Educational plan

PDF

Type:

Master

Speciality:

031101.19.7 - Տնտեսագիտություն

Specialisation:

031101.19.7 - Տվյալների գիտությունը բիզնեսում

Qualification awarded:

Տնտեսագիտության մագիստրոս

Programme academic year:

2024/2025

Mode of study:

Full time

Language of study:

Հայերեն

General educational component

Chair code	Name of the course	Credits
1002	Տվյալների բազաների կառավարում	3
1 90 15/15/60 MANDATORY 1002 1. Purpose of the Course Դասընթացի նպատակն է մագիստրատուրայի ուսանողներին ներկայացնել տվյալների բազաների կառավարման հիմունքները և դրանց կիրառությունը տնտեսագիտությունում: Դասընթացը նվիրված է 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. Educational Outcomes ա. Մասնագիտական գիտելիք և իմացություն 1.Նկարագրել ռելացիոն տվյալների բազայի կառավարման համակարգի (RDBMS) հիմնական բաղադրիչները և վերջիններիս նախագծման գործընթացները: 2.Նկարագրել տվյալների հավաքագրման հիմնական մեթոդները։ 3.Մեկնաբանել մեծ տվյալների և NoSQL տվյալների բազաների հիմնական հասկացությունները և դրանց կառավարման կոնցեպտուալ մոդելները։ բ. Գործնական մասնագիտական կարողություններ 4.Նախագծել և կառուցել ռելացիոն տվյալների բազաների համակարգեր, ցուցաբերելով փորձառություն և RDBMS մոդելավորման, նախագծման և կիրառման վերաբերյալ հիմնարար գիտելիքներ։ 5.Նախագծել և կառուցել տարատեսակ հարցումներ SQL-ի կիրառմամբ, ցուցաբերելով փորձառություն և վերջինիս կիրառման վերաբերյալ հիմնարար գիտելիքներ: 6.Նախագծել և կառուցել տվյալների հավաքագրման, պահպանման և մշակման համակարգեր ( ETL), ինչպես նաև OLAP համակարգեր: 7. Կառուցել և կառավարել NoSQL / մեծ տվյալների տվյալների բազաներ, ինչպիսիք են MongoDB և Hbase։ գ. Ընդհանրական/փոխանցելի կարողություններ 8.Oգտվել գիտական աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ: 9.Պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները, վարել գիտական բանավեճեր 3. Description Դասընթացի նպատակն է մագիստրատուրայի ուսանողներին ներկայացնել տվյալների բազաների կառավարման հիմունքները և դրանց կիրառությունը տնտեսագիտությունում: Դասընթացը նվիրված է 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. Teaching and Learning Styles and Methods 1.Դասախոսություններ, 2.Գործնական պարապմունքներ, 3.Խմբային նախագծի կատարում, 4. Անհատական աշխատանք։ 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն Բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography 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. Main sections of the course Թեմա 1` Տվյալների բազաների համակարգի ներածություն, տվյալների բազաների կիրառությունը տնտեսագիտությունում; Թեմա 2` Ռելյացիոն տվյալների բազաներ կառավարման համակարգեր(ՌՏԲԿՀ)։ ՌՏԲԿՀ հիմնական ֆունկցիաները; Թեմա 3` հարցումների կառուցվածքային լեզու (SQL)։ Հարցումների կազմում; Թեմա 4` ՌՏԲԿՀ կառուցում, MySQL; Թեմա 5` Express + MySQL and RESTful համակարգերի կիրառման առանձնահատկությունները; Թեմա 6՝ NoSQL տվյալների բազայի կառավարում; Թեմա 7` Express + MongoDB և տվյալների ներկայացման համակարգերի մշակում; Թեմա 8` ETL համակարգերի էությունը և առանձնահատկությունները; Թեմա 9` OLAP համակարգերի էությունը և առանձնահատկությունները; Թեմա 10՝ Apache Spark և մեծ տվյալների կառավարում։
1002	«Փայթն» ծրագրավորման կիրառությունը տվյալագիտությունում	3
1 90 15/15/60 MANDATORY 1002 1. Purpose of the Course Դասընթացի նպատակն է ուսանողներին ՝ ·սովորեցնել «Փայթն» ծրագրավորման լեզվի հիմունքները, ·սովորեցնել 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. Educational Outcomes 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, 3.բացատրել «Փայթն» լեզվի հիմնական ֆունկցիաները և փաթեթների ներածման առանձնահատկությունները, բ. գործնական մասնագիտական կարողություններ 4,ստեղծել և օգտագործել «Փայթնի» կանոնավոր ցուցակները, 5.օգտագործել ֆունկցիաները և ներածել փաթեթներ, 6.կառուցել Նամփի (Numpy) զանգվածներ և կատարել հաշվարկներ, 7.ստեղծել և կարգավորել գրաֆիկներ իրական տվյալների հիման վրա: գ. ընդհանրական/փոխանցելի կարողություններ 8.վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները, 9.օգտվել տեղեկատվության տարատեսակ աղբյուրներից: 3. Description Դասընթացի նպատակն է ուսանողներին ՝ ·սովորեցնել «Փայթն» ծրագրավորման լեզվի հիմունքները, ·սովորեցնել 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. Teaching and Learning Styles and Methods 1. Դասախոսություն, 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը, 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography 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. Main sections of the course Թեմա 1` «Փայթն» ծրագրավորման լեզվի հիմունքները: Թեմա 2` «Փայթն» միջավայր, օպերատորներ և փոփոխականներ: Թեմա 3` «Փայթն» ծրագրավորման լեզվի աշխատանքի սկզբունքները: Թեմա 4` Ֆունկցիաներ և փաթեթներ: Թեմա 5` Հանգույցներ (loops): Թեմա 6` Օբյեկտ կողմնորոշված ծրագրավորում: Թեմա 7 ` Ֆունկցիոնալ ծրագրավորում: Թեմա 8` Դինամիկ ծրագրավորում: Թեմա 9` Գիտական հաշվարկների գործիքներ (Numpy, Scipy): Թեմա 10` Տվյալների մշակում, վիզուալիզացիա (Pandas, Matplotlib):
1002	Էկոնոմետրիկա տվյալագետների համար	3
2 90 30/60 MANDATORY 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ · Զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում էկոնոմետրիկայի տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: ·Ուսանողներին ունակ դարձնել կիրառել էկոնոմետրիկ վերլուծության մեթոդները տվյալների գիտության և մեքենայական ուսուցման մեջ: ·Ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությամբ էկոնոմետրիկ վերլուծություն իրականացնելուն: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1. Կիրառել գծային ռեգրեսիայի մոդելները տարատեսակ տվյալների համար, այդ թվում «մեծ տվյալների» համար: 2.Կիրառել պարամաետրերր գնահատման քոքրագույն քառակուսիների և առավել ճմարտանմանության մեթոդները 3.Պարզել հետերոսքեդաստիկության դեպքերը և կիրառել համապատասխան մոդելները այդ պրոբլեմը լուծելու համար 4.Պարզել ավտոկորելյացիայի դեպքերը և կիրառել համապատասխան մոդելները այդ պրոբլեմը լուծելու համար 5.Պարզել մուլտիկոլինեարության դեպքերը և կիրառել համապատասխան մոդելները այդ պրոբլեմը լուծելու համար 6.Կիրառել կեղծ փոփոխականերով մոդելների տվյալագիտության և մեքենայական ուսուցման խնդիրներում 7.Լուծել երկակի և բազմակի ընտրության մոդելները՝ կիրառելով լոգիստիկ մոդելներ: բ. գործնական մասնագիտական կարողություններ 8. կառուցել գծային և լոգիստիկ ռեգրեսիոն մոդելներ 9.օգտագործել հավանականային, օպտիմիզացիոն, վիճակագրական, տնտեսաչափական, թվային և այլ մաթեմատիկական մեթոդներ առաջացող մոդելները հետազոտելու համար 10.օգտագործել մասնագիտական ծրագրային ապահովում (R, SPSS, E-views փաթեթներ) ստացվող խնդիրները լուծելու համար գ. ընդհանրական/փոխանցելի կարողություններ 11, օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից, 12.վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար 3. Description Դասընթացի նպատակն է՝ · Զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում էկոնոմետրիկայի տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: ·Ուսանողներին ունակ դարձնել կիրառել էկոնոմետրիկ վերլուծության մեթոդները տվյալների գիտության և մեքենայական ուսուցման մեջ: ·Ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությամբ էկոնոմետրիկ վերլուծություն իրականացնելուն: 4. Teaching and Learning Styles and Methods 1. Դասախոսություն։ 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը։ 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Դասընթացն ավարտվում է հարցատոմսերով կազմակերպվող ստուգարքով: Հարցատոմսը պարունակում է 4 հարց՝ յուրաքանչյուրը՝ 5 միավոր. Միավորների քայլը 0.5 է: Ստուգումից 20-միավորանոց համակարգում 8 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած: 6. Basic Bibliography Christian Kleiber, Achim Zeleis, Applied Econometrics with R, Springer, New-York 2008. Магнус, Катышев, Пересецкий, Экнометрика, Начальный курс, 2004 William H. Greene, Econometric Analysis, Pearson, 7th edition, London, 2012 Jack Jonston, John DiNardo, Econometrics Methods, McGraw-Hill, 4th edition Christopher Dougherty, Introduction to Econometrics, Oxford, 3rd edition Jeffry M. Wooldridge, Introductory Econometrics: A Modern Approach, South-Western Cengage Learning, 5th edition. 7. Main sections of the course Թեմա 1` Փոքրագույն քառակուսիների մեթոդ: Գաուս-Մարկովի թեորեմ: Ռեգրեսիայի գնահատականները: Գնահատականների վիճակագրական հատկությունները: R2 գործակից: Թեմա 2` Վիճակագրական հիպոթեզների ստուգում և վստահության միջակայքեր: Թեմա 3` Մուլտիկոլինեարություն: Թեմա 4` Կեղծ փոփոխականներ և մասնակի գծային մոդելներ: Թեմա 5` Ոչ գծային մոդելների օրինակներ: Մոդելի սպեցիֆիկացիա: Թեմա 6` Հետերոսկեդաստիկություն, Կշռված փոքրագույն քառակուսիների մեթոդ: Թեմա 7` Ավտոկորելյացիա: Ավտոռեգրեսիոն առաջին կարգի պրոցես: Դարբին-Վատսոնի թեստը: Թեմա 8` Առավել ճշմարտանմանության մեթոդ Թեմա 9` Երկակի և բազմակի ընտրության մոդելներ
1603	Օտար լեզու (անգլերեն)	3
1 90 15/15/60 MANDATORY 1002 1. Purpose of the Course . Դասընթացի նպատակն է՝ ·կատարելագործել ուսանողների օտար լեզվով հաղորդակցական կարողությունները՝ ինչպես մասնագիտության, այնպես էլ հաղորդակցման այլ ոլորտներում, ·խորացնել մասնագիտական լեզվի բառապաշարի, քերականական և ոճաբանական յուրահատկությունների վերաբերյալ գիտելիքները, ·ձևավորել գիտական բանավոր և գրավոր հաղորդակցման հմտություններ, ·զարգացնել մասնագիտական հարցերի շուրջ քննարկելու և բանավիճելու կարողությունը: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.կիրառելով մասնագիտական տեքստերի վերլուծության տարբեր մոտեցումները (որոնողական, ճանաչողական, մեկնաբանական)՝ ճիշտ ընկալել դրանց բովանդակությունն ու կառուցվածքը, 2.տարորոշել մասնագիտական բառապաշարի բոլոր շերտերը՝ դրանց ճշգրիտ գործածության նպատակադրմամբ, 3.ցուցաբերել մասնագիտության ոլորտում օտար լեզվով ինքնուրույն աշխատանք կատարելու սկզբունքների իմացություն: բ. գործնական մասնագիտական կարողություններ 4.իրականացնել մասնագիտական տեքստերի իմաստային, կառուցվածքային և ոճական վերլուծություն և թարգմանություն, 5.ներկայացնել և մեկնաբանել մասնագիտական տեսակետներ ու փաստարկներ, ձևակերպել, շարադրել, հիմնավորել անձնական կարծիքը, քննարկել, բանավիճել մասնագիտական հարցերի արդի հիմնախնդիրների շուրջ, 6.գրել և ներկայացնել մասնագիտական թեմաներով էսսեներ/ զեկույցներ, ռեֆերատներ, գիտաժողովի թեզիսներ՝ տրամաբանորեն և հստակ կառուցելով շարադրանքը, 7.լսելով ընկալել և վերարտադրել մասնագիտությանն առնչվող դասախոսությունների, հարցազրույցների ձայնագրություններ և տեսագրություններ: գ. ընդհանրական/փոխանցելի կարողություններ 8.արդյունավետ օգտվել տեղեկատվական տարբեր աղբյուրներից (ներառյալ ինտերնետային) տեղեկատվություն քաղելու, քննադատաբար վերլուծելու և ներկայացնելու նպատակով: 9.Դասընթացի հաջող ավարտին ուսանողի գիտելիքները և կարողությունները պետք է համապատասխանեն Լեզուների իմացության/ իրազեկության համաեվրոպական համակարգի (CEFR-ի) B2 մակարդակին: 3. Description . Դասընթացի նպատակն է՝ ·կատարելագործել ուսանողների օտար լեզվով հաղորդակցական կարողությունները՝ ինչպես մասնագիտության, այնպես էլ հաղորդակցման այլ ոլորտներում, ·խորացնել մասնագիտական լեզվի բառապաշարի, քերականական և ոճաբանական յուրահատկությունների վերաբերյալ գիտելիքները, ·ձևավորել գիտական բանավոր և գրավոր հաղորդակցման հմտություններ, ·զարգացնել մասնագիտական հարցերի շուրջ քննարկելու և բանավիճելու կարողությունը: 4. Teaching and Learning Styles and Methods 1.գործնական պարապմունք դասախոսի ղեկավարությամբ, 2.անհատական և խմբային աշխատանք, 3.անհատական և թիմային գիտահետազոտական աշխատանք, 4.ինքնուրույն աշխատանք, 5.