0
widoki
„Analiza danych i uczenie maszynowe” - kurs 120 000 rubli. z MSU, szkolenie 48 tygodni. (12 miesięcy), Data: 16 lutego 2023 r.
Miscellanea / / November 27, 2023
Program dokwalifikowania zawodowego „Analiza danych i uczenie maszynowe” ma na celu przeszkolenie specjalistów w dziedzinie informatyki technologie umożliwiające tworzenie systemów oprogramowania wykorzystujących eksplorację danych i maszynę szkolenie.
Kształcenie wśród studentów kompetencji zawodowych w zakresie programowania stosowanego i baz danych dane wymagane do uzyskania kwalifikacji „specjalista w zakresie analizy danych i maszyn”. szkolenie"
W procesie uczenia się wykorzystywany jest język programowania Python, interaktywne środowisko programistyczne Jupiter, biblioteki oprogramowania scikit-learn do uczenia maszynowego i inne.
Uczenie maszynowe to szeroka dziedzina sztucznej inteligencji, która bada metody konstruowania algorytmów zdolnych do uczenia się. Uczenie maszynowe to główne nowoczesne podejście do analizy danych i budowania inteligentnych systemów informatycznych. Metody uczenia maszynowego leżą u podstaw wszystkich metod widzenia komputerowego i są aktywnie wykorzystywane w przetwarzaniu obrazu. Kurs zawiera wiele algorytmów mających zastosowanie w praktyce.
WYMAGANIA APLIKACYJNE
Kandydaci do programu przekwalifikowania muszą posiadać wykształcenie wyższe lub średnie specjalistyczne. Mile widziane doświadczenie w programowaniu w językach proceduralnych.
TRYB TRENINGOWY
Program przeznaczony jest na 1 rok studiów: od 16 lutego 2023 r. do 31 stycznia 2024 r.
Tom 684 godziny.
Przyjmowanie dokumentów od 20 grudnia do 28 lutego.
Zajęcia bez harmonogramu według indywidualnej ścieżki edukacyjnej.
Aby uzyskać dyplom Moskiewskiego Uniwersytetu Państwowego w zakresie przekwalifikowania zawodowego, należy ukończyć program nauczania i przygotować pracę końcową.
Praca końcowa stanowi samodzielne opracowanie systemu oprogramowania.
1. Aby zapisać się do programu, należy wypełnić następujące dokumenty (odręcznie lub elektronicznie) i przesłać je na adres [email protected]:
2. Na podstawie przesłanych dokumentów zostanie sporządzona Umowa Szkoleniowa.
3. Po podpisaniu umowy wysyłamy dokumenty do zapłaty: sierpień-wrzesień.
4. Po dokonaniu płatności rozpoczynasz szkolenie.
Profesor Katedry Bezpieczeństwa Informacji, kierownik. Laboratorium OIT
Stopień naukowy: Doktor nauk technicznych. nauki
Suchomlin Władimir Aleksandrowicz, profesor honorowy Moskiewskiego Uniwersytetu Państwowego, profesor, doktor nauk technicznych, kierownik Laboratorium Otwartych Technologii Informacyjnych (OIT).
Rozprawę kandydata obroniono z zakresu nauk fizycznych i matematycznych w Radzie Naukowej VMK w 1976 roku.
W 1989 r obronił pracę doktorską w specjalności 05.13.11 w Radzie Instytutu Informatyki i Technologii Akademii Nauk ZSRR, temat rozprawy związany jest z modelowaniem złożonych systemów radiotechnicznych.
W 1992 r otrzymał tytuł naukowy profesora.
Odznaczony pamiątkowym medalem „800 lat Moskwy”.
W latach 2000-2002 opracował koncepcję i standardy stanowe nowego kierunku naukowo-dydaktycznego „Technologie informacyjne”. Na podstawie tych ustaleń rosyjskiego Ministerstwa Edukacji w 2002 roku. stworzono kierunek 511900 „Technologie informacyjne” i przeprowadzono eksperyment mający na celu jego wdrożenie. W 2006 roku z inicjatywy autora kierunek ten został przemianowany na „Informatyka Podstawowa i Technologie Informacyjne” (FIIT). Obecnie kierunek ten jest realizowany w ponad 40 uczelniach w kraju.
Sukhomlin V.A. - twórca standardów państwowych dla studiów licencjackich i magisterskich II i III generacji dla kierunku „Informatyka podstawowa i informatyka”.
WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
Celem przedmiotu jest umożliwienie studentom szerokiego zapoznania się z problemami i metodami sztucznej inteligencji.
Wykład 1.1
Metody wnioskowania logicznego
Wykład 1.2
Znalezienie rozwiązań, planowanie, harmonogramowanie
Wykład 1.3
Nauczanie maszynowe
Wykład 1.4
Interakcja człowiek-maszyna
PROGRAMOWANIE W PYTHONIE
Celem studiowania tej dyscypliny jest opanowanie narzędzi i metod tworzenia oprogramowania z wykorzystaniem języka Python i jego bibliotek.
Wykład 2.1
Struktura aplikacji
Wykład 2.2
Przegląd najważniejszych modułów i pakietów standardowej biblioteki Pythona
Wykład 2.3
Obiekty i klasy w Pythonie
Wykład 2.4
Elementy programowania funkcyjnego w Pythonie
Wykład 2.5
Generatory. Iteratory
Wykład 2.6
Programowanie wielowątkowe
Wykład 2.7
Programowanie sieciowe
Wykład 2.8
Praca z bazą danych
MATEMATYKA DYSKRETNA11
Materiał kursu podzielony jest na pięć sekcji: Narzędzia matematyczne; Sekwencje; Wykresy; Funkcje logiczne; Teoria kodowania.
Wykład 3.1
Temat 1.1. Język logiki matematycznej
Wykład 3.2
Temat 1.2. Zestawy
Wykład 3.3
Temat 1.3. Relacje binarne
Wykład 3.4
Temat 1.4. Metoda indukcji matematycznej
Wykład 3.5
Temat 1.5. Kombinatoryka
Wykład 3.6
Temat 2.1. Relacje powtarzalności
Wykład 3.7
Temat 3.1. Rodzaje wykresów
Wykład 3.8
Temat 3.2. Wykresy ważone
Wykład 3.9
Temat 4.1. Reprezentacja funkcji boolowskich
Wykład 3.10
Temat 4.2. Klasy funkcji logicznych
Wykład 3.11
Temat 5.1. Teoria kodowania
TEORIA PRAWIDŁOWOŚCI I STATYSTYKA MATEMATYCZNA
Wykład 4.1
Temat 1.1. Pojęcie prawdopodobieństwa
Wykład 4.2
Temat 1.2. Twierdzenia elementarne
Wykład 4.3
Temat 1.3. Zmienne losowe
Wykład 4.4
Temat 2.1. Przetwarzanie danych statystycznych
Wykład 4.5
Temat 2.2. Zagadnienia statystyki matematycznej
METODY UCZENIA MASZYNOWEGO
Kurs analizuje główne zadania uczenia się przez precedensy: klasyfikację, grupowanie, regresję, redukcję wymiarowości. Badane są metody ich rozwiązywania, zarówno klasyczne, jak i nowe, powstałe na przestrzeni ostatnich 10–15 lat. Nacisk kładzie się na dokładne zrozumienie podstaw matematycznych, zależności, mocnych stron i ograniczeń omawianych metod. Twierdzenia podaje się najczęściej bez dowodu.
Wykład 6.1
Matematyczne podstawy uczenia maszynowego
Wykład 6.2
Podstawowe pojęcia i przykłady stosowanych problemów
Wykład 6.3
Klasyfikator liniowy i gradient stochastyczny
Wykład 6.4
Sieci neuronowe: metody optymalizacji gradientowej
Wykład 6.5
Klasyfikacja metryczna i metody regresji
Wykład 6.6
Maszyna wektorów nośnych
Wykład 6.7
Wieloczynnikowa regresja liniowa
Wykład 6.8
Regresja nieliniowa
Wykład 6.9
Kryteria wyboru modelu i metody wyboru cech
Wykład 6.10
Metody klasyfikacji logicznej
Wykład 6.11
Klastrowanie i uczenie częściowe
Wykład 6.12
Stosowane modele uczenia maszynowego
Wykład 6.13
Sieci neuronowe z uczeniem bez nadzoru
Wykład 6.14
Reprezentacje wektorowe tekstów i wykresów
Wykład 6.15
Szkolenie rankingowe
Wykład 6.16
Systemy rekomendujące
Wykład 6.17
Adaptacyjne metody prognozowania
SubskrybowaĆ
YOU MIGHT ALSO LIKE
