„Duomenų analizė ir mašininis mokymasis“ - kursas 120 000 rublių. iš MSU, treniruotės 48 sav. (12 mėnesių), data: 2023 m. vasario 16 d.
įvairenybės / / November 27, 2023
Profesinio perkvalifikavimo programa „Duomenų analizė ir mašininis mokymasis“ skirta kompiuterių srities specialistams rengti. technologijos, galinčios kurti programinės įrangos sistemas naudojant duomenų gavybą ir mašinas mokymas.
Studentų profesinių kompetencijų, susijusių su taikomuoju programavimu ir duomenų bazėmis, formavimas duomenis, reikalingus kvalifikacijai įgyti „duomenų analizės ir mašinų srities specialistas mokymas"
Mokymosi procese naudojama Python programavimo kalba, Jupiter interaktyvi kūrimo aplinka, scikit-learn programinės įrangos bibliotekos mašininiam mokymuisi ir kt.
Mašininis mokymasis yra plati dirbtinio intelekto sritis, kuri tiria metodus, leidžiančius kurti algoritmus, kurie gali mokytis. Mašininis mokymasis yra pagrindinis šiuolaikinis požiūris į duomenų analizę ir intelektualių informacinių sistemų kūrimą. Mašininio mokymosi metodai yra visų kompiuterinio matymo metodų pagrindas ir yra aktyviai naudojami vaizdo apdorojimui. Kurse yra daug praktiškai pritaikomų algoritmų.
PARAIŠKOS REIKALAVIMAI
Stojantieji į perkvalifikavimo programą turi turėti aukštąjį arba vidurinį specializuotą išsilavinimą. Pageidautina programavimo procedūrinėmis kalbomis patirtis.
MOKYMO REŽIMAS
Programa skirta 1 studijų metams: nuo 2023 m. vasario 16 d. iki 2024 m. sausio 31 d.
Apimtis 684 valandos.
Dokumentų priėmimas nuo gruodžio 20 iki vasario 28 d.
Užsiėmimai be nuorodos į tvarkaraštį pagal individualią ugdymo trajektoriją.
Norėdami gauti Maskvos valstybinio universiteto profesinio perkvalifikavimo diplomą, turite užpildyti mokymo programą ir parengti baigiamąjį darbą.
Baigiamasis darbas – savarankiškas programinės įrangos kūrimas.
1. Norėdami užsiregistruoti programoje, turite užpildyti šiuos dokumentus (ranka arba elektroniniu būdu) ir išsiųsti juos adresu [email protected]:
2. Pagal pateiktus dokumentus bus rengiama Mokymo sutartis.
3. Pasirašius sutartį siunčiami dokumentai apmokėjimui: rugpjūčio-rugsėjo mėn.
4. Po apmokėjimo pradedate mokymą.
Informacijos saugumo katedros profesorius, vyr. ICU laboratorija
Mokslo laipsnis: technikos mokslų daktaras. mokslai
Sukhomlinas Vladimiras Aleksandrovičius, Maskvos valstybinio universiteto nusipelnęs profesorius, profesorius, technikos mokslų daktaras, Atvirųjų informacinių technologijų (OIT) laboratorijos vadovas.
Kandidato disertacija apginta fizinių ir matematikos mokslų srityje VMK Akademinėje taryboje 1976 m.
1989 metais Taryboje prie TSRS mokslų akademijos Kompiuterių mokslo ir technologijos instituto apgynė specialybės daktaro disertaciją 05.13.11, disertacijos tema susijusi su kompleksinių radijo inžinerinių sistemų modeliavimu.
1992 metais suteiktas profesoriaus akademinis vardas.
Apdovanotas atminimo medaliu „Maskvai 800 metų“.
2000-2002 metais parengė naujos mokslo ir edukacijos krypties „Informacinės technologijos“ koncepciją ir valstybinius standartus. Remiantis šiais pokyčiais Rusijos švietimo ministerijos 2002 m. buvo sukurta kryptis 511900 „Informacinės technologijos“ ir jai įgyvendinti buvo atliktas eksperimentas. 2006 m. ši kryptis autorės iniciatyva pervadinta į „Fundamentalioji informatika ir informacinės technologijos“ (FIIT). Šiuo metu ši kryptis įgyvendinama daugiau nei 40-yje šalies universitetų.
Sukhomlinas V.A. - valstybinių II ir 3 kartos bakalauro ir magistro standartų „Fundamentaliųjų informatikos ir informacinių technologijų“ krypčiai rengėjas.