բանավոր ներկայացում/պրեզենտացիա (անհատական ինքնուրույն նախագծի իրականացում), 6.գրավոր և բանավոր ստուգում/ հարցում, 7. իրավիճակային խնդիրների քննարկում: 5. Evaluation Methods and Criteria Դասընթացն ավարտվում է հարցատոմսերով կազմակերպվող ստուգարքով: Հարցատոմսը պարունակում է 4 հարց՝ յուրաքանչյուրը՝ 5 միավոր. 1.մասնագիտական տեքստի ընթերցում, թարգմանություն և վերարտադրում, 2.մասնագիտական բառապաշարի ստուգում: 3.զրույց մասնագիտական թեմաների շուրջ, 4.բանավոր ներկայացում (պրեզենտացիա) մասնագիտական խնդրի վերաբերյալ: Միավորների քայլը 0.5 է: Ստուգումից 20-միավորանոց համակարգում 8 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած: 6. Basic Bibliography Trappe T., Tullis G. Intelligent Business (Advanced). London: Pearson Longman, 2011. Roberts M. English for Economics in higher education studies (ed. Terry Phillips) Reading UK: Garnet Publishing Ltd., 2012. Corballis T., Jennings W. English for Management Studies in higher education studies. Reading UK: Garnet Publishing Ltd., 2009. Maier-Fairclough J. & Butzphal G. Career Express Business English (C1). Reading UK: Garnet Publishing Ltd., 2012. MacKenzie I. Professional English in Use / Finance. Cambridge: Cambridge University Press, 2010. Master P. English Grammar and Technical Writing. US, 2004. Linville L. Academic Skills Achievement Program. Boston: IRWIN Mirror Press, 1994. 7. Main sections of the course 1.Տվյալ ոլորտի մասնագիտական լեզվի բառապաշարային, քերականական և ոճաբանական յուրահատկությունները: 2.Մասնագիտական տեքստերի գործառական նշանակությունը և դրանց իրացումը օտար լեզվով գրավոր ու բանավոր հաղորդակցման գործընթացում: 3.Ակադեմիական գրագրություն՝ գիտական հոդվածների ու աշխատությունների, գրախոսությունների և ամփոփումների, ինչպես նաև ռեֆերատների, զեկուցումների, էսսեների շարադրման ձևերն ու սկզբունքները: 4. Մասնագիտական բնագիր տեքստերի, դասախոսությունների, ձայնագրությունների ունկնդրմամբ՝ դրանց բովանդակության վերծանման, վերարտադրության առանձնահատկությունները:
1002	Մաթեմատիկա տվյալագետների համար	3
1 90 15/15/60 MANDATORY 1002 1. Purpose of the Course ·ներկայացնել ֆունկցիաների հիմնական հատկությունները, ·նկարագրել տարրական ֆունկցիաները, նրանց գրաֆիկները, ·ներկայացնել հաջորդականության, ֆունկցիայի սահմանների, անընդհատության, ածանցյալի գաղափարները։ ·ծանոթացնել անորոշ և որոշյալ ինտեգրալներին և նրանց կիրառություններին, ·ծանոթացնել մատրիցների հետ կատարվող գործողություններին, ·մատուցել որոշիչի գաղափարը, հատկությունները, դրանց հաշվման եղանակներն ու կիրառությունները, ·ծանոթացնել մատրիցի հակադարձի հասկացությանը, հաշվման ալգորիթմներին, կիրառություններին։ 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.բացատրել բազմությունների հետ գործողությունները, իրական թվերի հատկությունները, ներկայացնել ֆունկցիաների հիմնական հատկությունները, 2.նկարագրել տարրական ֆունկցիաները, նրանց գրաֆիկները։ 3.ներկայացնել ֆունկցիայի սահմանի, անընդհատության և ածանցյալի հիմնական հատկությունները, 4.ձևակերպել դիֆերենցիալ հաշվի հիմնական թեորեմները, 5.իմանալ անորոշ և որոշյալ ինտեգրալների հիմնական հատկությունները, 6.իմանալ դիֆերենցիալ հաշվի տարրերը բազմաչափ դեպքում, 7.լուսաբանելու մատրիցների, հետ կատարվող գործողությունները, 8.նկարագրելու որոշիչի հաշվման ալգորիթմները, 9.բացատրելու մատրիցի հակադարձի հաշվման ալգորիթմները բ. գործնական մասնագիտական կարողություններ 10.կիրառել տարրական ֆունկցիաների հատկությունները զանազան խնդիրներում, 11.հաշվել ֆունկցիաների սահմաններն ու ածանցյալները, 12.հետազոտել ֆունկցիան, 13.կկարողանա հաշվել ինտեգրալներ, 14.ունակ կլինի կիրառել ինտեգրալը մակերես, ծավալ հածվելու համար, 15.կկարողանա հետազոտել մի քանի փոփոխականի ֆունկցիաները, 16. հաշվել մատրիցների արտադրյալը և գումարը, 17.հաշվել որոշիչներ, 18.գտնելու մատրիցի հակադարձը: գ. ընդհանրական/փոխանցելի կարողություններ 19.ունակ կլինի մոդելավորել և լուծել էքստրեմումի խնդիրներ ածանցյալի օգնությամբ։ 20.ունակ կլինի մոդելավորել և լուծել խնդիրներ ինտեգրալի օգնությամբ, 21.մոդելավորել մասնագիտության խնդիրները հանրահաշվի մեթոդներով։ 3. Description ·ներկայացնել ֆունկցիաների հիմնական հատկությունները, ·նկարագրել տարրական ֆունկցիաները, նրանց գրաֆիկները, ·ներկայացնել հաջորդականության, ֆունկցիայի սահմանների, անընդհատության, ածանցյալի գաղափարները։ ·ծանոթացնել անորոշ և որոշյալ ինտեգրալներին և նրանց կիրառություններին, ·ծանոթացնել մատրիցների հետ կատարվող գործողություններին, ·մատուցել որոշիչի գաղափարը, հատկությունները, դրանց հաշվման եղանակներն ու կիրառությունները, ·ծանոթացնել մատրիցի հակադարձի հասկացությանը, հաշվման ալգորիթմներին, կիրառություններին։ 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Դասընթացն ավարտվում է հարցատոմսերով կազմակերպվող ստուգարքով: Հարցատոմսը պարունակում է 4 հարց՝ յուրաքանչյուրը՝ 5 միավոր. Միավորների քայլը 0.5 է: Ստուգումից 20-միավորանոց համակարգում 8 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած: 6. Basic Bibliography James Stewart, Calculus: Early Transcendentals, 6th Edition, Thomson J.R. Magnus, H. Neudecker, «Matrix Differential Calculus with Application in Statistics and Econometrics», John Wiley and Sons, 3rd Edition (Chapter 1) 7. Main sections of the course Թեմա 1` Մոնոտոն ֆունկցիաներ, զույգ և կենտ ֆունկցիաներ: Տարրական ֆունկցիաներ, հատկությունները, գրաֆիկները: Բարդ ֆունկցիա, հակադարձ ֆունկցիա: Թեմա 2` Հաջորդականություններ, տրման եղանակները, հատկությունները։ Հաջորդականության սահման։ Թեմա 3` Ֆունկցիայի սահմանը, հատկությունները։ Ֆունկցիայի անընդհատությունը։ Ֆունկցիայի ածանցյալ, հատկությունները։ Դիֆերենցիալ հաշվի հիմնական թեորեմները։ Ֆունկցիայի հետազոտումն ածանցյալի միջոցով։ Թեմա 4` Նախնական ֆունկցիա, անորոշ ինտեգրալ, որոշյալ իտեգրալ, մի քանի փոփոխականի ֆունկցիաների սահմանը, անընդհատությունը, ածանցյալը, դիֆերեցիալ և նրանց հատկություննյերը։ Թեմա 5` գծային հավասարումների համակարգեր Թեմա 6` մատրիցներ և որոշիչներ։
1002	Հավանականությունների տեսության և մաթ. վիճակագրության կիրառությունները տվյալագիտությունում	3
1 90 15/15/60 MANDATORY 1002 1. Purpose of the Course ·ծանոթացնել հավանականությունների տեսության հիմնական մեթոդների հետ, ·սովորեցնել ուսանողներին ինչպես կիրառել հավանականությունների տեսության մեթոդները գործնական խնդիրներ լուծելու համար, ·ձևավորել հավանականային մտածելակերպը, որը կօգնի ուսանողներին կառուցել հավանականային մոդելներ, որոնք նկարագրում են տվյալ պատահական երևույթը, ·տալ ուսանողներին գաղափարներ կիրառական վիճակագրության տարբեր բաժիններից: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.ստանալով անհրաժեշտ տեսական գիտելիքներ, կկարողանա կիրառել տարբեր տիպի հավանականային մոդելներ, 2.կհասկանա տարբեր տիպի բաշխումների կիրառումը հավանականային մոդելների կառուցման ժամանակ, 3.դիտարկելու տարբեր վիճակագրական մոդելներ և գնահատել դրանց անհայտ պարամետրերը, 4.ստուգելու պարզ և բարդ վիճակագրական վարկածներ։ բ. գործնական մասնագիտական կարողություններ 5.օգտագործելու համապատասխան հավանականային մոդելները առաջարկված խնդիրները լուծելու համար, 6.վերլուծելով առկա տվյալները կառուցել բաշխման ֆունկցիայի տեսքը, 7.կարողանալու արդյունավետորեն օգտագործել կցման արտաքսման սկզբունքը, 8.վերլուծելով առկա տվյալները կատարել վիճակագրական հետևություններ, 9.ստանալ տարբեր բնութագրիչների գնահատականներ կիրառելով նկարագրական վիճակագրության մեթոդները ։ գ. ընդհանրական/փոխանցելի կարողություններ 10 վերլուծելով առաջարկված ֆինանսական մաթեմատիկայից խնդիրը ստեղծագործաբար կիրառել հավանականային եղանակներ: 3. Description ·ծանոթացնել հավանականությունների տեսության հիմնական մեթոդների հետ, ·սովորեցնել ուսանողներին ինչպես կիրառել հավանականությունների տեսության մեթոդները գործնական խնդիրներ լուծելու համար, ·ձևավորել հավանականային մտածելակերպը, որը կօգնի ուսանողներին կառուցել հավանականային մոդելներ, որոնք նկարագրում են տվյալ պատահական երևույթը, ·տալ ուսանողներին գաղափարներ կիրառական վիճակագրության տարբեր բաժիններից: 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Դասընթացն ավարտվում է հարցատոմսերով կազմակերպվող ստուգարքով: Հարցատոմսը պարունակում է 4 հարց՝ յուրաքանչյուրը՝ 5 միավոր. Միավորների քայլը 0.5 է: Ստուգումից 20-միավորանոց համակարգում 8 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած: 6. Basic Bibliography Kandethody M.Ramachandran, Chris P.Tsokos, Mathematical Statistics with Applications, 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., 003 7. Main sections of the course Թեմա 1` Հավանականության աքսիոմատիկ սահմանումը, Թեմա 2` Հավանականության հատկությունները, Թեմա 3` Պատահույթների անկախություն: Անկախ փորձեր, Թեմա 4` Պոլինոմիալ բաշխումներ: Հիպերերկրաչափական և Պուասոնյան բաշխումներ, Թեմա 5` Պատահական մեծություն և բաշխման ֆունկցիա, Թեմա 6` Պատահական մեծությունների թվային բնութագրիչները: Թեմա 7` Նկարագրական վիճակագրություն: Թեմա 8` Կետային գնահատականներ`հատկություններ, գնահատման մեթոդներ: Թեմա 9` Միջակայքային գնահատականներ: Թեմա 10` Վարկածների ստուգում` անհրաժեշտ գաղափարներ:
1002	Ռազմավարական պլանավորում	3
1 90 15/15/60 MANDATORY 1002 1. Purpose of the Course ·Զարգացնել ուսանողների ռազմավարական պլանավորման գիտելիքները ·Ուսանողներին ունակ դարձնել կիրառել ռազմավարական պլանավորման տարբեր մեթոդներ 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.Կիրառել ապրանքի կամ ծառայության մատակարարման շղթաների պարզեցված մոդելներ 2.Կիրառել շուկայում մրցակցային առավելության հասնելու ռազմավարական պլանավորման մոդելներ 3.Կիրառել արտադրանքի կամ մատուցվող ծառայության գնագոյացման, շուկայում մրցակցային առավելության հասնելու մոդելներ բ. գործնական մասնագիտական կարողություններ 4.Կառուցել ապրանքի կամ ծառայության արժեշղթաներ 5.Կառուցել և կիրառել ռազմավարական պլանավորման մոդելներ՝ շուկայում մրցակցային առավելության հասնելու նպատակով գ. ընդհանրական/փոխանցելի կարողություններ 6.Օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից, 7.Վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար 3. Description ·Զարգացնել ուսանողների ռազմավարական պլանավորման գիտելիքները ·Ուսանողներին ունակ դարձնել կիրառել ռազմավարական պլանավորման տարբեր մեթոդներ 4. Teaching and Learning Styles and Methods 1.Դասախոսություններ, 2.Նախադեպերի վերլուծություն, 3.Խմբային աշխատանք, 4.Անհատական աշխատանք։ 5. Evaluation Methods and Criteria Դասընթացն ավարտվում է հարցատոմսերով կազմակերպվող ստուգարքով: Հարցատոմսը պարունակում է 4 հարց՝ յուրաքանչյուրը՝ 5 միավոր. Միավորների քայլը 0.5 է: Ստուգումից 20-միավորանոց համակարգում 10 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած: 6. Basic Bibliography Michael E. Porter, What Is Strategy? Michael E. Porter, The Five Competitive Forces That Shape Strategy W. Chan Kim and Renee Mauborgne, Blue Ocean Strategy Mark W. Johnson, Clayton M. Christensen, Henning Kagermann, Reinventing Your Business Model James C. Collins, Jerry I. Parras, Building your Company’s Vision Robert S. Kaplan and David P. Norton, Using the Balanced Scorecard as a Strategic Management System 7. Main sections of the course Թեմա 1՝ Ինչ է ռազմավարությունը և ռազմավարական պլանավորումը, ներածություն Թեմա 2` Մրցակցություն և մրցակցային առավելություն, ներածություն Թեմա 3` Պորտերի «Հինգ ուժերը»՝ մրցակցություն շահույթի համար Թեմա 4` Ռազմավարական պլանավորման գործնական քայլերը Թեմա 5` Տնտեսական հիմնադրույթները, արժեշղթաներ, մրցակցային առավելություն Թեմա 6` Արժեքի ստեղծում, դիրքավորում շուկայում, փոխզիջում Թեմա 7` Գործողությունների քարտեզագրում Թեմա 8` Ռազմավարություն և նորարարություն

