"Analiza podatkov in strojno učenje" - tečaj 120.000 rubljev. iz MSU, usposabljanje 48 tednov. (12 mesecev), datum: 16. februar 2023.
Miscellanea / / November 27, 2023
Program strokovne prekvalifikacije »Analiza podatkov in strojno učenje« je namenjen usposabljanju strokovnjakov na področju računalništva. tehnologije, ki lahko razvijejo programske sisteme z uporabo podatkovnega rudarjenja in stroja usposabljanje.
Oblikovanje strokovnih kompetenc študentov na področju uporabnega programiranja in podatkovnih baz podatkov, potrebnih za pridobitev kvalifikacije »strokovnjak na področju analize podatkov in stroj usposabljanje"
Učni proces uporablja programski jezik Python, interaktivno razvojno okolje Jupiter, programske knjižnice za strojno učenje scikit-learn idr.
Strojno učenje je široko podpodročje umetne inteligence, ki preučuje metode za konstruiranje algoritmov, ki se lahko učijo. Strojno učenje je glavni sodobni pristop k analizi podatkov in izgradnji inteligentnih informacijskih sistemov. Metode strojnega učenja so osnova vseh metod računalniškega vida in se aktivno uporabljajo pri obdelavi slik. Tečaj vsebuje veliko praktično uporabnih algoritmov.
ZAHTEVE ZA PRIJAVO
Kandidati za program prekvalifikacije morajo imeti višjo ali srednjo specializirano izobrazbo. Zaželene so izkušnje s programiranjem v proceduralnih jezikih.
NAČIN VADBE
Program je zasnovan za 1 leto študija: od 16. februarja 2023 do 31. januarja 2024.
Obseg 684 ur.
Sprejem dokumentov od 20. decembra do 28. februarja.
Pouk brez sklicevanja na urnik po individualni izobraževalni poti.
Če želite pridobiti diplomo Moskovske državne univerze za poklicno prekvalifikacijo, morate opraviti učni načrt in pripraviti zaključno diplomsko delo.
Zaključno delo je samostojen razvoj programskega sistema.
1. Za vpis v program morate izpolniti naslednje dokumente (ročno ali elektronsko) in jih poslati na [email protected]:
2. Na podlagi predloženih dokumentov bo pripravljena Pogodba o usposabljanju.
3. Po podpisu pogodbe se pošljejo dokumenti za plačilo: avgust-september.
4. Po plačilu začnete z vadbo.
Profesor Katedre za informacijsko varnost, pred. Laboratorij za intenzivno nego
Akademska stopnja: doktorica tehničnih znanosti. znanosti
Sukhomlin Vladimir Aleksandrovič, zaslužni profesor Moskovske državne univerze, profesor, doktor tehničnih znanosti, vodja Laboratorija za odprte informacijske tehnologije (OIT).
Kandidatsko disertacijo je zagovarjal na področju fizikalnih in matematičnih znanosti na akademskem svetu VMK leta 1976.
Leta 1989 zagovarjal doktorsko disertacijo na specialnosti 05.13.11 na Svetu na Inštitutu za računalništvo in tehnologijo Akademije znanosti ZSSR, tema disertacije je povezana z modeliranjem kompleksnih radijskih inženirskih sistemov.
Leta 1992 podelil znanstveni naziv profesor.
Nagrajen s spominsko medaljo "800 let Moskve".
V letih 2000-2002 razvil koncept in državne standarde nove znanstvene in izobraževalne smeri "Informacijske tehnologije". Na podlagi tega razvoja ruskega ministrstva za izobraževanje leta 2002. smer 511900 "Informacijske tehnologije" je bila ustvarjena in izveden poskus za njeno izvajanje. Leta 2006 se je ta smer na pobudo avtorja preimenovala v "Fundamentalno informatiko in informacijske tehnologije" (FIIT). Trenutno se ta smer izvaja na več kot 40 univerzah v državi.
Sukhomlin V.A. - razvijalec državnih standardov za diplomo in magistra 2. in 3. generacije za smer "Temeljno računalništvo in informacijska tehnologija".
