"Dataanalyse og maskinlæring" - kursus 120.000 rubler. fra MSU, træning 48 uger. (12 måneder), Dato: 16. februar 2023.
Miscellanea / / November 27, 2023
Det professionelle omskolingsprogram "Data Analysis and Machine Learning" er rettet mod at uddanne specialister inden for computerområdet teknologier, der er i stand til at udvikle softwaresystemer ved hjælp af data mining og maskine uddannelse.
Dannelse af faglige kompetencer blandt studerende relateret til anvendt programmering og databaser data, der kræves for at erhverve kvalifikationen "specialist inden for dataanalyse og maskine uddannelse"
Læringsprocessen bruger Python-programmeringssproget, Jupiters interaktive udviklingsmiljø, scikit-learn-softwarebiblioteker til maskinlæring og andre.
Machine Learning er et bredt underfelt af kunstig intelligens, der studerer metoder til at konstruere algoritmer, der kan lære. Maskinlæring er den vigtigste moderne tilgang til dataanalyse og opbygning af intelligente informationssystemer. Maskinlæringsmetoder ligger til grund for alle computersynsmetoder og bruges aktivt i billedbehandling. Kurset indeholder mange praktisk anvendelige algoritmer.
ANSØGNINGSKRAV
Ansøgere til omskolingsprogrammet skal have en videregående eller sekundær specialiseret uddannelse. Erfaring med programmering i proceduresprog er ønskelig.
TRÆNINGSMODUS
Programmet er designet til 1 års studie: fra 16. februar 2023 til 31. januar 2024.
Volumen 684 timer.
Accept af dokumenter fra 20. december til 28. februar.
Klasser uden henvisning til et skema i henhold til en individuel uddannelsesbane.
For at opnå et Moscow State University Diploma i professionel omskoling, skal du fuldføre læseplanen og forberede en afsluttende afhandling.
Det afsluttende arbejde er en selvstændig udvikling af et softwaresystem.
1. For at tilmelde dig programmet skal du udfylde følgende dokumenter (i hånden eller elektronisk) og sende dem til [email protected]:
2. På baggrund af de indsendte dokumenter vil der blive udarbejdet en uddannelsesaftale.
3. Efter underskrivelse af kontrakten fremsendes dokumenter til betaling: August-september.
4. Efter betaling begynder du at træne.
Professor ved Institut for Informationssikkerhed, leder. ICU laboratorium
Akademisk grad: Doktor i Tekniske Videnskaber. videnskaber
Sukhomlin Vladimir Aleksandrovich, hædret professor ved Moscow State University, professor, doktor i tekniske videnskaber, leder af Laboratory of Open Information Technologies (OIT).
Kandidatens afhandling blev forsvaret inden for fysiske og matematiske videnskaber ved VMK's Akademiske Råd i 1976.
I 1989 forsvarede sin doktorafhandling i specialet 05.13.11 ved Rådet ved Institute of Computer Science and Technology i USSR Academy of Sciences, emnet for afhandlingen er relateret til modellering af komplekse radiotekniske systemer.
I 1992 tildelt den akademiske titel professor.
Tildelt erindringsmedaljen "800 år af Moskva".
I 2000-2002 udviklet konceptet og statsstandarderne for en ny videnskabelig og uddannelsesmæssig retning "Informationsteknologier". Baseret på denne udvikling af det russiske undervisningsministerium i 2002. retning 511900 "Information Technologies" blev oprettet, og et eksperiment blev udført for at implementere det. I 2006 blev denne retning omdøbt på forfatterens initiativ til "Fundamental Informatics and Information Technologies" (FIIT). I øjeblikket implementeres denne retning på mere end 40 universiteter i landet.
Sukhomlin V.A. - udvikler af statsstandarder for bachelor og master i 2. og 3. generation for retningen af "Fundamental datalogi og informationsteknologi".
INTRODUKTION TIL KUNSTIG INTELLIGENS
Målet med kurset er at give de studerende et bredt overblik over kunstig intelligens problemer og metoder.