Professional educational component

Chair code	Name of the course	Credits
1002	Համակարգչագիտության և ծրագրավորման կիրառությունները տվյալագիտությունում (Java)	6
1 180 30/30/120 MANDATORY 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ ●առավել ամբողջականացնել և խորացնել ուսանողների գիտելիքները համակարգչային գիտության և ծրագրավորման մեջ, ●զարգացնել ծրագրավորման գիտելիքների կիրառման հմտություններ: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.Ներկայացնել և հիմնավորել ժամանակակից ծրագրավորման լեզուների հիմունքները 2.հասկանալ համակարգչային գիտության հիմունքները 3.տիրապետել և կիրառել ծրագրավորման մի շարք լեզուների՝ Python/Java-ի հիմունքները 4.կիրառել համակարգչային հմտությունների հիմնական հասկացությունները 5.կիրառել ֆունկցիաներ տարատեսակ գործողությունների իրականացման համար 6. հասկանալ ալգորիթմերի վերլուծության հիմնարար տեսությունները, 7.տիրապետել և կիրառել տվյալների կառուցվածքների հիմնական մոդելները, 8.հասկանալ, թե երբ օգտագործել տվյալների տարբեր կառուցվածքներ և ալգորիթմներ, 9.կարողանալ համեմատել տարբեր ալգորիթմեր։ բ. գործնական մասնագիտական կարողություններ 10,կիրառելով ուսումնասիրվող գիտելիքները գրել սեփական ծրագրեր կիրառելով Java/Python ծրագրավորման լեզուները, 11.հասկանալ ծրագրավորման բոլոր հիմնական հասկացությունները։ գ. ընդհանրական/փոխանցելի կարողություններ 12,օգտվել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ), 13.պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները, վարել գիտական բանավեճեր:. 3. Description Դասընթացի նպատակն է՝ ●առավել ամբողջականացնել և խորացնել ուսանողների գիտելիքները համակարգչային գիտության և ծրագրավորման մեջ, ●զարգացնել ծրագրավորման գիտելիքների կիրառման հմտություններ: 4. Teaching and Learning Styles and Methods 1.Դասախոսություններ, 2.Նախադեպերի վերլուծություն, 3.Խմբային աշխատանք, 4.Անհատական աշխատանք։ 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ 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-ին ընթացիկ քննություն գրավոր քննություն՝ 4 միավոր առավելագույն արժեքով: Միավորների քայլը 0.5 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ 2-րդ ընթացիկ քննություն գրավոր քննություն՝ 4 միավոր առավելագույն արժեքով: Միավորների քայլը 0.5 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Herbert Schildt , Java: A Beginner’s Guide 2017, Thomas H. Cormen , Charles E. Leiserson , Ronald L. Rivest , Clifford Stein, Introduction to Algorithms, 2009, Allen B. Downey, Think Python, Think like a Computer Scientist, 2012, Thomas Goodrich, Roberto Tamassia, and Michael Goldwasser Data Structure and Algorithms in Python, 2013. 7. Main sections of the course Թեմա 1` Ներածություն( Python/Java ծրագրավորման լեզուներ), Ծրագրավորման կիրառությունը տնտեսագիտությունում Թեմա 2` Մեքենայական մաթեմատիկա, Երկուական և տասնվեցական թվային համակարգեր, Թեմա 3՝ Ծրագրավորման գործիքներ, Git, GitHub, Թեմա 4` Փոփոխականներ և պարզ գործողություններ, Թեմա 5՝ Պայմանական կառույցներ, Թեմա 6` Տրամաբանական Դրույթներ, Թեմա 7` Ֆունկցիաներ և պարամետրեր, Թեմա 8` Օբյեկտ-կողմնորոշված ծրագրավորում, Թեմա 10` Ռեկուրսիա, Թեմա 11՝ Ալգորիթմներ և նրանց առանձնահատկությունները, Թեմա 12՝ Տվյալների կառուցվածքներ և նրաց առանձնահատկությունները, Թեմա 13՝ Ինտերակտիվ նախագիծ:
1002	Տվյալների վերլուծության մաթ. մեթոդներ և հաշվարկներ	6
1 180 30/15/15/120 MANDATORY 1002 1. Purpose of the Course ուսանողների մոտ ձևավորել պատկերացում տնտեսամաթեմատիկական մոդելավորման և դրա կիրառությունների մասին, սովորեցնել օպտիմիզացիայի մաթեմատիկական տեսության հիմնադրույթներն ու էքստրեմալ խնդիրների լուծման հիմնական եղանակները։ 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.իրականացնելու իրավիճակների վերլուծություն և խնդրի ձևակերպում, 2.որոշելու հետազոտվող խնդրի (համակարգի) նպատակը, նկարագրել այլընտրանքային լուծումները, սահմանել վերջիններիս արդյունավետությունը, բ. գործնական մասնագիտական կարողություններ 3.կառուցել խնդրի մաթեմատիկական մոդելը և գտնել լավագույն լուծումը՝ համաձայն ընդունված նպատակի, 4.ընտրել խնդրի լուծման համապատասխան օպտիմիզացիոն մեթոդը՝ կախված խնդրի մաթեմատիկական դրվածքից, 5.լուծել մի շարք մաթեմատիկական մոդելավորման խնդիրներ՝ օգտվելով ժամանակակից ծրագրային փաթեթներից։ գ. ընդհանրական/փոխանցելի կարողություններ 6.օգտվել տեղեկատվության տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ), 7.պատրաստել ռեֆերատներ, կուրսային և ավարտական աշխատանքներ։ 3. Description ուսանողների մոտ ձևավորել պատկերացում տնտեսամաթեմատիկական մոդելավորման և դրա կիրառությունների մասին, սովորեցնել օպտիմիզացիայի մաթեմատիկական տեսության հիմնադրույթներն ու էքստրեմալ խնդիրների լուծման հիմնական եղանակները։ 4. Teaching and Learning Styles and Methods 1. դասախոսություն, գործնական և սեմինար պարապմունքներ, 2. հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում: 5. Evaluation Methods and Criteria 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-ին ընթացիկ քննություն գրավոր քննություն՝ 4 միավոր առավելագույն արժեքով: Միավորների քայլը 0.5 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ 2-րդ ընթացիկ քննություն գրավոր քննություն՝ 4 միավոր առավելագույն արժեքով: Միավորների քայլը 0.5 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Frederick 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, John Wiley & Sons, 2013 7. Main sections of the course 1.Ներածություն տվյալների վերլուծություն, 2. Ներածություն R և Pyton, 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	Տնտեսագիտություն տվյալագետների համար	3
1 90 30/60 MANDATORY 1002 1. Purpose of the Course ·առավել ամբողջականացնել և խորացնել ուսանողների գիտելիքները միկրո- և մակրոտնտեսագիտության ասպարեզում, ·զարգացնել տնտեսագիտական հետազոտություններում տնտեսագիտա-մաթեմատիկական մեթոդների և մոդելների կիրառման հմտություններ: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.ներկայացնել և հիմնավորել շուկայական տնտեսության տնտեսական հիմնահարցերի ուսումնասիրման համար անհրաժեշտ գիտելիքները 2.լուսաբանել միկրո- և մակրոտնտեսագիտության հիմնական հասկացությունները, 3.ներկայացնել մակրոտնտեսական քաղաքականության ձևերը և հիմնական սկզբունքները, 4.ձեռնարկությունների և սպառողների որոշումների կայացման գործընթացը բացատրելու համար կիրառել միկրոտնտեսական մոդելներ, 5.բացատրել ռեսուրսների օպտիմալ բաշխման գործընթացները և ինչ դեր ունեն դրանցում շուկաները, 6.ցույց տալ շուկաների արդյունավետության բարձրացման հարցում պետությունների դերը, 7.ներկայացնել տնտեսական աճի հիմնական գործոնները և մոդելները 8.բացատրել, թե ինչպես է ձևավորվում գործազրկությունը և ինչ դեր ունի պետությունը այն նվազեցնելու հարցում, բ. գործնական մասնագիտական կարողություններ 9.կատարել տնտեսագիտական վերլուծություններ ու կանխատեսումներ, օգտագործել դրանց արդյունքները, 10.տնտեսագիտա-մաթեմատիկական մեթոդները կիրառել տնտեսագիտական վերլուծություններում։ գ. ընդհանրական/փոխանցելի կարողություններ 11.օգտվել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ), 12.պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները, վարել գիտական բանավեճեր: 3. Description ·առավել ամբողջականացնել և խորացնել ուսանողների գիտելիքները միկրո- և մակրոտնտեսագիտության ասպարեզում, ·զարգացնել տնտեսագիտական հետազոտություններում տնտեսագիտա-մաթեմատիկական մեթոդների և մոդելների կիրառման հմտություններ: 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Դասընթացն ավարտվում է հարցատոմսերով կազմակերպվող ստուգարքով: Հարցատոմսը պարունակում է 4 հարց՝ յուրաքանչյուրը՝ 5 միավոր. Միավորների քայլը 0.5 է: Ստուգումից 20-միավորանոց համակարգում 8 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած: 6. Basic Bibliography N. Gregory Mankiw. Principles of Economics, 8th Edition, Cengage learning, 2018. Campbell R. McConnell; Stanley L. Brue; Sean M. Flynn. Microeconomics: Principles, Problems, & Policies. McGraw-Hill Series in Economics, 20th Edition, 2014. Robert S. Pindyck; Daniel L. Rubinfeld. Microeconomics, 8th edition. The Pearson Series in Economics, 2012. Hal R. Varian. Intermediate Microeconomics: A Modern Approach. 9th edition, W. W. Norton & Company, 2014. Stephen D. Williamson. Macroeconomics, 6th Edition. The Pearson Series in Economics, 2017. 7. Main sections of the course Թեմա 1` Շուկա: Պահանջարկ և առաջարկ: Առաձգականություն Թեմա 2` Հանրային հատված: Հանրային բարիքներ, արտաքին էֆեկտներ Թեմա 3` Ձեռնարկության տնտեսագիտություն: Արտադրության ծախսեր և եկամուտներ Թեմա 4` Մոնոպոլիաներ և օլիգոպոլիաներ Թեմա 5՝ Որոշումների կայացումը ոչ լիակատար տեղեկատվության պարագայում: Ռիսկ Թեմա 6՝ Խաղերի տեսությունը տնտեսագիտությունում Թեմա 7` Մակրոնտնտեսագիտություն, ազգային եկամուտ Թեմա 8` Գործազրկություն, տնտեսական ցիկլեր Թեմա 9` Փող, բանկային համակարգ և ինֆլյացիա Թեմա 10` Միջազգային տնտեսագիտություն: Փակ և բաց տնտեսություններ Թեմա 11՝ Տնտեսական աճի հիմնական մոդելները
1002	Data Mining տեխնոլոգիա	3
2 90 30/60 MANDATORY 1002 1. Purpose of the Course ·ծանոթացնել ուսանողին տվյալների ինտելեկտուալ վերլուծության հիմնական հասկացություններին, տեսական և գործնական սկզբունքներին, ·սովորեցնել ուսանողներին կիրառել տվյալների ինտելեկտուալ վերլուծության մեթոդները գործնական խնդիրներ լուծելու համար, · տալ գաղափար ալգորիթմների կառուցման և ծրագրավորման գործիքների օգնությամբ խնդիրներ լուծելու մասին: 2. Educational Outcomes 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, 5.կատարել համեմատական վերլուծություն լավագույն մոդելը ընտրելու և կանխատեսումներ անելու նպատակով, գ. ընդհանրական/փոխանցելի կարողություններ 6.օգտագործել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և այլն) ստացված տեղեկատվություն, 7.պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները, վարել գիտական բանավեճեր, կատարել գիտական հետազոտություններ 3. Description ·ծանոթացնել ուսանողին տվյալների ինտելեկտուալ վերլուծության հիմնական հասկացություններին, տեսական և գործնական սկզբունքներին, ·սովորեցնել ուսանողներին կիրառել տվյալների ինտելեկտուալ վերլուծության մեթոդները գործնական խնդիրներ լուծելու համար, · տալ գաղափար ալգորիթմների կառուցման և ծրագրավորման գործիքների օգնությամբ խնդիրներ լուծելու մասին: 4. Teaching and Learning Styles and Methods Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Tan P., Steinbach M., Kumar V. Introduction to Data Mining, Pearson Education (1st ed.), 2005 Gareth J., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning with Applications in R, Springer, 2013 Hastie T., Tibshitani R., Friedman J. The Elements of Statistical Learning, Springer (2nd ed.), 2008 Hand, Mannila, and Smyth. Principles of Data Mining. Cambridge, MA: MIT Press, 2001 Zhao Y. R and Data Mining: Examples and Case Studies, 2015 7. Main sections of the course Թեմա 1` Տվյալների ինտելեկտուալ վերլուծության գործընթաց, ներածություն Թեմա 2` Տվյալների նախապատրաստում՝ մաքրում, ուսումնասիրություն և վիզուալիզացիա Թեմա 3` Զույգային և բազմագործոն գծային ռեգրեսիա Թեմա 4` Ընդհանրացված գծային մոդելներ (Logit, Պուասոնի ռեգրեսիա) Թեմա 5` Ռեգուլարիզացիա (Ridge, Lasso, Elastic Net) Թեմա 6` Որոշումների ծառեր (CHAID), մեթոդների անսամբլ, Բայեսյան դասակարգում Թեմա 7՝ Հիերախիկ և խտության վրա հիմված քլաստերային վերլուծություն Թեմա 8՝ Ասոցիատիվ կանոնների որոնում Թեմա 9՝ Text Mining
1002	Մեքենայական ուսուցում	6
2 180 30/30/120 MANDATORY 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ ·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, ·ուսանողներին ունակ դարձնել ինքնուրույն կիրառել մեքենայական ուսուցումը տարբեր խնդիրներ լուծելու համար: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.ներկայացնել մեքենայական ուսուցման հիմնական սկզբունքները և գաղափարները կիրառման ոլորտներն ու ձևերը, 2.բացատրել կոնկրետ խնդրի լուծման համար ընտրված մեդելի նպատակահարմարությունը, կառուցվածքը և աշխատանքի սկզբունքները և տարբերությունները գոյություն ունեցող այլ համակարգերից, բ. գործնական մասնագիտական կարողություններ 3.կատարել գոյություն ունեցող մոդելների օպտիմիզացիա՝ առավել լավ արդյունք ստանալու նպատակով, 4.կիրառել մեքենայական ուսուցման մեդելները կոնկրետ խնդիրների լուծման համար, 5.սահուն կերպով օգտագործել մեքենայական ուսուցման հայտնի գրադարանները մոդելներ կառուցելու և սովորեցնելու համար, այդ թվում նաև նեյրոնային ցանցերի համար, գ. ընդհանրական/փոխանցելի կարողություններ 6.վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները, 7.օգտվել տեղեկատվության տարատեսակ աղբյուրներից, բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ: 3. Description Դասընթացի նպատակն է՝ ·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, ·ուսանողներին ունակ դարձնել ինքնուրույն կիրառել մեքենայական ուսուցումը տարբեր խնդիրներ լուծելու համար: 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ 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-ին ընթացիկ քննություն գրավոր քննություն՝ 4 միավոր առավելագույն արժեքով: Միավորների քայլը 0.5 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ 2-րդ ընթացիկ քննություն գրավոր քննություն՝ 4 միավոր առավելագույն արժեքով: Միավորների քայլը 0.5 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006. Hands-On Machine Learning with Scikit-Learn and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems by Aurélien Géron, 2017 Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016. Wouter Gevaert, Georgi Tsenov, Valeri Mladenov, Neural Networks used for Speech Recognition, Journal of automatic control, University of Belgrade, Vol. 20:1-7, 2010. Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NIPS, 2012. David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams, Learning representations by back-propagating errors, Nature, Vol. 323, 1986. 7. Main sections of the course Թեմա 1` Ներածություն, մեքենայական ուսուցման կիրառությունները, հիմնարար գաղափարներ, վերահսկելի և անվերահսկելի ուսուցում: Թեմա 2` Գծային ռեգրեսիա, կորստի ֆունկցիաներ underfitting և overfitting գաղափարները: Թեմա 3` Լոգիստիկ ռեգրեսիա։ Թեմա 4` Դասակարգման մոդելներ, ծառեր, անսամբլ մեթոդներ։ Թեմա 5` Անվերահսկելի ուսուցում, համախմբում, չափողականության փոքրացում։ Թեմա 6` Տվյալների վերլուծություն, բացակայող առժեքներ, նոր փոփոխականների կառուցում։ Թեմա 7` Նեյրոնային ցանցեր, և հակադարձ տարածում։ Թեմա 8` Փաթույթային նեյրոնային ցանցեր, նկարներում օբյեկտների ճանաչում: Թեմա 10` Ներածություն ամրապնդման ուսուցում:
1002	Տվյալների վիզուալիզացիա	3
2 90 15/15/60 MANDATORY 1002 1. Purpose of the Course Դասընթացի նպատակն է ·ծանոթացնել ուսանողին տվյալների վերլուծության վիզուալիզացիոն մեթոդներին, ·ձևավորել վիզուալիզացիոն տեխնիկաների՝ գործնական խնդիրներում կիրառելու հմտություն, սովորեցնել ստեղծել ինտերակտիվ web dashboard-ներ R Markdown և Shiny-ի միջոցով։ 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.մեկնաբանել վիզուալիզազիայի եղանակների օգտագործման անհրաժեշտությունը և նպատակահարմարությունը 2.ներկայացնել տնտեսագիտությունում տվյալների վիզուալիզացիայի տեխնիկաները և դրանց օգտագործելու եղանակները բ. գործնական մասնագիտական կարողություններ 4.օգտագործել տվյալների վիզուալիզացիայի մեթոդները առաջարկված գործնական խնդիրներ և լուծելու համար, 5.իրականացնել ինտերակտիվ համեմատություններ վիզուալիզացիոն մեթոդների օգնությամբ, 6..ստեղծել web dashboard-ներ մեծածավալ տվյալների վերլուծությունը հեշտ ու ընկալելի դարձնելու նպատակով, գ. ընդհանրական/փոխանցելի կարողություններ 7.օգտվել գիտական աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ), 8.պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները, վարել գիտական բանավեճեր, կատարել թիմային աշխատանք 3. Description Դասընթացի նպատակն է ·ծանոթացնել ուսանողին տվյալների վերլուծության վիզուալիզացիոն մեթոդներին, ·ձևավորել վիզուալիզացիոն տեխնիկաների՝ գործնական խնդիրներում կիրառելու հմտություն, սովորեցնել ստեղծել ինտերակտիվ web dashboard-ներ R Markdown և Shiny-ի միջոցով։ 4. Teaching and Learning Styles and Methods 1.Դասախոսություններ, 2.Գործնական պարապմունքներ, 3.Խմբային նախագծի կատարում, 4.Անհատական աշխատանք։ 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Թեմա 1` Վիզուալիզացիոն հիմնական տեխնիկաներ Թեմա 2` Բազմաչափ վիզուալիզացիա, քարտեզներ, ցանցեր Թեմա 3` Պատմողական վիզուալիզացիա (Narrative Visualization) Թեմա 4` R Shiny-ի ներածություն, Reactivity Թեմա 5՝ Ինտերակտիվ վիզուալիզացիա, D3-ի ներածություն Թեմա 6՝ Web dashboard-ների ստեղծում 7. Main sections of the course Թեմա 1` Վիզուալիզացիոն հիմնական տեխնիկաներ Թեմա 2` Բազմաչափ վիզուալիզացիա, քարտեզներ, ցանցեր Թեմա 3` Պատմողական վիզուալիզացիա (Narrative Visualization) Թեմա 4` R Shiny-ի ներածություն, Reactivity Թեմա 5՝ Ինտերակտիվ վիզուալիզացիա, D3-ի ներածություն Թեմա 6՝ Web dashboard-ների ստեղծում
1002	Նեյրոնային ցանցեր և խորը ուսուցում -1	3
2 90 15/15/60 MANDATORY 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ ·ծանոթացնել ուսանողներին խելացի համակարգերի հիմնական տարրերի հետ, սովորեցնել տարբերել դրանց տարատեսակները, ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով նեյրոնային ցանցերի հիմնական մոդելները, ուսուցման ալգորիթմները սկզբնական տարրերը , ·ուսանողներին ունակ դարձնել ինքնուրույն կիրառել նեյրոնային ցանցերը պարզագույն խնդիրներ լուծելու համար: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.հասկանալ նեյրոնային ցանցերի հիմնական առանձնահատկությունները, կիրառման ոլորտներն ու ձևերը, 2.բացատրել բարդ խնդրի լուծման համար ընտրված նեյրոնային ցանցի կառուցվածքը և աշխատանքի սկզբունքները և տարբերությունները գոյություն ունեցող այլ համակարգերից բ. գործնական մասնագիտական կարողություններ 3.կատարել իր կողմից կառուցած կամ գոյություն ունեցող նեյրոնային ցանցերի օպտիմիզացիա՝ ավելի լավ արդյունք ստանալու նպատակով 4.կիրառել նեյրոնային ցանցերը տարբեր պրոյեկտներում, հասկանալ դրանց կիրառման բիզնես հետևանքները 5.սահուն կերպով օգտագործել խորը ուսուցման գրադարանները նեյրոնային ցանցեր կառուցելու և սովորեցնոլու համար, գ. ընդհանրական/փոխանցելի կարողություններ 6.վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները, 7.օգտվել տեղեկատվության տարատեսակ աղբյուրներից, 8.բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ: 3. Description Դասընթացի նպատակն է՝ ·ծանոթացնել ուսանողներին խելացի համակարգերի հիմնական տարրերի հետ, սովորեցնել տարբերել դրանց տարատեսակները, ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով նեյրոնային ցանցերի հիմնական մոդելները, ուսուցման ալգորիթմները սկզբնական տարրերը , ·ուսանողներին ունակ դարձնել ինքնուրույն կիրառել նեյրոնային ցանցերը պարզագույն խնդիրներ լուծելու համար: 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography 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. Michael Nielsen, Neural Networks and Deep Learning: 7. Main sections of the course Թեմա 1` Ներածություն: Թեմա 2` Հիմնարար գաղափարներ. նեյրոնային ցանցի շերտերը, Թեմա 3` Կորստի ֆունկցիաներ: Թեմա 4` Բազմաշերտ նեյրոնային ցանցեր Թեմա 5` Հակադարձ տարածման ալգորիթմ (backpropagation algorithm): Թեմա 6` Խորը ուսուցման գրադարաններ՝ Tensorflow, Keras:
1002	Մեծ տվյալների տեխնոլոգիաներ	3
3 90 30/60 MANDATORY 1002 1. Purpose of the Course . Դասընթացի նպատակն է` ●ուսանողներին ծանոթացնել մեծ տվյալների վերլուծության համար կիրառվող գործիքներին և տեխնոլոգիաներին, ●սովորեցնել կիրառել այդ տեխնոլոգիաները պրակտիկ խնդիրների լուծման մեջ։ 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.նկարագրել մեծ տվյալների վերլուծության համար կիրառվող տեխնոլոգիան ու գործիքները 2.ճանաչել՝ որ խնդիրներն են լուծվում մեծ տվյալների տեխնոլոգիաներով, որոնք՝ ոչ, 3.հասկանալ՝ երբ մեծ տվյալների խնդիրները տվյալների ինտեգրացման կարիք ունեն, բ. գործնական մասնագիտական կարողություններ 4.մեծ տվյալների խնդիրները ներկայացնել և լուծել տվյալագիտության մեթոդներով 5.տեղադրել և օգտագործել ծրագրերը Hadoop-ի միջոցով, 6.իրականացնել մեծ տվյալների ինտեգրացում ու մշակում Hadoop-ի միջոցով գ. ընդհանրական/փոխանցելի կարողություններ 7.օգտագործել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և այլն) ստացված տեղեկատվություն 8.պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները 9.կատարել գիտական հետազոտություններ՝ օգտագործելով մեծ տվյալների տեխնոլոգիաները 3. Description . Դասընթացի նպատակն է` ●ուսանողներին ծանոթացնել մեծ տվյալների վերլուծության համար կիրառվող գործիքներին և տեխնոլոգիաներին, ●սովորեցնել կիրառել այդ տեխնոլոգիաները պրակտիկ խնդիրների լուծման մեջ։ 4. Teaching and Learning Styles and Methods 1.դասախոսություններ, 2.գործնական պարապմունքներ, 3.խմբային նախագծի կատարում, 4.անհատական աշխատանք։ 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Kafka: The Definitive Guide by Neha Narkhede, Gwen Shapira, and Todd Palino Data lgorithms by Mahmoud Parsian HBase: The Definitive Guide by Lars George Programming Hive by Edward Capriolo, Dean Wampler, and Jason Rutherglen ZooKeeper by Flavio Junqueira and Benjamin Reed Kafka: The Definitive Guide by Neha Narkhede, Hadoop: The Definitive Guide, Third Edition by Tom White Gwen Shapira, and Todd Palino 7. Main sections of the course Թեմա 1` Մեծ տվյալների, ամպային հաշվարկի եւ տվյալների պահպանման ներածություն Թեմա 2` Linux Shell-ի և հրամանների ներածություն Թեմա 3` Hadoop-ի էկոհամակարգի ներածություն Թեմա 4` Հաշվարկներ MapReduce-ի միջոցով Թեմա 5` Hadoop Distributed File System (HDFS) Թեմա 6՝ Hadoop I/O Թեմա 7՝ MapReduce ծրագրերի ստեղծում և գործարկում Թեմա 8՝ Մեծ տվյալների մշակումը Pig-ի միջոցով Թեմա 9` Տվյալների վերլուծություն Hive-ի միջոցով Թեմա 10` HBase-ը որպես ոչ ռելացիոն տվյալների բազայի համակարգ Թեմա 11` Ընդհանուր բաշխված ծրագրերի ստեղծում Zookeeper-ի միջոցով Թեմա 12` Ոչ ռելացիոն տվյալների բազաների ներածություն Թեմա 13` Spark-ը որպես արագ հաշվարկների գործիք հիշողությունում(in-memory)
1002	Նեյրոնային ցանցեր և խորը ուսուցում - 2	3
3 90 15/15/60 MANDATORY 1002 1. Purpose of the Course . Դասընթացի նպատակն է՝ ·Շարունակել ծանոթացնել ուսանողներին խելացի համակարգերի հիմնական առանձնահատկությունների հետ, սովորեցնել տարբերել դրանց տարատեսակները, ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով նեյրոնային ցանցերի հիմնական մոդելները, խորը ուսուցման առավելագույն արդյունավետ ալգորիթմները և մի քանի հավելվածներ՝ հիմնված նեյրոնային ցանցերի վրա, ·ուսանողներին ունակ դարձնել ինքնուրույն կիրառել նեյրոնային ցանցերը տարբեր խնդիրներ լուծելու համար: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.հասկանալ նեյրոնային ցանցերի հիմնական առանձնահատկությունները, կիրառման ոլորտներն ու ձևերը, 2.բացատրել բարդ խնդրի լուծման համար ընտրված նեյրոնային ցանցի կառուցվածքը և աշխատանքի սկզբունքները և տարբերությունները գոյություն ունեցող այլ համակարգերից, բ. գործնական մասնագիտական կարողություններ 3.կատարել իր կողմից կառուցած կամ գոյություն ունեցող նեյրոնային ցանցերի օպտիմիզացիա՝ ավելի լավ արդյունք ստանալու նպատակով 4.կիրառել նեյրոնային ցանցերը տարբեր պրոյեկտներում, հասկանալ դրանց կիրառման բիզնես հետևանքները 5.սահուն կերպով օգտագործել խորը ուսուցման գրադարանները նեյրոնային ցանցեր կառուցելու և սովորեցնոլու համար գ. ընդհանրական/փոխանցելի կարողություններ 6.վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները 7.օգտվել տեղեկատվության տարատեսակ աղբյուրներից 8.բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ: 3. Description . Դասընթացի նպատակն է՝ ·Շարունակել ծանոթացնել ուսանողներին խելացի համակարգերի հիմնական առանձնահատկությունների հետ, սովորեցնել տարբերել դրանց տարատեսակները, ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով նեյրոնային ցանցերի հիմնական մոդելները, խորը ուսուցման առավելագույն արդյունավետ ալգորիթմները և մի քանի հավելվածներ՝ հիմնված նեյրոնային ցանցերի վրա, ·ուսանողներին ունակ դարձնել ինքնուրույն կիրառել նեյրոնային ցանցերը տարբեր խնդիրներ լուծելու համար: 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography 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. http://cs231n.github.io/ 7. Main sections of the course Թեմա 1` Convolutional նեյրոնային ցանցեր: Թեմա 2` Նկարներում օբյեկտների ճանաչում: Թեմա 3` Անդրադարձ ցանցեր (Recurrent neural networks): Թեմա 4` Հաջորդականությունների մոդելավորում: Թեմա 5` Գեներատիվ մոդելներ: Autoencoder ցանցեր, կիրառությունները: Թեմա 6` GAN (generative adversarial networks) ցանցեր: Թեմա 7` Deep reinforcenment learning:
1002	Ժամանակային շարքեր	3
3 90 30/60 MANDATORY 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ ·Զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում ժամանակային շարքերի էկոնոմետրիկայի տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: ·Ուսանողներին ունակ դարձնել հաշվարկելու և կանխատեսելու տվյալների գիտության և մեքենայական ուսուցման մեջ կիրառվող ժամանակային շարքերի մոդելները օգտագործելով ժամանակակից վիճակագրական և էկոնոմետրիկ մեթոդներ: ·Ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությամբ ժամանակային շարքերի էկոնոմետրիկ վերլուծությանը: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1. Գեներացնել տարբեր բնութագրերով ժամանակային շարքեր, օգտագործելով ժամանակակից համակարգչային ծրագրեր 2.Ներկայացնել տվյալների գիտությունում և մեքենայական ուսուցման ոլորտներում հանդիպող ժամանակային շարքերի վերլուծության մեթոդները և իրականացնել քանակական վերլուծություններ: 3.Կիրառել ARIMA մոդելները ժամանակային շարքերի վերլուծության համար և օգտագործել այդ մեթոդները պրակտիկ աշխատանքում: 4.Բացատրել VAR մեթոդների կիրառության սկզբունքները բազմաչափ ժամանակային շարքերի վերլուծության համար: 5.Բացատրել ոչ ստացիոնար շարքերի հետ աշխատելու սկզբունքները և կիրառել դրանց գնահատման մեթոդեները: բ. գործնական մասնագիտական կարողություններ 6.կառուցել ֆինանսական ժամանակային շարքերի մոդելներ 7.օգտագործել հավանականային, օպտիմիզացիոն, վիճակագրական, տնտեսաչափական, թվային և այլ մաթեմատիկական մեթոդներ առաջացող մոդելները հետազոտելու համար 8.օգտագործել մասնագիտական ծրագրային ապահովում (R, E-views փաթեթներ) ստացվող խնդիրները լուծելու համար գ. ընդհանրական/փոխանցելի կարողություններ 9. օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից, 10.վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար 3. Description Դասընթացի նպատակն է՝ ·Զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում ժամանակային շարքերի էկոնոմետրիկայի տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: ·Ուսանողներին ունակ դարձնել հաշվարկելու և կանխատեսելու տվյալների գիտության և մեքենայական ուսուցման մեջ կիրառվող ժամանակային շարքերի մոդելները օգտագործելով ժամանակակից վիճակագրական և էկոնոմետրիկ մեթոդներ: ·Ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությամբ ժամանակային շարքերի էկոնոմետրիկ վերլուծությանը: 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography J. D. Hamilton, Time Series Analysis, Prinston, 1994 R.S. Tsay, Analysis of Financial Time Series, 2010 Магнус, Катышев, Пересецкий, Экнометрика, Начальный курс, 2004 7. Main sections of the course Թեմա 1՝Ժամանակային շարքերի վիզուալիզացիա Թեմա 2՝ Ժամանակային շարքերի գեներացում Թեմա 3՝ AR պրոցեսի հատկությունները: Թեմա 4՝ ARMA (p,q) ավտոռեգրեսսիոն-սողացող միջինի մոդելներ: Ավտոկորրելյացիոն և մասնավոր ավտոկորրելյացիոն ֆունկցիաներ: Թեմա 5՝ ARMA (p,q) պրոցեսների գործակիցների գնահատում: Ինֆորմացիոն չափանիշներ: Թեմա 6՝ Կանխատեսումը Բոքս-Ջենկինսի մոդելում: Թեմա 7՝ Ոչ ստացիոնար ժամանակային շարքեր: Թեմա 8՝ Միավոր արմատներ և կառուցվածքային տեղաշարժեր: Թեմա 9՝ Բաշխված լագերով ավտոռեգրեսսիոն մոդելներ: Էկզոգենության գաղափարը: Թեմա 10՝ Վեկտորային ավտոռեգրեսսիա: Ժամանակային շարքերի կոինտեգրում: Կոինտեգրացիոն ռեգրեսսիա:

Chair code	Name of the elective course	Credits
1002	Բնական լեզվի մշակում (NLP)	3
3 90 15/15/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ ·ծանոթացնել ուսանողներին բնական լեզվի մշակման մեթսդների հիմնական տարրերի հետ, սովորեցնել տարբերել դրանց տարատեսակները, ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով NLP և տեքստերի բովանդակությունը գնահատելու մոտեցումները, ուսանողներին ունակ դարձնել ինքնուրույն կիրառել բնական լեզվի մշակման մեթոդները խնդիրներ լուծելու համար: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.հասկանալ նեյրոնային ցանցերի կիրառման առանձնահատկությունները բնական լեզվի մշակման ոլորտում, 2.բացատրել տեքսատային վերլուծությունների խնդրի լուծման համար ընտրված նեյրոնային ցանցի կառուցվածքը և աշխատանքի սկզբունքները բ. գործնական մասնագիտական կարողություններ 3,կատարել իր կողմից կառուցած բնական լեզվի մշակման համար նախատեսված նեյրոնային ցանցերի օպտիմիզացիա 4.կիրառել բնական լեզվի մշակման մոտեցումները տարբեր պրոյեկտներում, հասկանալ դրանց կիրառման բիզնես հետևանքները գ. ընդհանրական/փոխանցելի կարողություններ 5.վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները 6.օգտվել տեղեկատվության տարատեսակ աղբյուրներից 7.բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ 3. Description Դասընթացի նպատակն է՝ ·ծանոթացնել ուսանողներին բնական լեզվի մշակման մեթսդների հիմնական տարրերի հետ, սովորեցնել տարբերել դրանց տարատեսակները, ·զարգացնել ուսանողների մասնագիտական կարողությունները՝ ներկայացնելով NLP և տեքստերի բովանդակությունը գնահատելու մոտեցումները, ուսանողներին ունակ դարձնել ինքնուրույն կիրառել բնական լեզվի մշակման մեթոդները խնդիրներ լուծելու համար: 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography M. Rajman editor, "Speech and Language Engineering", EPFL Press, 2006. Daniel Jurafsky and James H, Martin, "Speech and Language Processing", Prentice Hall, 2008 (2nd edition) Christopher D. Manning and Hinrich Schütze, "Foundations of Statistical Natural Language Processing", MIT Press, 2000 Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008 7. Main sections of the course Թեմա 1. Տեքստային տվյալների վերլուծություն: Թեմա 2. Բնական լեզվի պրոցեսինգ (Natural language processing): Թեմա 3. Բնական լեզվի մշակման համար օգտագործվող նեյրոնային ցանցերի տարատեսակներ Թեմա 4. Բնական լեզվի մշակման մեթոդների կիրառությունը լեզվաբանական խնդիրներում Թեմա 5. Տեքստային տվյալների մշակման մոդելներ Թեմա 5. Sentiment analysis
1002	Թվային հաշվարկները բիզնեսում (MatLab-ով)	3
3 90 15/15/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ · ուսանողներին ծանոթացնել MatLab մաթեմատիկական փաթեթի հնարավորություններին, նրանց սովորեցնել կիրառել MatLab փաթեթի գործիքները ֆինանսա-տնտեսական և կառավարչական տարբեր խնդիրների մոդելավորման, վերլուծության, որոշումների կայացման և կանխատեսման գործընթացներում: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.ներկայացնել MatLab փաթեթի հնարավորությունները 2.ներկայացնել գիտական գրաֆիկայի MatLab փաթեթի միջոցները 3.1. նկարագրել MatLab միջավայրում ֆինանսական մաթեմատիկայի հնարավորությունները: 2. բ. գործնական մասնագիտական կարողություններ 4.կատարել վերլուծություններ MatLab փաթեթի գործիքամիջոցներով 5.կառուցել տնտեսամաթեմատիկական մոդելներ MatLab միջավայրում 6.կիրառել MatLab միջավայրում ֆինանսական վերլուծությունների գործիքակազմը 7.կիրառել սիմվոլիկ փոփոխականները գ. ընդհանրական/փոխանցելի կարողություններ 8.MatLab փաթեթի կիրառմամբ կատարել գիտական հետազոտություններ: 3. Description Դասընթացի նպատակն է՝ · ուսանողներին ծանոթացնել MatLab մաթեմատիկական փաթեթի հնարավորություններին, նրանց սովորեցնել կիրառել MatLab փաթեթի գործիքները ֆինանսա-տնտեսական և կառավարչական տարբեր խնդիրների մոդելավորման, վերլուծության, որոշումների կայացման և կանխատեսման գործընթացներում: 4. Teaching and Learning Styles and Methods 1. դասախոսություններ, 2.անհատական աշխատանք։ 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Ануфриев И.Е., Смирнов А.Б., Смирнова Е.Н. MatLab 7.0 СПБ: BHV, 2005, 1104 стр. Золотых Н.Ю. Использование пакета MatLab в научной и учебной работе. Образовательно-научный центр ННГУ, Нижний Новгород, 2006, 165 стр. 7. Main sections of the course Թեմա 1` MatLab փաթեթի աշխատանքային միջավայրը: Թեմա 2` Գիտական գրաֆիկան MatLab միջավայրում: Թեմա 3` Ֆինանսական վերլուծության մեջ կիրառվող մաթեմատիկական ապարատը MatLab միջավայրում: Թեմա 4` Հաշվարկներ սիմվոլային փոփոխականների հետ: Թեմա 5՝ Ֆինանսական վերլուծությունները MatLab միջավայրում:
1002	Լայնամասշտաբ վերլուծություններ (Large-scale analytics)	3
3 90 15/15/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ · զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով գիտելիքներ մեծ տվյալների վրա լայնամասշտաբ վերլուծությունների հնարավոր կիրառությունների վերաբերյալ, ·սովորեցնել կիրառել լայնամասշտաբ վերլուծության առկա ալգորիթմները համապատասխան խնդիրների լուծման համար, ինչպես նաև մշակել իրենց սեփական ալգորիթմները 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.քննարկել և կիրառել տվյալների լայնամասշտաբ վերլուծության և մեքենայական ուսուցման հիմնական գաղափարները և գործիքակազմը՝ օգտագործելով ժամանակակից տեխնոլոգիաները և հարթակները, 2.բացատրել, թե մեծ տվյալները՝ հիմնականում համացանցից վերցված, ինչպես կարող են օգտագործվել խորհրդատու համակարգեր ստեղծելու և անհատականացված ծառայություններ մատուցելու համար բ. գործնական մասնագիտական կարողություններ 3.արագ հարմարվել տվյալների վերլուծության անծանոթ ծրագրային փաթեթներին և կարողանալ օգտագործել դրանք իր առջև դրված խնդիրների լուծման համար 4.պրոցեսների ավտոմատացման խնդիրների լուծման համար կիրառել լայնամասշտաբ վերլուծությունների տարբեր մեթոդներ գ. ընդհանրական/փոխանցելի կարողություններ 5.վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները 6.օգտվել տեղեկատվության տարատեսակ աղբյուրներից 7.բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ 8,ցուցադրել խմբային աշխատանքներում մասնակցելու հմտություններ՝ ինժեներական, գիտական և բիզնես միջավայրերում: 3. Description Դասընթացի նպատակն է՝ · զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով գիտելիքներ մեծ տվյալների վրա լայնամասշտաբ վերլուծությունների հնարավոր կիրառությունների վերաբերյալ, ·սովորեցնել կիրառել լայնամասշտաբ վերլուծության առկա ալգորիթմները համապատասխան խնդիրների լուծման համար, ինչպես նաև մշակել իրենց սեփական ալգորիթմները 4. Teaching and Learning Styles and Methods 1.դասախոսություն, 2.պրակտիկ աշխատանքներ՝ օգտագործելով համակարգչային ծրագրերը, 3.ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Recommender Systems: The textbook, by Charu Aggarwal Springer, 2016, ISBN 978-3-319-29659-3. Sentiment Analysis and Opinion Mining, by Bing Liu, Morgan & Claypool publishers, May 2012. Social Media Mining, An Introduction, by Reza Zafarani, Mohammad Ali Abasi, Huan Liu Cambridge University Press, 2014. Networks, Crowds, and Markets, by D. Easley and J. Kleinberg Cambridge University Press, 2010. Mining of Massive Datasets, by Jure Leskovec, Anand Rajaraman and Jeffrey Ullman, 2nd edition, Cambridge University Press, December 2014. Opinion Mining and Sentiment Analysis, by Bo Pang and Lillian Lee, in Foundations and Trends in Information Retrieval, Vol.2, No. 1-2 (2008). Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, by Bing Liu Springer (2011), ISBN: 3540378812. Recommender Systems Handbook, Francesco Ricci, Lior Rokach, Bracha Shapira, and Paul B. Kantor, editors, Springer US, 2011, ISBN: 978-0-387-85819-7. Data Mining: Concepts and Techniques, by Jiawei Han, Micheline Kamber and Jian Pei Morgan Kaufmann, Elsevier Inc. (2011), ISBN: 9780123814791. 7. Main sections of the course Թեմա 1` Մեքենայական ուսուցում մեթոդների կիրառությունը մեծ տվյալների համար: Թեմա 2` Ներածություն՝ մեծ տվյալների գործիքակազմի կիրառությունը մեքենայական ուսուցման համար (Mahout, Spark): Թեմա 3` Ամպային համակարգեր՝ Hadoop, MapReduce: Թեմա 4` Տվյալների նախնական մշակում: Թեմա 5` Խորհրդատու համակարգեր (Recommendation systems): Թեմա 6` Համացանցի տվյալների ուսումնասիրություն (Web data mining): Թեմա 7 ` Convolutional նեյրոնային ցանցեր:
1002	Համակարգչային տեսողություն (Computer vision)	3
3 90 15/15/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ ·ծանոթացնել ուսանողներին համակարգչային տեսողության միջոցներով պատկերների ճանաչման մոտեցումներին, ·զարգացնել ուսանողների մասնագիտական ունակությունները արհեստական բանականության տարաբնույթ խնդիրներում պատկերների ճանաչման մեթոդների կիրառությունների վերաբերյալ, ուսանողներին ունակ դարձնել ինքնուրույն ձևակերխել և լուծել համակարգչային տեսողության ոլորտին վերաբերվող խնդիրները։ 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.հասկանալ 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.օգտվել տեղեկատվության տարատեսակ աղբյուրներից, 7.բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ 3. Description Դասընթացի նպատակն է՝ ·ծանոթացնել ուսանողներին համակարգչային տեսողության միջոցներով պատկերների ճանաչման մոտեցումներին, ·զարգացնել ուսանողների մասնագիտական ունակությունները արհեստական բանականության տարաբնույթ խնդիրներում պատկերների ճանաչման մեթոդների կիրառությունների վերաբերյալ, ուսանողներին ունակ դարձնել ինքնուրույն ձևակերխել և լուծել համակարգչային տեսողության ոլորտին վերաբերվող խնդիրները։ 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով։ 6. Basic Bibliography 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). Multiple View Geometry in Computer Vision (Second Edition) by Richard Hartley and Andrew Zisserman. Available for free online through the UM Library , Algorithms for Graphics and Image Processing, Theo Pavlidis, Computer Science Press, call no.: T385.P381982 Handbook of Pattern Recognition and Image Processing, K.S. Fu and T.Y. Young, Academic Press 7. Main sections of the course Թեմա 1. Համակարգչային տեսողության համակարգերը: Թեմա 2. Պատկերների վերլուծություն և պրոցեսինգ (Natural language processing): Թեմա 3. Համակարգչային տեսողության խնդիրներում օգտագործվող նեյրոնային ցանցերի տարատեսակներ Թեմա 4. Երկակի պատկերների վերլուծություն (Binary image analysis) Թեմա 5. Պատկերների դասակարգում Թեմա 5. Պատկերների սեգմենտացիա
1002	Տեխնոլոգիական ձեռներեցություն	3