ĮVADAS Į DIRBTINĮ INTELEKTĄ
Kurso tikslas – suteikti studentams plačią dirbtinio intelekto problemų ir metodų apžvalgą.
Paskaita 1.1
Loginių išvadų metodai
Paskaita 1.2
Sprendimų paieška, planavimas, planavimas
Paskaita 1.3
Mašininis mokymasis
Paskaita 1.4
Žmogaus ir mašinos sąveika
PROGRAMAVIMAS PYTHON
Šios disciplinos studijų tikslas – įsisavinti programinės įrangos kūrimo įrankius ir metodus naudojant Python kalbą ir jos bibliotekas.
Paskaita 2.1
Taikymo struktūra
Paskaita 2.2
Svarbiausių Python standartinių bibliotekos modulių ir paketų apžvalga
Paskaita 2.3
Python objektai ir klasės
Paskaita 2.4
Funkcinio programavimo elementai Python
Paskaita 2.5
Generatoriai. Iteratoriai
Paskaita 2.6
Kelių gijų programavimas
Paskaita 2.7
Tinklo programavimas
Paskaita 2.8
Darbas su duomenų baze
DISKRETINĖ MATEMATIKA11
Kurso medžiaga suskirstyta į penkias dalis: Matematinės priemonės; Sekos; Grafikai; Būlio funkcijos; Kodavimo teorija.
Paskaita 3.1
1.1 tema. Matematinės logikos kalba
Paskaita 3.2
1.2 tema. Rinkiniai
Paskaita 3.3
1.3 tema. Dvejetainiai santykiai
Paskaita 3.4
1.4 tema. Matematinės indukcijos metodas
Paskaita 3.5
1.5 tema. Kombinatorika
Paskaita 3.6
2.1 tema. Pasikartojimo santykiai
Paskaita 3.7
3.1 tema. Grafikų tipai
Paskaita 3.8
3.2 tema. Svertiniai grafikai
Paskaita 3.9
4.1 tema. Būlio funkcijų vaizdavimas
Paskaita 3.10
4.2 tema. Būlio funkcijų klasės
Paskaita 3.11
5.1 tema. Kodavimo teorija
TIKIMUMO TEORIJA IR MATEMATINĖ STATISTIKA
Paskaita 4.1
1.1 tema. Tikimybės samprata
Paskaita 4.2
1.2 tema. Elementariosios teoremos
Paskaita 4.3
1.3 tema. Atsitiktiniai kintamieji
Paskaita 4.4
2.1 tema. Statistinis duomenų apdorojimas
Paskaita 4.5
2.2 tema. Matematinės statistikos problemos
MAŠINŲ MOKYMOSI METODAI
Kurso metu nagrinėjami pagrindiniai mokymosi pagal precedentą uždaviniai: klasifikavimas, klasterizavimas, regresija, matmenų mažinimas. Tiriami jų sprendimo metodai – tiek klasikiniai, tiek nauji, sukurti per pastaruosius 10–15 metų. Pabrėžiamas išsamus aptartų metodų matematinių pagrindų, santykių, stipriųjų pusių ir apribojimų supratimas. Teoremos dažniausiai pateikiamos be įrodymų.
Paskaita 6.1
Mašininio mokymosi matematiniai pagrindai
6.2 paskaita
Pagrindinės sąvokos ir taikomųjų problemų pavyzdžiai
Paskaita 6.3
Tiesinis klasifikatorius ir stochastinis gradientas
Paskaita 6.4
Neuroniniai tinklai: gradiento optimizavimo metodai
6.5 paskaita
Metrinės klasifikacijos ir regresijos metodai
Paskaita 6.6
Palaikykite vektorinę mašiną
Paskaita 6.7
Daugiamatė tiesinė regresija
Paskaita 6.8
Netiesinė regresija
Paskaita 6.9
Modelių pasirinkimo kriterijai ir savybių pasirinkimo būdai
Paskaita 6.10
Loginiai klasifikavimo metodai
Paskaita 6.11
Klasterizavimas ir dalinis mokymas
Paskaita 6.12
Taikomieji mašininio mokymosi modeliai
Paskaita 6.13
Neuroniniai tinklai su neprižiūrimu mokymusi
Paskaita 6.14
Tekstų ir grafikų vektoriniai atvaizdai
Paskaita 6.15
Reitingavimo treniruotės
Paskaita 6.16
Rekomendacinės sistemos
Paskaita 6.17
Adaptyvūs prognozavimo metodai