„Mašininis mokymasis“ - kursas 30 000 rublių. iš MSU, mokymas 3 sav. (1 mėnuo), data: 2023 m. gruodžio 2 d.
įvairenybės / / December 06, 2023
Programos tikslas – supažindinti mokinius su mašininio mokymosi pagrindais.
Mokymų trukmė – 72 val. (30 val. auditorinių pamokų su mokytoju, 42 val. savarankiškas medžiagos studijavimas).
Studijų forma – visu etatu, neakivaizdiniu, vakariniu.
Klasės formatas - pilnu etatu, dalyviams iš kitų miestų, jei nėra galimybės atvykti asmeniškai, prie pamokos galėsite prisijungti per vaizdo konferenciją.
Išsilavinimo kaina - 30 000 rublių.
Užsiėmimų pradžia - 2023 metų ruduo.
Su fiziniais ir juridiniais asmenimis sudaromos mokymo sutartys.
Registracija į kursus vyksta el. paštu [email protected], naudojant svetainėje esančią registracijos formą.
Norėdami užsiregistruoti arba iškilus klausimams, galite susisiekti su kursų administratoriumi Antonu Martyanovu per WhatsApp arba Telegram: +79264827721.
Technikos mokslų daktaro pareigos: M. V. Lomonosovo Maskvos valstybinio universiteto Aukštosios vadybos ir inovacijų mokyklos profesorius
1 skyrius. Įvadas. Užduočių pavyzdžiai. Loginiai metodai: sprendimų medžiai ir sprendimų miškai.
Loginiai metodai: objektų klasifikavimas pagal paprastas taisykles. Aiškinimas ir įgyvendinimas. Sujungimas į kompoziciją. Lemtingi medžiai. Atsitiktinis miškas.
2 skyrius. Metrinės klasifikacijos metodai. Tiesiniai metodai, stochastinis gradientas.
Metriniai metodai. Klasifikavimas pagal panašumą. Atstumas tarp objektų. Metrika. k-artimiausių kaimynų metodas. Regresijos problemų apibendrinimas naudojant branduolio išlyginimą. Linijiniai modeliai. Mastelio keitimas. Pritaikymas dideliems duomenims Stochastinio gradiento metodas. Pritaikymas tiesiniams klasifikatoriams derinti. Reguliavimo samprata. Darbo tiesiniais metodais ypatumai. Klasifikavimo kokybės metrika.
3 skyrius. Palaikykite vektorinę mašiną (SVM). Logistinė regresija. Klasifikavimo kokybės metrika.
Linijiniai modeliai. Mastelio keitimas. Pritaikymas dideliems duomenims Stochastinio gradiento metodas. Pritaikymas tiesiniams klasifikatoriams derinti. Reguliavimo samprata. Darbo tiesiniais metodais ypatumai.
4 skyrius. Tiesinė regresija. Matmenų mažinimas, pagrindinių komponentų metodas.
Tiesiniai regresijos modeliai. Jų ryšys su „objektų-ypatybių“ matricos singuliariniu skaidymu. Sumažinti ženklų skaičių. Požiūriai į funkcijų pasirinkimą. Pagrindinio komponento metodas. Matmenų mažinimo metodai.
5 skyrius. Algoritmų kompozicijos, gradiento didinimas. Neuroniniai tinklai.
Modelių sujungimas į kompoziciją. Abipusis modelio klaidų taisymas. Pagrindinės sąvokos ir problemų teiginiai, susiję su kompozicijomis. Gradiento didinimas.
Neuroniniai tinklai. Ieškokite netiesinių dalimųjų paviršių. Daugiasluoksniai neuroniniai tinklai ir jų derinimas atgalinio propagavimo metodu. Gilieji neuroniniai tinklai: jų architektūra ir savybės.
6 skyrius. Klasterizavimas ir vizualizacija.
Neprižiūrimo mokymosi problemos. Duomenų struktūros radimas. Klasterizacijos problema yra užduotis rasti panašių objektų grupes. Vizualizacijos užduotis yra objektų atvaizdavimas dvimatėje arba trimatėje erdvėje.
7 skyrius. Taikomi duomenų analizės uždaviniai: formuluotės ir sprendimo būdai.
Dalinis mokymasis kaip problema tarp prižiūrimo mokymosi ir klasterizacijos. Atrankos problema, kai tikslinio kintamojo reikšmė žinoma tik kai kuriems objektams. Skirtumas tarp dalinio mokymosi problemos ir anksčiau aptartų formuluočių. Požiūriai į sprendimą.
Taikomų sričių problemų analizė: balų skaičiavimas bankuose, draudimas, draudimo problemos, modelių atpažinimo problemos.
Adresas
119991, Maskva, g. Leninskie Gory, 1, bldg. 51, 5 aukštas, 544 kab (dekanatas)
Universitetas