3 90 15/15/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ ·տեխոլոգիական ձեռներեցության, նորարության և կառավարման սկզբունքների վերաբերյալ խորացված ուսուցման միջոցով զարգացնել ուսանողների մասնագիտական կարողությունները, ·ուսանողներին ունակ դարձնել ստեղծելու սեփական տեխնոլոգիական ձեռնարկությունը, կառավարել տեխնոլոգիական նորաստեղծ ձեռնարկություններ, ներկայացնել տեխնոլոգիական ոլորտում նորարարական գործընթացների ներդրման վերաբերյալ աշխարհում կիրառվող ժամանակակից մեխանիզմները և մոդելները։ 2. Educational Outcomes 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 3.ներկայացնել շուկայի վերլուծության և կանխատեսման նպատակով օգտագործվող հիմնական կիրառական մեթոդները 4.բացատրել ներկայիս ոլորտի տրենդերի ազդեցությունը ձեռնարկության զարգացման ճանապարհների վրա, բ. գործնական մասնագիտական կարողություններ 5.կազմել նորաստեղծ կամ գործող տեխնոլոգիական կազմակերպության բիզնես նախագիծ 6.իրականացնել ձեռնարկությունների ֆինանսական գործունեության կանխատեսումներ 7.իրականացնել գործնական աշխատանքներ տեխնոլոգիական, ֆինանսական և ներդրումային ոլորտներում, գ. ընդհանրական/փոխանցելի կարողություններ 8.վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները 9.օգտվել տեղեկատվության տարատեսակ աղբյուրներից, 10.բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ 3. Description Դասընթացի նպատակն է՝ ·տեխոլոգիական ձեռներեցության, նորարության և կառավարման սկզբունքների վերաբերյալ խորացված ուսուցման միջոցով զարգացնել ուսանողների մասնագիտական կարողությունները, ·ուսանողներին ունակ դարձնել ստեղծելու սեփական տեխնոլոգիական ձեռնարկությունը, կառավարել տեխնոլոգիական նորաստեղծ ձեռնարկություններ, ներկայացնել տեխնոլոգիական ոլորտում նորարարական գործընթացների ներդրման վերաբերյալ աշխարհում կիրառվող ժամանակակից մեխանիզմները և մոդելները։ 4. Teaching and Learning Styles and Methods 1.դասախոսություններ, 2.գործնական պարապմունքներ, 3.խմբային նախագծի կատարում, 4.անհատական աշխատանք։ 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography “Blockchain Revolution: How the Technology Behind Bitcoin Is Changing Money, Business, and the World” - by Don and Alex Tapscott “The Business Blockchain: Promise, Practice, and Application of the Next Internet Technology” - by William Mougayar “The Future of Finance: The Impact of FinTech, AI, and Crypto on Financial Services” - bu Henri Arslanian, Fabrice Fischer Bitcoin White Paper Բ. Լրացուցիչ գրականություն “Blockchain: Blueprint for a New Economy” - by Melanie Swan “Mastering Bitcoin: Unlocking Digital Cryptocurrencies” - by Andreas M. Antonopoulos “Mastering Ethereum: Building Smart Contracts and DApps” - by Andreas M. Antonopoulos “The Age of Cryptocurrency: How Bitcoin and Digital Money Are Challenging the Global Economic Order” - by Paul Vigna and Michael J. Casey “The Book Of Satoshi: The Collected Writings of Bitcoin Creator Satoshi Nakamoto” - by Phil Champagne 7. Main sections of the course Թեմա 1` Ներածություն. Փողի պատմություն և բլոկչեյն տեխնոլոգիայի ստեղծման նախապայմանը Թեմա 2` Բլոկչեյն տեխնոլոգիայի հիմունքները Թեմա 3` Կոնսենուսի ալգորիթմներ Թեմա 4` Կրիպտոգրաֆիա Թեմա 5` Մայնինգ Թեմա 6՝ Կրիպտոարժույթներ և տոկենոմիկա Թեմա 7՝ Բլոկչեյն 4.0. բլոկչեյնի ապագան Թեմա 8՝ Բլոկչեյնի ազդեցությունը ոլորտների վրա
1002	SAS ծրագրավորում	3
2 90 15/15/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է ուսանողներին ՝ ·սովորեցնել «ՍԱՍ» ծրագրավորման լեզվի հիմունքները, ·SAS ծրագրավորման լեզվի միջոցով ստեղծել և փաստաթղթավորել համապատասխան հաշվետվական աղյուսակներ ու ցուցակներ, ·սովորեցնել կլինիկական հետազոտություններում «ՍԱՍ» ծրագրավորման լեզվի օգտագործուման հիմունքները 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.բացատրել «ՍԱՍ» լեզվի հիմունքները, ներառյալ հիմնական սինտաքսը, փոփոխականներն ու տիպերը 2.բացատրել «ՍԱՍ» լեզվի հիմնական ֆունկցիաները և պրոցեդուրաների ներածման առանձնահատկությունները 3.Կատարել մեկնաբանություններ կլինիկական փորձարկումների տվյալների բազայի տեսքի և ստուգման արդյունքների վերաբերյալ՝ ապահովելու համար տեղեկատվության անհրաժեշտ որակ. բ. գործնական մասնագիտական կարողություններ 4.գրել SAS լեզվով ծրագրեր ,ստեղծել վերլուծական տվյալներ, իրականացնել վերլուծություններ և TFL-ներ. 5.իրականացնել ստեղծված տվյալների բազաների վերանայում, տվյալների ներմուծում և ստացված արդյունքների թեսթավորում 6.կազմել գրաֆիկներ, աղյուսակներ և ցուցակներ՝ կլինիկական ուսումնական հաշվետվություններում ներառելու համար գ. ընդհանրական/փոխանցելի կարողություններ 7.իրականացնել որակի վերահսկողության ստուգումներ՝ երաշխավորելու համար կատարված աշխատանքների որակի համապատասխանությունը : 8.կազմել տվյալների աղյուսակներ և TFL-ը փոխակերպել eSubmission-ի համար պահանջվող ֆորմատների 3. Description Դասընթացի նպատակն է ուսանողներին ՝ ·սովորեցնել «ՍԱՍ» ծրագրավորման լեզվի հիմունքները, ·SAS ծրագրավորման լեզվի միջոցով ստեղծել և փաստաթղթավորել համապատասխան հաշվետվական աղյուսակներ ու ցուցակներ, ·սովորեցնել կլինիկական հետազոտություններում «ՍԱՍ» ծրագրավորման լեզվի օգտագործուման հիմունքները 4. Teaching and Learning Styles and Methods 1.դասախոսություններ, 2.գործնական պարապմունքներ, 3.խմբային նախագծի կատարում, 4.անհատական աշխատանք։ 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Learning SAS by Example A Programmers Guide 7. Main sections of the course Թեմա 1` «ՍԱՍ» ծրագրավորման լեզվի հիմունքները: Թեմա 2` «ՍԱՍ» միջավայր, տվյալների բազաներ,դրանց տեսակները: Թեմա 3` «ՍԱՍ» ծրագրավորման լեզվում օգտագործվող ֆորմատներ ,ինչպես նաև համապատասիւան լեյբլավորում: Թեմա 4` Date/Time փոփոիւականներ, դրանց կիրառությունը միջազգային ստանդարտներին համապատասիւան կերպով: Թեմա 5 ` Ֆունկցիաներ և պրոցեդուրաներ: Թեմա 6` Տվյալների բազաների թեստավորում: Թեմա 7 ` Տվյալների բազաների միավորման տեսակներ: Թեմա 8` Հանգույցների ստեղծում բազաների մոդիֆիկացման համար: Թեմա 9` Տվյալների բազաների տրանսպոնացման տեսակներ և անհրաժեշտ պրոցեդուռաներ: Թեմա 10` Ստատիստիկական հաշվարկների և տվյալների բազաների վերլուծություն կատարող պրոցեդուռաներ: Թեմա 11` Մակրո փոփոիւականներ , Debugging: Թեմա 12` Կլինիկական հետազոտության համար անհրաժեշտ ստանդարտների հիմունքներ:
1002	Ամպային համակարգերի կառավարում և տեղեկատվական անվտանգություն	3
2 90 30/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է ներկայացնել՝ ·ամպային համակարգերի մասին հիմնարար բաշխված հաշվողական «հասկացությունները», ինչպես նաև առավել լայնորեն օգտագործվող ամպային համակարգերի գործունեության սկզբունքները, ·ամպային և լոկալ միջավայրում տեղեկատվական անվտանգության հիմնարար գաղափարները և դրանց կիրառման արդյունավետ մեթոդները: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.ներկայացնել ամպային միջավայրում հավելված ստեղծելու գործընթացի հիմնական տարրերը 2.բացատրել UNIX ֆայլերի և համակարգերի կիրառության էֆեկտիվությունը 3.նկարագրել տեղեկատվական անվտանգության հիմնական մեթոդները 4.տիրապետել IBM Bluemix ամպային համակարգի հնարավորություններին բ. գործնական մասնագիտական կարողություններ 5.ստեղծել նոր հավելվածներ ամպային միջավայրում 6.օգտագործել մասնագիտացված մեթոդներ հաքերներից պաշտպանվելու համար 7.իրականացնել գործնական աշխատանքներ IBM Bluemix միջավայրում գ. ընդհանրական/փոխանցելի կարողություններ 8.վերլուծել առկա խնդիրները և գնահատել դրանց լուծման համար անհրաժեշտ ռեսուրսները 9.օգտվել տեղեկատվության տարատեսակ աղբյուրներից, 10.բանավոր և գրավոր հաղորդակցվել մասնագիտական հանրության հետ: 3. Description Դասընթացի նպատակն է ներկայացնել՝ ·ամպային համակարգերի մասին հիմնարար բաշխված հաշվողական «հասկացությունները», ինչպես նաև առավել լայնորեն օգտագործվող ամպային համակարգերի գործունեության սկզբունքները, ·ամպային և լոկալ միջավայրում տեղեկատվական անվտանգության հիմնարար գաղափարները և դրանց կիրառման արդյունավետ մեթոդները: 4. Teaching and Learning Styles and Methods 1.դասախոսություն, 2.պրակտիկ աշխատանքներ՝ օգտագործելով համակարգչային ծրագրերը, 3.ինքնուրույն աշխատանք՝ ամպային միջավայրում հավելվածի ստեղծում: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography 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. Main sections of the course Թեմա 1` Ամպային ծրագրավորման հիմնային կոմպոնենտները։ Թեմա 2` Հիմնադրամներ. կոնտեյներներ, վիրտուալ մեքենաներ, JVM (Java վիրտուալ մեքենա)։ Թեմա 3` MAAS, PAAS, Web ծառայություններ։ Թեմա 4` Պահեստ. Ceph, SWIFT, HDFS, NAAS, SAN, Zookeeper համակարգեր։ Թեմա 5` Ծրագրավորում ամպային միջայրում՝ օգտվելով www.istc-ysu.onthehub.com և IBM Bluemix ամպային ծրագրավորման հարթակից։ Թեմա 6` Ցանցային անվտանգության հիմունքներ։ Թեմա 7` UNIX ֆայլեր և համակարգեր։ Թեմա 8` IP, DHCP, DNS և անլար ցանցերի կառավարում։ Թեմա 9` Կրիպտոգրաֆիա և ինչպես պաշտպանվել։
1002	Բայեսյան վիճակագրություն	3
2 90 15/15/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ ·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: Ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությամբ բայեսյան վիճակագրության վերլուծություն իրականացնելուն: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.Կիրառել բայեսյան գնահատումներ տարատեսակ տվյալների համար 2.Կիրառել conjugate բաշխումների ընտանիքների միջոցով գնահատումներ 3.Կիրառել Մոնտե Կառլոի մարկովյան շղթաները բայեսյան գնահատականներ ստանալու համար բ. գործնական մասնագիտական կարողություններ 4.կառուցել բայեսյան ռեգրեսիոն մոդելներ 5.օգտագործել հավանականային, օպտիմիզացիոն, թվային և այլ մաթեմատիկական մեթոդներ առաջացող մոդելները հետազոտելու համար 6.օգտագործել մասնագիտական ծրագրային ապահովում բայեսյան վիճակագրության խնդիրները լուծելու համար գ. ընդհանրական/փոխանցելի կարողություններ 7. օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից, 8.վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար 3. Description Դասընթացի նպատակն է՝ ·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: Ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությամբ բայեսյան վիճակագրության վերլուծություն իրականացնելուն: 4. Teaching and Learning Styles and Methods 1. Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography 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. Hoff (2010). A first course in Bayesian statistical methods William Bolstad, James Curran, Introduction to Bayesian Statistics, 3rd Ed., Wiley, 2017 Jean-Michel Marin, Christian P. Robert, Bayesian Essentials with R, 2nd Ed, Springer, 2014 7. Main sections of the course Թեմա 1՝ Բայեսյան վիճակագրության հիմունքները, Բայեսի բանաձև Թեմա 2`Նախանական և ճմարտանմանության ֆունկցիա Թեմա 2` Բայեսյան գնահատականներ։ Conjugate բաշխման ֆունկցիաների ընտանիքներ։ Թեմա 3` Բայեսյան վակածների ստուգում և վստահության միջակայքե (credibility intervals). Թեմա 4` Մոնտե Կառլոի մարկովյան շխթաներով բայեսյան գնահատականներ Թեմա 5` Բայեսյան ռեգռեսիա Թեմա 6` Գիբսի ընտրանք (Gibbs Sampling) Թեմա 7` Հիերարխիկ մոդելներ:
1002	Բլոկչեյն տեխնոլոգիաների հիմունքները	3
