Sinigudnum logo
+381 11 3093 210, 3093 240
master@singidunum.ac.rs
Nauka o podacima (Data Science)

Specijalisti za analizu i obradu podataka (data scientist) predstavljaju najtraženije stručnjake u kompanijama kao što su Microsoft, Nordeus i Seven Bridges Genomics, zbog čega je ovo zanimanje proglašeno najperspektivnijim zanimanjem 21. veka, sa predviđenom prosečnom platom od $116,840. Nauka o podacima (data science) uvodi najtraženije i najmodernije programske jezike poput Python-a, R-a, MongoDB-a, Spark-a i Hadoop-a.

Studijski program Data Science je jedinstven program master studija u Srbiji koji se po inovativnosti može porediti sa najkvalitetnijim programima u Evropi i svetu. Na ovom programu kandidati uče da dizajniraju inteligentne mobilne i web aplikacije, koje su zasnovane na masivnim skupovima podataka (Big data). Predavači, koji po svojoj stručnosti i naučnim publikacijama ulaze u red najperspektivnijih mladih naučnika u regionu, sa velikim entuzijazmom vode kandidate do najviših akademskih ciljeva i usvajanja praktično primenljivog znanja koje je neophodno za najplaćenije poslove u zemlji i inostranstvu.

hatNakon uspešnog završetka studija, studenti stiču zvanje MASTER INŽENJER SOFTVERA.

hat Cena školarine za ovaj stud. program na srpskom jeziku iznosi 1800 € u dinarskoj protivvrednosti za 60 ESPB.

Prijavi se za upis

I semestar

Opšte kompetencije koje će studenti steći su analiza, sinteza i predviđanja rešenja i posledica, ovladavanja metodima, postupcima i procesima istraživanja kao i primene znanja u praksi. Na kraju kursa očekuje se da uspešan student savlada: a) prepoznavanje i razumevanje primenjenih tehnika i pristupa u nauci o podacima i veštačkoj inteligenciji b) formulisanje problema iz domena nauke o podacima i veštačke inteligencije i praktičnu implementaciju jednostavnih rešenja c) odabere i koristi odgovarajuće programske pakete i biblioteke za jednostavnu analitiku i vizualizaciju skupova podataka, kao i da primeni jednostavni algoritam veštačke inteligencije na takvom skupu.

Nakon slušanja ovog predmeta studenti će razumeti ograničenja metoda mašinskog učenja u izdvajaju relevantnih informacija iz podataka. Studenti će steći praktičan uvid u osnovne kompromise u učenju iz podataka i biti u stanju da prepoznaju opšte greške u procesu automatizovane analize podataka. Studenti će se upoznati sa konkretnim tehnikama za pripremu i transformaciju podataka i steći znanja o primeni ovih tehnika u praksi. Studenti će moći formulisati problem učenja u pogledu ulaza i izlaza, odabrati model ili algoritam učenja i pružiti uvid u efikasnost analize zasnovane na odabranom modelu učenju.

Nakon slušanja ovog predmeta student će biti sposobni da razumeju, evaluiraju i optimizuju rad postojećih algoritama, da izaberu optimalne algoritme i konfiguracije za analizu specifičnih setova podataka, kao i da razvijo svoje algoritme i meta-algoritme u ovom domenu. Vladaju tipičnim strukturama podataka, pretragom i sortiranjem, dinamičkim programiranjem, opzimizacionim tehnikama i grafovskim algoritmima, kao i njihovim praktičnim izvršavanjem u distribuiranom računarskom okruženju.

Cilj ovog predmeta je omogućiti studentima da steknu potrebna znanja iz oblasti algebre i linearne algebre kako bi bolje razumeli gradivo iz drugih matematičkih i stručnih predmeta. Pored toga, važno je i da studenti savladaju osnove relacijskih i operacijskih algebarskih struktura koje se koriste u programiranju i drugim stručnim oblastima. Takođe, studenti će biti upućeni na korišćenje drugih stručnih izvora i softvera koji im mogu pomoći u rešavanju problema iz ovih oblasti.

Nakon slušanja ovog predmeta student će biti sposobni da razumeju karakteristike velikih podataka i tipične probleme u izdvajaju relevantnih informacija iz podataka. Studenti će steći praktičan uvid u osnovne kompromise u učenju iz velikih podataka i biti u stanju da rešavaju tipične probleme obrade velikih podataka. Studenti će se upoznati sa konkretnim metodologijama i alataima za obradu velikih podataka.

