"Dataanalyse og maskinlæring" - kurs 120 000 rubler. fra MSU, trening 48 uker. (12 måneder), dato: 16. februar 2023.
Miscellanea / / November 27, 2023
Det profesjonelle omskoleringsprogrammet "Dataanalyse og maskinlæring" er rettet mot opplæring av spesialister innen dataområdet teknologier som er i stand til å utvikle programvaresystemer ved bruk av data mining og maskin opplæring.
Dannelse av faglig kompetanse blant studenter knyttet til anvendt programmering og databaser data som kreves for å tilegne seg kvalifikasjonen "spesialist innen dataanalyse og maskin opplæring"
Læringsprosessen bruker Python-programmeringsspråket, Jupiter interaktive utviklingsmiljø, scikit-learn-programvarebiblioteker for maskinlæring og andre.
Machine Learning er et bredt underfelt av kunstig intelligens som studerer metoder for å konstruere algoritmer som kan lære. Maskinlæring er den viktigste moderne tilnærmingen til dataanalyse og bygging av intelligente informasjonssystemer. Maskinlæringsmetoder ligger til grunn for alle datasynsmetoder og brukes aktivt i bildebehandling. Kurset inneholder mange praktisk anvendelige algoritmer.
SØKNADSKRAV
Søkere til omskoleringsprogrammet må ha høyere eller videregående spesialisert utdanning. Erfaring med programmering i prosedyrespråk er ønskelig.
TRENINGSMODUS
Programmet er designet for 1 studieår: fra 16. februar 2023 til 31. januar 2024.
Volum 684 timer.
Aksept av dokumenter fra 20. desember til 28. februar.
Klasser uten referanse til timeplan i henhold til en individuell utdanningsbane.
For å få et Moscow State University Diploma i profesjonell omskolering, må du fullføre læreplanen og forberede en avsluttende oppgave.
Det siste arbeidet er en selvstendig utvikling av et programvaresystem.
1. For å melde deg på programmet må du fylle ut følgende dokumenter (for hånd eller elektronisk) og sende dem til [email protected]:
2. Basert på innsendte dokumenter vil det utarbeides en opplæringsavtale.
3. Etter signering av kontrakten sendes dokumenter for betaling: august-september.
4. Etter betaling begynner du å trene.
Professor ved Institutt for informasjonssikkerhet, leder. ICU laboratorium
Akademisk grad: Doktor i tekniske vitenskaper. vitenskaper
Sukhomlin Vladimir Aleksandrovich, æret professor ved Moscow State University, professor, doktor i tekniske vitenskaper, leder for Laboratory of Open Information Technologies (OIT).
Kandidatens avhandling ble forsvart innen fysiske og matematiske vitenskaper ved Akademisk råd ved VMK i 1976.
I 1989 forsvarte sin doktorgradsavhandling i spesialiteten 05.13.11 ved rådet ved Institute of Computer Science and Technology ved USSR Academy of Sciences, temaet for avhandlingen er relatert til modellering av komplekse radiotekniske systemer.
I 1992 tildelt den akademiske tittelen professor.
Tildelt minnemedaljen "800 år med Moskva".
I 2000-2002 utviklet konseptet og statlige standarder for en ny vitenskapelig og pedagogisk retning "Informasjonsteknologi". Basert på denne utviklingen fra det russiske utdanningsdepartementet i 2002. retning 511900 "Information Technologies" ble opprettet og et eksperiment ble utført for å implementere det. I 2006 ble denne retningen omdøpt etter initiativ fra forfatteren til "Fundamental Informatics and Information Technologies" (FIIT). For tiden implementeres denne retningen ved mer enn 40 universiteter i landet.
Sukhomlin V.A. - utvikler av statlige standarder for bachelor og master i 2. og 3. generasjon for retningen "Fundamental informatikk og informasjonsteknologi".
INTRODUKSJON TIL KUNSTIG INTELLIGENS
Målet med emnet er å gi studentene en bred oversikt over kunstig intelligens problemer og metoder.