UVOD V UMETNO INTELIGENCO
Cilj predmeta je študentom dati širok pregled nad problemi in metodami umetne inteligence.
Predavanje 1.1
Metode logičnega sklepanja
Predavanje 1.2
Iskanje rešitev, načrtovanje, razporejanje
Predavanje 1.3
Strojno učenje
Predavanje 1.4
Interakcija človek-stroj
PROGRAMIRANJE V PYTHONU
Namen študija discipline je obvladati orodja in metode razvoja programske opreme z uporabo jezika Python in njegovih knjižnic.
Predavanje 2.1
Struktura aplikacije
Predavanje 2.2
Pregled najpomembnejših modulov in paketov standardne knjižnice Python
Predavanje 2.3
Objekti in razredi v Pythonu
Predavanje 2.4
Elementi funkcionalnega programiranja v Pythonu
Predavanje 2.5
Generatorji. Iteratorji
Predavanje 2.6
Večnitno programiranje
Predavanje 2.7
Mrežno programiranje
Predavanje 2.8
Delo z bazo podatkov
DISKRETNA MATEMATIKA11
Gradivo je razdeljeno na pet sklopov: Matematična orodja; zaporedja; grafi; logične funkcije; Teorija kodiranja.
Predavanje 3.1
Tema 1.1. Jezik matematične logike
Predavanje 3.2
Tema 1.2. Kompleti
Predavanje 3.3
Tema 1.3. Binarna razmerja
Predavanje 3.4
Tema 1.4. Metoda matematične indukcije
Predavanje 3.5
Tema 1.5. Kombinatorika
Predavanje 3.6
Tema 2.1. Ponovitvene relacije
Predavanje 3.7
Tema 3.1. Vrste grafov
Predavanje 3.8
Tema 3.2. Uteženi grafi
Predavanje 3.9
Tema 4.1. Predstavitev logičnih funkcij
Predavanje 3.10
Tema 4.2. Razredi logičnih funkcij
Predavanje 3.11
Tema 5.1. Teorija kodiranja
TEORIJA VERJETNOSTI IN MATEMATIČNA STATISTIKA
Predavanje 4.1
Tema 1.1. Koncept verjetnosti
Predavanje 4.2
Tema 1.2. Osnovni izreki
Predavanje 4.3
Tema 1.3. Naključne spremenljivke
Predavanje 4.4
Tema 2.1. Statistična obdelava podatkov
Predavanje 4.5
Tema 2.2. Problemi matematične statistike
METODE STROJNEGA UČENJA
Predmet proučuje glavne naloge učenja po precedensu: klasifikacija, grozdenje, regresija, zmanjšanje dimenzionalnosti. Preučujejo se metode za njihovo reševanje, tako klasične kot nove, ustvarjene v zadnjih 10–15 letih. Poudarek je na temeljitem razumevanju matematičnih temeljev, odnosov, prednosti in omejitev obravnavanih metod. Izreki so večinoma podani brez dokaza.
Predavanje 6.1
Matematične osnove strojnega učenja
Predavanje 6.2
Osnovni koncepti in primeri aplikativnih problemov
Predavanje 6.3
Linearni klasifikator in stohastični gradient
Predavanje 6.4
Nevronske mreže: metode gradientne optimizacije
Predavanje 6.5
Metrična klasifikacija in regresijske metode
Predavanje 6.6
Podporni vektorski stroj
Predavanje 6.7
Multivariatna linearna regresija
Predavanje 6.8
Nelinearna regresija
Predavanje 6.9
Kriteriji izbire modela in metode izbire funkcij
Predavanje 6.10
Metode logičnega razvrščanja
Predavanje 6.11
Grozdenje in delno usposabljanje
Predavanje 6.12
Uporabni modeli strojnega učenja
Predavanje 6.13
Nevronske mreže z nenadzorovanim učenjem
Predavanje 6.14
Vektorske predstavitve besedil in grafov
Predavanje 6.15
Usposabljanje za uvrstitev
Predavanje 6.16
Sistemi priporočil
Predavanje 6.17
Prilagodljive metode napovedovanja