Foredrag 1.1
Logiske slutningsmetoder
Foredrag 1.2
At finde løsninger, planlægge, planlægge
Foredrag 1.3
Maskinelæring
Foredrag 1.4
Menneske-maskine interaktion
PROGRAMMERING I PYTHON
Formålet med at studere disciplinen er at mestre værktøjerne og metoderne til softwareudvikling ved hjælp af Python-sproget og dets biblioteker.
Foredrag 2.1
Ansøgningsstruktur
Foredrag 2.2
Oversigt over de vigtigste Python-standardbiblioteksmoduler og -pakker
Foredrag 2.3
Objekter og klasser i Python
Foredrag 2.4
Elementer af funktionel programmering i Python
Foredrag 2.5
Generatorer. Iteratorer
Foredrag 2.6
Flertrådet programmering
Foredrag 2.7
Netværksprogrammering
Foredrag 2.8
Arbejde med databasen
DISKRET MATEMATIK11
Kursusmaterialet er opdelt i fem sektioner: Matematiske værktøjer; Sekvenser; grafer; booleske funktioner; Kodningsteori.
Foredrag 3.1
Emne 1.1. Sprog i matematisk logik
Foredrag 3.2
Emne 1.2. Sæt
Foredrag 3.3
Emne 1.3. Binære relationer
Foredrag 3.4
Emne 1.4. Metode til matematisk induktion
Foredrag 3.5
Emne 1.5. Kombinatorik
Foredrag 3.6
Emne 2.1. Gentagelsesforhold
Foredrag 3.7
Emne 3.1. Typer af grafer
Foredrag 3.8
Emne 3.2. Vægtede grafer
Foredrag 3.9
Emne 4.1. Repræsentation af booleske funktioner
Foredrag 3.10
Emne 4.2. booleske funktionsklasser
Foredrag 3.11
Emne 5.1. Kodningsteori
SANDSYNLIGHEDSTEORI OG MATEMATISK STATISTIK
Foredrag 4.1
Emne 1.1. Begrebet sandsynlighed
Foredrag 4.2
Emne 1.2. Elementære teoremer
Foredrag 4.3
Emne 1.3. Tilfældige variable
Foredrag 4.4
Emne 2.1. Statistisk databehandling
Foredrag 4.5
Emne 2.2. Problemer med matematisk statistik
MASKINEINDÆRINGSMETODER
Kurset undersøger hovedopgaverne ved læring efter præcedens: klassifikation, clustering, regression, dimensionalitetsreduktion. Metoder til at løse dem er ved at blive undersøgt, både klassiske og nye, skabt i løbet af de sidste 10-15 år. Der lægges vægt på en grundig forståelse af det matematiske grundlag, sammenhænge, styrker og begrænsninger ved de diskuterede metoder. Sætningerne er for det meste givet uden bevis.
Foredrag 6.1
Matematiske grundlag for maskinlæring
Foredrag 6.2
Grundlæggende begreber og eksempler på anvendte problemer
Foredrag 6.3
Lineær klassifikator og stokastisk gradient
Foredrag 6.4
Neurale netværk: gradientoptimeringsmetoder
Foredrag 6.5
Metrisk klassifikation og regressionsmetoder
Foredrag 6.6
Support Vector Machine
Foredrag 6.7
Multivariat lineær regression
Foredrag 6.8
Ikke-lineær regression
Foredrag 6.9
Modeludvælgelseskriterier og funktionsudvælgelsesmetoder
Foredrag 6.10
Logiske klassifikationsmetoder
Foredrag 6.11
Klynger og deltræning
Foredrag 6.12
Anvendte maskinlæringsmodeller
Foredrag 6.13
Neurale netværk med uovervåget læring
Foredrag 6.14
Vektorgengivelser af tekster og grafer
Foredrag 6.15
Ranking træning
Foredrag 6.16
Anbefalingssystemer
Foredrag 6.17
Adaptive prognosemetoder