Forelesning 1.1
Logiske slutningsmetoder
Forelesning 1.2
Finne løsninger, planlegge, planlegge
Forelesning 1.3
Maskinlæring
Forelesning 1.4
Menneske-maskin interaksjon
PROGRAMMERING I PYTHON
Formålet med å studere disiplinen er å mestre verktøyene og metodene for programvareutvikling ved å bruke Python-språket og dets biblioteker.
Forelesning 2.1
Søknadsstruktur
Forelesning 2.2
Oversikt over de viktigste Python-standardbiblioteksmodulene og -pakkene
Forelesning 2.3
Objekter og klasser i Python
Forelesning 2.4
Elementer av funksjonell programmering i Python
Forelesning 2.5
Generatorer. Iteratorer
Forelesning 2.6
Flertrådsprogrammering
Forelesning 2.7
Nettverksprogrammering
Forelesning 2.8
Arbeid med databasen
DISKRET MATEMATIKK11
Kursmateriellet er delt inn i fem deler: Matematiske verktøy; Sekvenser; Grafer; boolske funksjoner; Kodingsteori.
Forelesning 3.1
Tema 1.1. Språket i matematisk logikk
Forelesning 3.2
Tema 1.2. Settene
Forelesning 3.3
Tema 1.3. Binære forhold
Forelesning 3.4
Tema 1.4. Metode for matematisk induksjon
Forelesning 3.5
Tema 1.5. Kombinatorikk
Forelesning 3.6
Tema 2.1. Gjentakende forhold
Forelesning 3.7
Tema 3.1. Typer grafer
Forelesning 3.8
Tema 3.2. Vektede grafer
Forelesning 3.9
Tema 4.1. Representasjon av boolske funksjoner
Forelesning 3.10
Tema 4.2. boolske funksjonsklasser
Forelesning 3.11
Tema 5.1. Kodingsteori
SANNSYNLIGHETSTEORI OG MATEMATISK STATISTIKK
Forelesning 4.1
Tema 1.1. Begrepet sannsynlighet
Forelesning 4.2
Tema 1.2. Elementære teoremer
Forelesning 4.3
Tema 1.3. Tilfeldige variabler
Forelesning 4.4
Tema 2.1. Statistisk databehandling
Forelesning 4.5
Tema 2.2. Problemer med matematisk statistikk
MASKINLÆRINGSMETODER
Kurset undersøker hovedoppgavene for læring etter presedens: klassifisering, clustering, regresjon, dimensjonalitetsreduksjon. Metoder for å løse dem studeres, både klassiske og nye, laget i løpet av de siste 10–15 årene. Det legges vekt på en grundig forståelse av matematiske grunnlag, sammenhenger, styrker og begrensninger ved de diskuterte metodene. Teoremer er for det meste gitt uten bevis.
Forelesning 6.1
Matematiske grunnlag for maskinlæring
Forelesning 6.2
Grunnleggende begreper og eksempler på anvendte problemer
Forelesning 6.3
Lineær klassifikator og stokastisk gradient
Forelesning 6.4
Nevrale nettverk: gradientoptimaliseringsmetoder
Forelesning 6.5
Metrisk klassifisering og regresjonsmetoder
Forelesning 6.6
Støtte Vector Machine
Forelesning 6.7
Multivariat lineær regresjon
Forelesning 6.8
Ikke-lineær regresjon
Forelesning 6.9
Modellvalgskriterier og funksjonsvalgmetoder
Forelesning 6.10
Logiske klassifiseringsmetoder
Forelesning 6.11
Clustering og deltrening
Forelesning 6.12
Anvendte maskinlæringsmodeller
Forelesning 6.13
Nevrale nettverk med uovervåket læring
Forelesning 6.14
Vektorrepresentasjoner av tekster og grafer
Forelesning 6.15
Rangeringstrening
Forelesning 6.16
Anbefaler systemer
Forelesning 6.17
Adaptive prognosemetoder