2 90 30/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է ` ●տալ խորը գիտելիք բլոկչեյն տեխնոլոգիայի վերաբերյալ, ●բացահայտել զարգացող շուկայի հնարավորությունները, ●ձևավորել նոր մտածելակերպ նորագույն տեխնոլոգիաների նկատմամբ 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.նկարագրել բլոկչեյն տեխնոլոգիայի առանձնահատկություններն ու կիրառման ուղղությունները, 2.բացահատայել բլոկչեյն տեխնոլոգիայի պոտենցիալը, հասկանալ ռիսկերը և սահմանափակումները, 3.հասկանալ բլոկչեյն տեխնոլոգիայի զարգացման ներկայիս և ապագա միտումները բ. գործնական մասնագիտական կարողություններ 4.նախագծել բազմաթիվ կողմերի մասնակցությամբ ավելի արագ, արդյունավետ և մատչելի աշխատող բիզնես-մոդելներ՝ կիրառելով բլոկչեյն տեխնոլոգիայի սկզբունքներով 5.օգտվել բլոկչեյնների բլոկ explorer-ներից և ստուգել տվյալների իսկությունը 6.ստեղծել և օգտագործել կրիպտո-դրամապանակներ գ. ընդհանրական/փոխանցելի կարողություններ 7.օգտագործել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և այլն) ստացված տեղեկատվություն 8.պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները 3. Description Դասընթացի նպատակն է ` ●տալ խորը գիտելիք բլոկչեյն տեխնոլոգիայի վերաբերյալ, ●բացահայտել զարգացող շուկայի հնարավորությունները, ●ձևավորել նոր մտածելակերպ նորագույն տեխնոլոգիաների նկատմամբ 4. Teaching and Learning Styles and Methods 1.դասախոսություններ, 2.գործնական պարապմունքներ, 3.խմբային նախագծի կատարում, 4.անհատական աշխատանք։ 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography “Blockchain Revolution: How the Technology Behind Bitcoin Is Changing Money, Business, and the World” - by Don and Alex Tapscott “The Business Blockchain: Promise, Practice, and Application of the Next Internet Technology” - by William Mougayar “The Fture of Finance: The Impact of FinTech, AI, and Crypto on Financial Services” - bu Henri Arslanian, Fabrice Fischer Bitcoin White Paper “Blockchain: Blueprint for a New Economy” - by Melanie Swan “Mastering Bitcoin: Unlocking Digital Cryptocurrencies” - by Andreas M. Antonopoulos “Mastering Ethereum: Building Smart Contracts and DApps” - by Andreas M. Antonopoulos “The Age of Cryptocurrency: How Bitcoin and Digital Money Are Challenging the Global Economic Order” - by Paul Vigna and Michael J. Casey “The Book Of Satoshi: The Collected Writings of Bitcoin Creator Satoshi Nakamoto” - by Phil Champagne 7. Main sections of the course Թեմա 1` Ներածություն. Փողի պատմություն և բլոկչեյն տեխնոլոգիայի ստեղծման նախապայմանը Թեմա 2` Բլոկչեյն տեխնոլոգիայի հիմունքները Թեմա 3` Կոնսենուսի ալգորիթմներ Թեմա 4` Կրիպտոգրաֆիա Թեմա 5` Մայնինգ Թեմա 6՝ Կրիպտոարժույթներ և տոկենոմիկա Թեմա 7՝ Բլոկչեյն 4.0. բլոկչեյնի ապագան Թեմա 8՝ Բլոկչեյնի ազդեցությունը ոլորտների վրա
1002	Սպառողների վարքագիծ	3
2 90 30/60 OPTIONAL 1002 1. Purpose of the Course . Դասընթացի նպատակն է՝ ·Սովորեցնել ուսանողներին սոցիալական հոգեբանության տարրերին, դրա ազդեցությանը սպառողների վարքագծի վրա և ընդհանրապես տնտեսական հարաբերությունների վրա: ·Սովորեցնել կիրառել մեծ տվյալների և տվյալագիտության մոտեցումները սպառողների վարքը կանխատեսելու համար: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.հասկանալ սոցիալական հեգեբանության տարերրը, դրան ազդեցությունը սպառղների վարքագծի վրա, 2.տիրապետել այն կարևոր հոգեբանական գործընթացներին, որոնք ձևավորում են սպառողների վարքագիծը, 3.կիրառել սպառողական վարքագիծը նկարագրող մոդելները և կանխատեսել վարքագծի հնարավոր դրսևորումներ, 4.կիրառել մեծ տվյալներ և տվյալագիտության մոտեցումները սպառողների վարքը կանխատեսելու և նկարագրելու համար, 5.հասկանալ հաճախորդների ուսումնասիրման չափորոշիչները՝ բավարարելու նրանց կարիքները, ցանկություններըբ. բ. գործնական մասնագիտական կարողություններ 6.կատարել սպառողների վարքի կանխատեսումներ, օգտագործել դրանց արդյունքները, 7.մշակել մարքեթինգային ռազմավարություն հաշվի առնելով հաճախորդների վարքագծի առանձնահատկությունները գ. ընդհանրական/փոխանցելի կարողություններ 8.օգտվել գիտական տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ), 9.պատրաստել զեկուցումներ, ներկայացնել հետազոտությունների արդյունքները, վարել գիտական բանավեճեր: 3. Description . Դասընթացի նպատակն է՝ ·Սովորեցնել ուսանողներին սոցիալական հոգեբանության տարրերին, դրա ազդեցությանը սպառողների վարքագծի վրա և ընդհանրապես տնտեսական հարաբերությունների վրա: ·Սովորեցնել կիրառել մեծ տվյալների և տվյալագիտության մոտեցումները սպառողների վարքը կանխատեսելու համար: 4. Teaching and Learning Styles and Methods 1.դասախոսություններ, 2.նախադեպերի վերլուծություն, 3.խմբային աշխատանք, 4.անհատական աշխատանք։ 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով: 6. Basic Bibliography Nudge: Improving Decisions about Health, Wealth, and Happiness. Richard Thaler and Cass Sunstein (2009) Predictably Irrational: The Hidden Forces That Shape Our Decisions. Dan Ariely (2010) 7. Main sections of the course Թեմա 1` Ներածություն սոցիալական հոգեբանություն և վարքագծային տնտեսագիտություն Թեմա 2` Փորձարարական տնտեսագիտություն Թեմա 3` Տվյալների բազայի կառավարման համակարգերի և կայքերի կապը Թեմա 4` Նպատակների սահմանում և ինքնավերահսկում Թեմա 5` Սահմանափակ ռացիոնալություն, վարքագծի փոփոխություն Թեմա 6` Դրդման տեսություն (nudge theory) Թեմա 7՝ Նախասիրություններ և ընտրություն: Նախասիրությունների բնույթը: Կոնտեքստային էֆֆեկտներ Թեմա 8՝ Սոցիալական վարքագիծ Թեմա 9` Սպառում հիմնված փորձի վրա Թեմա 10՝ Գովազդի ազդեցություն
1002	Մեքենայական ուսուցման մեթոդներ ֆինանսական ռիսկերի կառավարումում	3
4 90 15/15/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է՝ ·Զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում ֆինանսական ռիսկերի կառավարման տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: ·Ուսանողներին ունակ դարձնել կիրառել մեքենայական ուսուցման մեթոդները ֆինանսական ռիսկերի կառավարման գործընթացներում: Ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությամբ ֆինանսական ռիսկերի վերլուծություն իրականացնելուն: 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.Կիրառել մեքենայական ուսուցման տարատեսակ մոդելները ֆինանսական տվյալների համար 2.Կիրառել դասակարգման մեթոդները վարկային ռիսկերի գնահատման համար 3.Կիրառել սիմուլյացիոն մեթոդներ շուկայական ռիսկերը գնահատելու համար։ բ. գործնական մասնագիտական կարողություններ 4.կառուցել VaR մոդելներ օգտագործելով սիմուլյացիոն տարբեր մեթոդներ 5.օգտագործել հավանականային, օպտիմիզացիոն, թվային և այլ մաթեմատիկական մեթոդներ առաջացող ֆինանսական ռիսկերը գնահատելու և հետազոտելու համար 6.օգտագործել մասնագիտական ծրագրային ապահովում ֆինանսական ռիսկերի գնահատման խնդիրները մեքենայական ուսուցման մեթոդներով լուծելու համար գ. ընդհանրական/փոխանցելի կարողություններ 7.օգտվել մասնագիտական գրականությունից, տեղեկատվության այլ աղբյուրներից, 8.վերլուծել բնագավառի առկա խնդիրները և առաջարկել մոտեցումներ դրանց լուծման համար 3. Description Դասընթացի նպատակն է՝ ·Զարգացնել ուսանողների մասնագիտական կարողությունները՝ տրամադրելով խորացված ուսուցում ֆինանսական ռիսկերի կառավարման տարատեսակ մեթոդների և մոդելների կիրառման վերաբերյալ: ·Ուսանողներին ունակ դարձնել կիրառել մեքենայական ուսուցման մեթոդները ֆինանսական ռիսկերի կառավարման գործընթացներում: Ծանոթացնել ուսանողներին մասնագիտացված համակարգչային ծրագրերին և դրանց կիրառությամբ ֆինանսական ռիսկերի վերլուծություն իրականացնելուն: 4. Teaching and Learning Styles and Methods 1.Դասախոսություն 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով։ 6. Basic Bibliography William G. Foote Financial Engineering Analytics: A Practice Manual Using R, 2018 Bernhard Pfaff , Financial Risk Modelling and Portfolio Optimization with R, 2nd Edition, 2016 Abdullah Karasan, Machine Learning for Financial Risk Management with Python: Algorithms for Modeling Risk, 1st Edition, 2022 Yves Hilpisch , Artificial Intelligence in Finance: A Python-Based Guide, 1st Edition, 2020 Yves Hilpisch , Python for Algorithmic Trading: From Idea to Cloud Deployment, 2020 7. Main sections of the course Թեմա 1՝ Ֆինանսական շուկայի տվյալներ Թեմա 2` Արհեստական բանականության և մեքենայական ուոուցման կիրառությունների հեռանկարները ֆինանսկան ռիսկերի գնահատման խնդիրներում Թեմա 3` Պորտֆելի տեսություն Թեմա 4` VaR մոդելների կառուցումը մեքենայական ուսուցման մեթոդներով Թեմա 5` Մոնտե Կառլոի մեթոդները ռիսկերի գնահատման խնդիրներում Թեմա 6` Ալգորիթմիկ թրեյդինգ Թեմա 7` Մոդելների թեսթավորման սկզբունքներ Թեմա 8` Վարկային ռիսկերի մոդելները
1002	Ֆինանսատեխնիկական (FinTech) մեթոդներ	3
4 90 15/15/60 OPTIONAL 1002 1. Purpose of the Course Դասընթացի նպատակն է ·ուսանողների մոտ ձևավորել պատկերացում ֆինանսական շուկաներում տվյալագիտության կիրառությունների վերաբերյալ, ·ուսանողներին ծանոթացնել ֆինանսական շուկաների ժամանակակից զարգացումներին։ 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1.պատկերացում կազմել ֆինանսական ոլորտում առկա ժամանակակից տեխնոլոգիաների մասին բ. գործնական մասնագիտական կարողություններ 2.կիրառել արհեստական բանականությունը ֆինանսական շուկաներում 3.Կառուցել թրեյդինգային ալգորիթմներ՝ օգտվելով ժամանակակից ծրագրային փաթեթներից։ գ. ընդհանրական/փոխանցելի կարողություններ 4.օգտվել տեղեկատվության տարբեր աղբյուրներից (ինտերնետային ռեսուրսներ, էլեկտրոնային գրադարաններ, գիտական հոդվածներ և հաշվետվություններ), 5. պատրաստել ռեֆերատներ, կուրսային և ավարտական աշխատանքներ 3. Description Դասընթացի նպատակն է ·ուսանողների մոտ ձևավորել պատկերացում ֆինանսական շուկաներում տվյալագիտության կիրառությունների վերաբերյալ, ·ուսանողներին ծանոթացնել ֆինանսական շուկաների ժամանակակից զարգացումներին։ 4. Teaching and Learning Styles and Methods 1. դասախոսություն, գործնական և սեմինար պարապմունքներ, 2. հանձնարարված գրականության ընթերցում և տնային աշխատանքների կատարում: 5. Evaluation Methods and Criteria Ընթացիկ ստուգումներ Ընթացիկ ստուգումների քանակը, ժամանակացույցը, միավորների քայլը, անցկացման կարգը և այլ հնարավոր մանրամասներ հայտնում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Բոլոր ստուգումների ընդհանուր առավելագույն արժեքը 8 միավոր է։ Ինքնուրույն աշխատանք Ինքնուրույն աշխատանքի ժամանակացույցը, կատարման և գնահատման կարգը և այլ հնարավոր մանրամասներ հայտարարում է դասախոսը՝ մինչև կիսամյակի երկրորդ շաբաթվա ավարտը։ Ինքնուրույն աշխատանքի համար տրվում է առավելագույնը 4 միավոր։ Միավորների քայլը 1.0 է։ Եզրափակիչ քննություն բանավոր քննություն՝ 8 միավոր առավելագույն արժեքով: Միավորների քայլը 1 է: Վերջնական միավորը կլորացվում է հօգուտ ուսանողի։ Քննությունը անց է կացվում համակարգչով։ 6. Basic Bibliography Bitcoin and Cryptocurrency Technologies: A Comprehensive Introduction by Arvind Narayanan, Joseph Bonneau, Edward Felten, Andrew Miller, Steven Goldfeder, Princeton University Press, ISBN-13: 978-0691171692. Ethereum: Blockchains, Digital Assets, Smart Contracts, Decentralized Autonomous Organizations by Henning Diedrich, CreateSpace Independent Publishing Platform, ISBN-13: 978-1523930470. Blockchain Applications: A Hands-on Approach. by Arshdeep Bahga and Vijay Madisetti, Vpt, ISBN-13: 978-0996025560. 7. Main sections of the course 1.Ծանոթություն FinTech-ին։ 2. Բլոքչեին ։ 3. Բիթքոին և այլ կրիպտոարժույթներ ։ 4. Այլընտրանքային վարկավորում, քրաուդֆանդինգ։ 5. Մեքենայական ուսուցման կիրառությունները FinTech-ի շրջանակներում