Ovaj kurs ima za cilj da studente upozna sa naprednim konceptima i tehnikama u oblasti baza podataka, uključujući mehanizme transakcija, indeksiranje, optimizaciju upita i sigurnost podataka. Pored relacionih baza podataka, kurs pruža teorijsko i praktično znanje o principima, komponentama i operativnim modulima savremenih nerelacionih baza podataka i baza podataka u oblaku.

Cilj ovog predmeta je da se studentima pruži sveobuhvatno razumevanje ključnih koncepata, principa i tehnologija koje se koriste u računarstvu u oblaku. Predmet se fokusira na napredne tehnologije i alatke koje se koriste u računarstvu u oblaku, uključujući virtuelizaciju, kontejnerizaciju i orkestraciju, istražuje njihovu upotrebu u dizajniranju i implementaciji rešenja zasnovanih na oblaku. Predmet se fokusira na detalje razumevanje bezbednosnih rizika i zahteva usaglašenosti računarstva u oblaku i primenjuje najbolje prakse za obezbeđivanje okruženja u oblaku.

Razumevanje uloge i načina primene modela različitih nivoa apstrakcije u razvoju softvera. Ovladavanje odabranim tehnikama i alatima za modelovanje i specifikaciju softverskih komponenata i sistema.

II semestar

Razumevanje principa i tehnika validacije i verifikacije softvera i upoznavanje sa najznačajnijim problemima, trendovima i rezultatima u oblasti.

Jedan od glavnih ciljeva predmeta je osposobljavanje studenata da uspešno primenjuju metode dubokog učenja, pre svega veštačkih neuronskih mreža, na različite zadatke i da razumeju njihove primene i izazove u različitim oblastima. Još jedan značajan cilj predmeta je osposobljavanje studenata da razumeju matematičku pozadinu metoda dubokog učenja, pre svega učenja propagacijom greške unazad (eng. backpropagation) i optimizacione algortme, poput algoritma stohastičkog gradijentnog spusta (eng. stohastic gradient descent -SGD). Iako je fokus predmeta na klasičnim neuronskim mrežama, tzv. višeslojnim perceptronima (eng.multilayer perceptron), studentima će takođe biti spomenute novije arhitekture kao što su konvolucione i rekurentne neuronske mreže, autoenkoderi i transformeri i njihove primene.

Ovaj predmet obezbedjuje studentima duboko razumevanje osnova, tehnika i aplikacija u oblasti obrade prirodnog jezika. On obuhvata razvoj sposobnosti studenata za uspešno razmeštanje i implementaciju različitih metoda i algoritama u aplikacijama koje uključuju tekstualne podatke. Osnovni cilj je da studenti budu sposobni za analizu, modelovanje i rešavanje problema koristeći tehnike za obradu prirodnih jezika i tako doprinesu oblasti kreativnim i efikasnim rešenjima. Učenjem ovog predmeta, studenti takođe razvijaju svoje kritičko razmišljanje i komunikacione veštine, što ih priprema za uspešnu karijeru u ovoj oblasti.

Studenti će steći sveobuhvatno razumevanje principa i prakse upravljanja softverskom konfiguracijom (SCM), što im omogućava da efikasno upravljaju projektima razvoja softvera, poboljšaju saradnju i obezbede kvalitet i pouzdanost softvera.

Cilj predmeta je sticanje teorijskih i praktičnih znanja iz upravljanja celokupnim životnim ciklusom softverskog proizvoda sa ciljem da studenti ovladaju osnovnim principima, tehnikama i tehnologijama upravljanja softverskim proizvodom.

Cilj predmeta je omogućiti studentima da primene svoje znanje u rešavanju stvarnih problema i izazova iz oblasti nauke o podacima, kao što su analiza društvenih mreža, predviđanje trendova ili analiza velikih skupova podataka.

Kroz studijsko-istraživački rad se proverava samostalnost kandidata da izvede složeniju i celovitiju analizu nekog problema u oblasti data science.

Cilj stručne prakse je da studenti primene stečena znanja i veštine u rešavanju konkretnih problema u svakodnevnoj praksi.

U završnom master radu student bi trebalo da pokaže da je kompetentan da identifikuje problem, izvrši analizu i specificira model data science sistema srednjeg nivoa složenosti primenom metodoloških pristupa i tehnologija mašinskog učenja, da ga implementira primenom aktuelnih tehnologija i alata softverskog inženjerstva, da kritički oceni postignute rezultate i da predloži dalje pravce rada.

U završnom master radu student bi trebalo da pokaže da je kompetentan da identifikuje problem, izvrši analizu i specificira model data science sistema srednjeg nivoa složenosti primenom metodoloških pristupa i tehnologija mašinskog učenja, da ga implementira primenom aktuelnih tehnologija i alata softverskog inženjerstva, da kritički oceni postignute rezultate i da predloži dalje pravce rada.