0
Прегледи
„Анализ на данни и машинно обучение“ - курс 120 000 рубли. от MSU, обучение 48 седмици. (12 месеца), Дата: 16 февруари 2023 г.
разни / / November 27, 2023
Програмата за професионална преквалификация „Анализ на данни и машинно обучение“ е насочена към обучение на специалисти в областта на компютърните технологии. технологии, способни да разработват софтуерни системи, използващи извличане на данни и машина обучение.
Формиране на професионални компетенции у студентите, свързани с приложно програмиране и бази данни данни, необходими за придобиване на квалификация „специалист в областта на анализ на данни и машин обучение"
Учебният процес използва езика за програмиране Python, интерактивната среда за разработка Jupiter, scikit-learn софтуерни библиотеки за машинно обучение и др.
Машинното обучение е широко подполе на изкуствения интелект, което изучава методи за конструиране на алгоритми, които могат да се учат. Машинното обучение е основният съвременен подход за анализ на данни и изграждане на интелигентни информационни системи. Методите за машинно обучение са в основата на всички методи за компютърно зрение и се използват активно при обработката на изображения. Курсът съдържа много практически приложими алгоритми.
ИЗИСКВАНИЯ ЗА КАНДИДАТСТВАНЕ
Кандидатите за преквалификация трябва да имат висше или средно специално образование. Опитът в програмирането на процедурни езици е желателен.
РЕЖИМ НА ОБУЧЕНИЕ
Програмата е предназначена за 1 година на обучение: от 16 февруари 2023 г. до 31 януари 2024 г.
Обем 684 часа.
Прием на документи от 20 декември до 28 февруари.
Занимания без график по индивидуална образователна траектория.
За да получите диплома за професионална преквалификация от Московския държавен университет, трябва да завършите учебната програма и да подготвите дипломна работа.
Заключителната работа е самостоятелна разработка на софтуерна система.
1. За да се запишете в програмата, трябва да попълните следните документи (на ръка или по електронен път) и да ги изпратите на [email protected]:
2. Въз основа на представените документи ще бъде изготвен Договор за обучение.
3. След подписване на договора се изпращат документи за плащане: август-септември.
4. След плащане започвате обучение.
Професор от катедра „Информационна сигурност“, гл. Интензивна лаборатория
Научна степен: доктор на техническите науки. науки
Сухомлин Владимир Александрович, почетен професор на Московския държавен университет, професор, доктор на техническите науки, ръководител на лабораторията по отворени информационни технологии (OIT).
Кандидатската дисертация е защитена в областта на физико-математическите науки в Академичния съвет на ВМК през 1976 г.
През 1989г защитава докторска дисертация по специалността 05.13.11 в Съвета към Института по компютърни науки и технологии на Академията на науките на СССР, като темата на дисертацията е свързана с моделирането на сложни радиотехнически системи.
През 1992г е удостоен с научното звание професор.
Награден с възпоменателен медал „800 години Москва“.
През 2000-2002г разработи концепцията и държавните стандарти на ново научно и образователно направление „Информационни технологии“. Въз основа на тези разработки на руското Министерство на образованието през 2002 г. е създадено направление 511900 „Информационни технологии” и е проведен експеримент за прилагането му. През 2006 г. тази посока е преименувана по инициатива на автора на „Фундаментална информатика и информационни технологии“ (ФИИТ). В момента това направление се прилага в повече от 40 университета в страната.
Сухомлин В.А. - разработчик на държавни стандарти за бакалавър и магистър от 2-ро и 3-то поколение за направление „Фундаментални компютърни науки и информационни технологии“.
ВЪВЕДЕНИЕ В ИЗКУСТВЕНИЯ ИНТЕЛЕКТ
Целта на курса е да даде на студентите широк преглед на проблемите и методите на изкуствения интелект.
Лекция 1.1
Методи за логически изводи
Лекция 1.2
Намиране на решения, планиране, планиране
Лекция 1.3
Машинно обучение
Лекция 1.4
Взаимодействие човек-машина
ПРОГРАМИРАНЕ НА PYTHON
Целта на изучаването на дисциплината е овладяване на средствата и методите за разработка на софтуер с помощта на езика Python и неговите библиотеки.
Лекция 2.1
Структура на приложението
Лекция 2.2
Преглед на най-важните модули и пакети на стандартната библиотека на Python
Лекция 2.3
Обекти и класове в Python
Лекция 2.4
Елементи на функционалното програмиране в Python
Лекция 2.5
Генератори. Итератори
Лекция 2.6
Многонишково програмиране
Лекция 2.7
Мрежово програмиране
Лекция 2.8
Работа с базата данни
ДИСКРЕТНА МАТЕМАТИКА11
Материалът на курса е разделен на пет раздела: Математически инструменти; последователности; Графики; булеви функции; Теория на кодирането.
Лекция 3.1
Тема 1.1. Език на математическата логика
Лекция 3.2
Тема 1.2. Комплекти
Лекция 3.3
Тема 1.3. Бинарни отношения
Лекция 3.4
Тема 1.4. Метод на математическата индукция
Лекция 3.5
Тема 1.5. Комбинаторика
Лекция 3.6
Тема 2.1. Рекурентни отношения
Лекция 3.7
Тема 3.1. Видове графики
Лекция 3.8
Тема 3.2. Претеглени графики
Лекция 3.9
Тема 4.1. Представяне на булеви функции
Лекция 3.10
Тема 4.2. Булеви функционални класове
Лекция 3.11
Тема 5.1. Теория на кодирането
ТЕОРИЯ НА ВЕРОЯТНОСТИТЕ И МАТЕМАТИЧЕСКА СТАТИСТИКА
Лекция 4.1
Тема 1.1. Понятие за вероятност
Лекция 4.2
Тема 1.2. Елементарни теореми
Лекция 4.3
Тема 1.3. Случайни променливи
Лекция 4.4
Тема 2.1. Статистическа обработка на данни
Лекция 4.5
Тема 2.2. Проблеми на математическата статистика
МЕТОДИ ЗА МАШИННО ОБУЧЕНИЕ
Курсът разглежда основните задачи на обучението чрез прецедент: класификация, групиране, регресия, намаляване на размерността. Изследват се методи за тяхното решаване, както класически, така и нови, създадени през последните 10-15 години. Акцентът се поставя върху задълбочено разбиране на математическите основи, връзките, силните страни и ограниченията на обсъжданите методи. Теоремите най-често се дават без доказателства.
Лекция 6.1
Математически основи на машинното обучение
Лекция 6.2
Основни понятия и примери за приложни задачи
Лекция 6.3
Линеен класификатор и стохастичен градиент
Лекция 6.4
Невронни мрежи: методи за градиентна оптимизация
Лекция 6.5
Метрична класификация и регресионни методи
Лекция 6.6
Поддържаща векторна машина
Лекция 6.7
Многомерна линейна регресия
Лекция 6.8
Нелинейна регресия
Лекция 6.9
Критерии за избор на модел и методи за избор на характеристики
Лекция 6.10
Методи за логическа класификация
Лекция 6.11
Клъстеризиране и частично обучение
Лекция 6.12
Приложни модели на машинно обучение
Лекция 6.13
Невронни мрежи с неконтролирано обучение
Лекция 6.14
Векторни представяния на текстове и графики
Лекция 6.15
Обучение за класиране
Лекция 6.16
Системи за препоръчване
Лекция 6.17
Адаптивни методи за прогнозиране
АБОНИРАЙ СЕ
YOU MIGHT ALSO LIKE