Other educational modules

Chair code	Name of the course	Credits
1002	Գիտական սեմինար	12
1;2;3;4; 360 30/60 MANDATORY 1002 1. Purpose of the Course Գիտական սեմինարի նպատակն է՝ քննարկել արհեստական բանականության և տվյալների ոլորտի նորարարությունները, դրանց հիմքում ընկած մոդելները, կիրառվող ալգորիթմները և ծրագրային լուծումները։ 2. Educational Outcomes 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 բ. գործնական մասնագիտական կարողություններ 4.Թվարկել արհեստական բանականության և տվյալագիտության նորարարությունները։ գ. ընդհանրական/փոխանցելի կարողություններ 5.Ունենալ անմիջական շփումներ ոլորտի առաջատար մասնագետների հետ, իրականացնել հետազոտություններ գիտական և բիզնես հանրության համար։ 3. Description Գիտական սեմինարի նպատակն է՝ քննարկել արհեստական բանականության և տվյալների ոլորտի նորարարությունները, դրանց հիմքում ընկած մոդելները, կիրառվող ալգորիթմները և ծրագրային լուծումները։ 4. Teaching and Learning Styles and Methods 1. Դասախոսություն։ 2. Պրակտիկ աշխատանքներ, օգտագործելով համակարգչային ծրագրերը։ 3. Ինքնուրույն աշխատանք համակարգչային ծրագրերով և գրականության հետ: 5. Evaluation Methods and Criteria Դասընթացն ավարտվում է հարցատոմսերով կազմակերպվող ստուգարքով: Հարցատոմսը պարունակում է 4 հարց՝ յուրաքանչյուրը՝ 5 միավոր. Միավորների քայլը 0.5 է: Ստուգումից 20-միավորանոց համակարգում 8 և ավելի միավոր ստացած ուսանողները կհամարվեն ստուգարքը հանձնած: 6. Main sections of the course Տիտղոսաթերթ Ստորագրությունների էջ Համառոտագիր Բովանդակություն Ներածություն Հիմնական մաս Եզրակացություններ (և առաջարկություններ) Օգտագործված գրականության ցանկ Հավելվածներ
1002	Մասնագիտական պրակտիկա	6
3 180 30/60 MANDATORY 1002 1. Purpose of the Course Մասնագիտական պրակտիկայի նծատակն է ուսանողին սովորեցնել աշխատել իրական բիզնես միջավայրում։ Ծանոթանալ կոորպորատիվ մշակույթին։ 2. Educational Outcomes ա. մասնագիտական գիտելիք և իմացություն 1Ծրագրում ստացած գիտելիքները կիրառել իրական հետազոտություններում։ բ. գործնական մասնագիտական կարողություններ 2.Իրական խնդիրներ լուծելիս ճիշտ կազմակերպել հետազոտական աշծատանքի և ժամանակի բաշխումը։ գ. ընդհանրական/փոխանցելի կարողություններ 3.Բիզնես միջավայրում աշխատելու փորձառություն։ 3. Description Մասնագիտական պրակտիկայի նծատակն է ուսանողին սովորեցնել աշխատել իրական բիզնես միջավայրում։ Ծանոթանալ կոորպորատիվ մշակույթին։ 4. Teaching and Learning Styles and Methods 1.Այցելություն կազմակերպություն, որտեղ նախատեսված է մասնագիտական պրակտիկան, ըստ նախնական պայմանավորվածությունների։ 2. Մասնագիտական պլանի կազմակերպում։ 3. Օրագրի, բնութագրի լրացում։ 4 Ստուգարքի անցկացում, մասնագիտական պրակտիկայի ամփոփում։ 5. Evaluation Methods and Criteria Ստուգարք 6. Basic Bibliography Եթե կա դրա անհրաժեշտությունը, ապա այն ընտրում է կազմակերպության կողմից ընտրված պրակտիկայի ղեկավարը և մագիստաոսական թեզի ղեկավարը։ 7. Main sections of the course Ուսանողները անցնում են մասնագիտական պրակտիկան ԵՊՀ և ընդունող կազմակերպության կողմից նախապես մշակված և հաստատված ուսումնական պլանով։
1002	Մագիստրոսական թեզ	24
4 24 MANDATORY 1002 1. Purpose of the Course Թեզի նպատակն է՝ ուսանողին սովորեցնել իրականացնել հետազոտություններ, հավաքագրել և վերլուծել տվյալներ, ձևակերպել գիտական վարկածներ, կատարել ինքնուրույն աշխատանք։ Ստացված արդյունքների հիման վրա կատարել գիտական եզրակացություններ, ինչպես նաև դրանց հիման վրա առաջարկել բիզնես լուծումներ։ 2. Educational Outcomes բ. գործնական մասնագիտական կարողություններ 1.Սովորել իրականացնել հետազոտություն։ 2.Հավաքագրել իրական տվյալներ։ 3.Ձևակերպել կիրառական խնդիրներ։ գ. ընդհանրական/փոխանցելի կարողություններ 4.Պատրաստել պրեզենտացիա, ունակ լինել պաշտպանել իր կողմից ստացված գիտական արդյունքները 3. Description Թեզի նպատակն է՝ ուսանողին սովորեցնել իրականացնել հետազոտություններ, հավաքագրել և վերլուծել տվյալներ, ձևակերպել գիտական վարկածներ, կատարել ինքնուրույն աշխատանք։ Ստացված արդյունքների հիման վրա կատարել գիտական եզրակացություններ, ինչպես նաև դրանց հիման վրա առաջարկել բիզնես լուծումներ։ 4. Evaluation Methods and Criteria Թեզի պաշտշանություն, գնահատվում է 20բալանոց համակարգով։ 5. Main sections of the course Տիտղոսաթերթ Ստորագրությունների էջ Համառոտագիր Բովանդակություն Ներածություն Հիմնական մաս Եզրակացություններ (և առաջարկություններ) Օգտագործված գրականության ցանկ Հավելվածներ

Data Science in Business

Master's programme

Educational plan

General educational component

Professional educational component

Other educational modules