0
Прегледи
„Машинно обучение“ - курс 30 000 рубли. от MSU, обучение 3 седмици. (1 месец), Дата: 30 ноември 2023 г.
разни / / December 02, 2023
Цел на програмата – запознайте учениците с основите на машинното обучение.
Продължителност на обучението – 72 часа (30 часа класни занятия с преподавател, 42 часа самостоятелно изучаване на материали).
Форма на обучение – редовна, задочна, вечерна.
Формат на класа - на пълен работен ден, за участници от други градове, ако е невъзможно да присъствате лично, ще можете да се свържете с урока чрез видеоконферентна връзка.
Разходи за обучение - 30 000 рубли.
Начало на занятията - есента на 2023г.
Договори за обучение се сключват с физически и юридически лица.
Регистрацията за курсове се извършва по имейл [email protected], като се използва регистрационната форма на уебсайта.
Можете да се свържете с администратора на курса Антон Мартянов за регистрация или с въпроси чрез WhatsApp или Telegram: +79264827721.
Доктор на техническите науки Позиция: Професор във Висшето училище по мениджмънт и иновации на Московския държавен университет „М.В. Ломоносов“
Секция 1. Въведение. Примерни задачи. Логически методи: дървета на решения и гори на решения.
Логически методи: класификация на обекти въз основа на прости правила. Тълкуване и изпълнение. Комбиниране в композиция. Решаващи дървета. Случайна гора.
Раздел 2. Методи за метрична класификация. Линейни методи, стохастичен градиент.
Метрични методи. Класификация по сходство. Разстояние между обектите. Метрика. Методът на k-най-близките съседи. Обобщение към регресионни проблеми с помощта на изглаждане на ядрото. Линейни модели. Мащабируемост. Приложимост към големи данни Стохастичен градиентен метод. Приложимост за настройка на линейни класификатори. Концепцията за регуляризация. Характеристики на работа с линейни методи. Показатели за качество на класификацията.
Раздел 3. Поддържаща векторна машина (SVM). Логистична регресия. Показатели за качество на класификацията.
Линейни модели. Мащабируемост. Приложимост към големи данни Стохастичен градиентен метод. Приложимост за настройка на линейни класификатори. Концепцията за регуляризация. Характеристики на работа с линейни методи.
Раздел 4. Линейна регресия. Намаляване на размерността, метод на главните компоненти.
Линейни модели за регресия. Тяхната връзка със сингулярното разлагане на матрицата „обекти-характеристики”. Намаляване на броя на знаците. Подходи за избор на характеристики. Метод на главния компонент. Методи за намаляване на размерността.
Раздел 5. Композиции от алгоритми, градиентно усилване. Невронни мрежи.
Комбиниране на модели в композиция. Взаимна корекция на моделни грешки. Основни понятия и постановки на задачи, свързани с композициите. Градиентно усилване.
Невронни мрежи. Търсене на нелинейни разделителни повърхности. Многослойни невронни мрежи и тяхната настройка чрез метода на обратното разпространение. Дълбоки невронни мрежи: техните архитектури и характеристики.
Раздел 6. Групиране и визуализация.
Проблеми на неконтролираното обучение. Намиране на структура в данните. Проблемът с групирането е задачата за намиране на групи от подобни обекти. Задачата за визуализация е задачата за картографиране на обекти в дву- или триизмерно пространство.
Раздел 7. Проблеми с приложен анализ на данни: формулировки и методи за решаване.
Частичното обучение като проблем между контролираното обучение и клъстерирането. Проблем с извадката, при който стойността на целевата променлива е известна само за някои обекти. Разликата между частичния учебен проблем и обсъдените по-рано формулировки. Подходи за решение.
Анализ на проблеми от приложни области: скоринг в банки, застраховане, застрахователни проблеми, проблеми с разпознаване на модели.
Адрес
119991, Москва, ул. Leninskie Gory, 1, бл. 51, ет. 5, стая 544 (деканат)
университет
АБОНИРАЙ СЕ
YOU MIGHT ALSO LIKE