"Strojno učenje" - tečaj 30.000 rubljev. iz MSU, usposabljanje 3 tedne. (1 mesec), datum: 30. november 2023.

Miscellanea / by admin / December 02, 2023

click fraud protection

Namen programa – seznaniti študente z osnovami strojnega učenja.

Trajanje usposabljanja – 72 ur (30 ur razrednega pouka z učiteljem, 42 ur samostojnega učenja snovi).

Oblika študija – redni, izredni, večerni.

Oblika razreda - polni delovni čas, za udeležence iz drugih mest, v kolikor osebne udeležbe ni mogoče, se boste lahko na lekcijo povezali preko videokonference.

Stroški izobraževanja - 30.000 rubljev.

Začetek pouka - jesen 2023.

Pogodbe o usposabljanju se sklepajo s fizičnimi in pravnimi osebami.

Registracija na tečaje poteka po e-pošti [email protected] z uporabo obrazca za registracijo na spletnem mestu.

Za registracijo ali vprašanja se lahko obrnete na skrbnika tečaja Antona Martyanova prek WhatsApp ali Telegrama: +79264827721.

Doktor tehničnih znanosti Položaj: profesor na Visoki šoli za management in inovacije Moskovske državne univerze M. V. Lomonosova

Oddelek 1. Uvod. Primeri nalog. Logične metode: odločitvena drevesa in odločitveni gozdovi.

Logične metode: klasifikacija predmetov na podlagi preprostih pravil. Tolmačenje in izvajanje. Kombinacija v kompozicijo. Odločilna drevesa. Naključni gozd.

instagram viewer

Oddelek 2. Metode metrične klasifikacije. Linearne metode, stohastični gradient.

Metrične metode. Razvrstitev na podlagi podobnosti. Razdalja med predmeti. Metrike. Metoda k-najbližjih sosedov. Posplošitev na regresijske probleme z uporabo jedrnega glajenja. Linearni modeli. Razširljivost. Uporabnost za velike podatke Metoda stohastičnega gradienta. Uporabnost za nastavitev linearnih klasifikatorjev. Koncept regulacije. Značilnosti dela z linearnimi metodami. Merila kakovosti klasifikacije.

Oddelek 3. Podporni vektorski stroj (SVM). Logistična regresija. Merila kakovosti klasifikacije.

Linearni modeli. Razširljivost. Uporabnost za velike podatke Metoda stohastičnega gradienta. Uporabnost za nastavitev linearnih klasifikatorjev. Koncept regulacije. Značilnosti dela z linearnimi metodami.

Oddelek 4. Linearna regresija. Zmanjšanje dimenzionalnosti, metoda glavnih komponent.

Linearni modeli za regresijo. Njihova povezava s singularno dekompozicijo matrike »predmeti-značilnosti«. Zmanjšanje števila znakov. Pristopi k izbiri funkcij. Metoda glavne komponente. Metode zmanjševanja dimenzij.

Oddelek 5. Sestavine algoritmov, gradientno povečanje. Nevronske mreže.

Združevanje modelov v kompozicijo. Medsebojno popravljanje modelskih napak. Osnovni pojmi in navedbe problemov v zvezi s skladbami. Gradientno povečanje.
Nevronske mreže. Iskanje nelinearnih delilnih površin. Večplastne nevronske mreže in njihovo uglaševanje z metodo širjenja nazaj. Globoke nevronske mreže: njihove arhitekture in značilnosti.

Oddelek 6. Grozdenje in vizualizacija.

Problemi nenadzorovanega učenja. Iskanje strukture v podatkih. Problem združevanja v gruče je naloga iskanja skupin podobnih predmetov. Naloga vizualizacije je naloga preslikave objektov v dvo- ali tridimenzionalni prostor.

Oddelek 7. Uporabni problemi analize podatkov: formulacije in metode reševanja.

Delno učenje kot problem med nadzorovanim učenjem in grozdenjem. Problem vzorčenja, pri katerem je vrednost ciljne spremenljivke znana samo za nekatere objekte. Razlika med delnim učnim problemom in prej obravnavanimi formulacijami. Pristopi k rešitvi.
Analiza problemov z aplikativnih področij: točkovanje v bankah, zavarovalništvo, problemi sklepanja zavarovanj, problemi prepoznavanja vzorcev.

Naslov

119991, Moskva, ul. Leninskie Gory, 1, str. 51, 5. nadstropje, soba 544 (dekanat)

Univerza

Tags cloud

Miscellanea

Ocena

Ogledov

Komentarji