։
Շրջանավարտները կարող են հավակնել վիճակագրական վերլուծաբանի, մեքենայական ուսուցման հետազոտողի և ինժեների, տվյալագետի, տվյալների վերլուծաբանի և այլ պաշտոններին: Ծրագիրը համագործակցում է ոլորտի մի շարք առաջատար կազմակերպությունների հետ՝ ուսանողների պրակտիկայի և հետազոտական աշխատանքի անցկացման, ու հետագա աշխատանքի տեղավորման հարցում։
Ծրագրի շրջանավարտների ստացած գիտելիքները հնարավորություն են տալիս շրջանավարտներին շարունակելու ուսումը ՀՀ և արտասահմանյան ԲՈՒՀ-երում, և հետագայում գործունեություն ծավալելու ակադեմիական գիտահետազոտական հաստատություններում:

6. Ресурсы и формы для поддержки обучения

Ծրագիրն ապահովված է ժամանակակից հագեցված համակարգչային լսարանով։ Ուսումնառության ընթացքում ուսանողներին կհատկացվեն բոլոր անհրաժեշտ նյութերը՝ գրականությունը, հոդվածները, օգտագործվող համակարգչային ծրագրերը, և անհրաժեշտ այլ էլետրոնային ռեսուրսները:

7. Образовательные стандарты или ориентиры программы, используемые для разработки программы

1. ՀՀ որակավորումների ազգային շրջանակ, հաստատված ՀՀ կառավարության 2016թ., հուլիսի 7-ի N 714-Ն որոշմամբ:
2. <<Մաթեմատիկա>> որակավորումների ոլորտային շրջանակ, 2022թ.:
3. Որակավորումների եվրոպական շրջանակ, 2008թ.:
Ծրագիրը մշակված է՝ հաշվի առնելով եվրոպական ու ամերիկյան բնագավառում բարձր վարկանիշ ունեցող ԲՈՒՀ-երի, ինչպիսիք են Մասաչուսեթսի տեխնոլոգիական ինստիտուտի, Սթենֆորդի, Էդինբուրգի, Օքսֆորդի, Լոզանի պոլիտեխնիկական, Ցյուրիխի տեխնոլոգիական համալսարանների, Մոսկվայի տնտեսագիտության բարձրագույն դպրոցի համանման մագիստրոսական ծրագրերը, համադրելով դրանք մեր պետությունում համապատասխան ոլորտի առանձնահատկությունների ու նաև դասընթացները վարող դասախոսական կազմի առկայությանը:

8. Требования к академическому персоналу

1.Ընդհանրական կարողություններ

Դասավանդման/մանկավարժական
·դասընթացի աշխատանքային ծրագիր (օրացուցային պլան) կազմելու հմտություն,
·դասավանդման ինտերակտիվ մեթոդների իմացություն, ակտիվ ուսուցման տեխնիկաների կիրառման կարողություն:

Հետազոտական
·տարաբնույթ գիտական աղբյուրների հետ աշխատելու, ինչպես նաև համացանցային տեղեկատվական ռեսուրսներից օգտվելու հմտություն,
·ուսանողական հետազոտական խումբ ղեկավարելու կարողություն:

Հաղորդակցման
·լսարանի հետ բանավոր հաղորդակցվելու հմտություն,
·հետազոտության արդյունքները գրավոր շարադրելու կարողություն,
·մասնագիտական օտար լեզվի իմացություն

ՏՀՏ կիրառություն
·բազային համակարգչային (MS Office փաթեթի ազատ տիրապետում՝ Word, Excel, Power-Point) հմտություններ,
·լուսացուցադրություններ պատրաստելու և ներկայացնելու հմտություններ

Այլ կարողություններ
·մասնագիտական էթիկայի նորմերի պահպանում,
·անհրաժեշտ ռեսուրսները գնահատելու և ծրագրերը արդյունավետորեն իրականացնելու կարողություն,
·ժամանակային ռեսուրսների պլանավորման և կառավարման կարողություն:

2.Մասնագիտական կարողություններ
·Վիճակագրության մագիստրոսական ծրագրի մասնագիտական առարկաների տիրապետում
·Դասավանդվող մոդուլի կատարյալ իմացություն
·Դասավանդվող մոդուլի հարակից մոդուլների հիմնական գաղափարների տիրապետում
·Դասընթացում հետազոտական բաղադրիչ ներառելու կարողություն
·Մագիստրոսական թեզ ղեկավարելու կարողություն

3.Ընդհանուր պահանջներ

Գիտական աստիճան
·գիտական աստիճան կամ մագիստրոսի աստիճան վիճակագրության կամ հարակից բնագավառում,
·վերջին 5 տարում առնվազն 2 գիտական և/կամ մեթոդական հրատարակությունների առկայություն,
·վերջին 5 տարում մասնակցություն գիտաժողովների և/կամ աշխատաժողովների։

Մանկավարժական փորձ
·վերջին 5 տարվա ընթացքում մասնակցություն տեղական կամ միջազգային վերապատրաստումների և/կամ մասնագիտական որակավորման բարձրացման դասընթացների,

Այլ պահանջներ
·ԵՊՀ բարևավարքության կանոնագրքի դրույքների պահպանում,
·ուսանողական հարցման արդյունքներով ստացված գնահատականների միջինը՝ առնվազն 4,0 (գործող դասախոսների համար)։

Прикладная статистика и наука о данных

Магистерская программа

Спецификация образовательной программы