0
Views
“Datu analīze un mašīnmācīšanās” - kurss 120 000 rubļu. no MSU, apmācība 48 nedēļas. (12 mēneši), datums: 2023. gada 16. februāris.
Literārs Mistrojums / / November 27, 2023
Profesionālās pārkvalifikācijas programma “Datu analīze un mašīnmācīšanās” ir paredzēta datoru jomas speciālistu sagatavošanai. tehnoloģijas, kas spēj izstrādāt programmatūras sistēmas, izmantojot datu ieguvi un mašīnu apmācību.
Profesionālo kompetenču veidošana studentu vidū saistībā ar lietišķo programmēšanu un datu bāzēm nepieciešamie dati, lai iegūtu kvalifikāciju “speciālists datu analīzes un mašīnu jomā apmācība"
Mācību procesā tiek izmantota Python programmēšanas valoda, Jupiter interaktīvā izstrādes vide, scikit-learn programmatūras bibliotēkas mašīnmācībai un citas.
Mašīnmācība ir plaša mākslīgā intelekta apakšnozare, kas pēta metodes tādu algoritmu konstruēšanai, kas spēj mācīties. Mašīnmācība ir galvenā mūsdienu pieeja datu analīzei un viedo informācijas sistēmu veidošanai. Mašīnmācīšanās metodes ir visu datorredzes metožu pamatā un tiek aktīvi izmantotas attēlu apstrādē. Kursā ir iekļauti daudzi praktiski pielietojami algoritmi.
PIETEIKUMA PRASĪBAS
Pretendentiem uz pārkvalifikācijas programmu jābūt augstākajai vai vidējai specializētajai izglītībai. Vēlama programmēšanas pieredze procesuālajās valodās.
TRENIŅU REŽĪMS
Programma paredzēta 1 studiju gadam: no 2023. gada 16. februāra līdz 2024. gada 31. janvārim.
Apjoms 684 stundas.
Dokumentu pieņemšana no 20.decembra līdz 28.februārim.
Nodarbības bez norādes uz grafiku pēc individuālas izglītības trajektorijas.
Lai iegūtu Maskavas Valsts universitātes diplomu profesionālajā pārkvalifikācijā, jums ir jāpabeidz mācību programma un jāsagatavo noslēguma darbs.
Noslēguma darbs ir patstāvīga programmatūras sistēmas izstrāde.
1. Lai reģistrētos programmā, jums ir jāaizpilda šādi dokumenti (ar roku vai elektroniski) un jānosūta uz [email protected]:
2. Pamatojoties uz iesniegtajiem dokumentiem, tiks sagatavots Apmācību līgums.
3. Pēc līguma parakstīšanas tiek nosūtīti dokumenti apmaksai: augusts-septembris.
4. Pēc maksājuma jūs sākat apmācību.
Informācijas drošības katedras profesors, vadītājs. ICU laboratorija
Akadēmiskais grāds: tehnisko zinātņu doktors. zinātnes
Sukhomlins Vladimirs Aleksandrovičs, Maskavas Valsts universitātes cienījamais profesors, profesors, tehnisko zinātņu doktors, Atvērto informācijas tehnoloģiju laboratorijas (OIT) vadītājs.
Kandidāta disertācija aizstāvēta fizisko un matemātikas zinātņu jomā VMK Akadēmiskajā padomē 1976. gadā.
1989. gadā aizstāvēja promocijas darbu specialitātē 05.13.11 Padomē PSRS Zinātņu akadēmijas Datorzinātnes un tehnoloģijas institūtā, promocijas darba tēma ir saistīta ar sarežģītu radioinženiertehnisko sistēmu modelēšanu.
1992. gadā gadā piešķirts profesora akadēmiskais nosaukums.
Apbalvots ar piemiņas medaļu “Maskavai 800 gadi”.
2000.-2002.gadā izstrādāja jauna zinātnes un izglītības virziena “Informācijas tehnoloģijas” koncepciju un valsts standartus. Pamatojoties uz šīm norisēm, Krievijas Izglītības ministrija 2002. gadā. tika izveidots virziens 511900 “Informācijas tehnoloģijas” un veikts eksperiments tā ieviešanai. 2006. gadā šis virziens pēc autores iniciatīvas tika pārdēvēts par “Fundamentālās informātikas un informācijas tehnoloģijas” (FIIT). Šobrīd šis virziens tiek īstenots vairāk nekā 40 valsts augstskolās.
Sukhomlin V.A. - 2. un 3. paaudzes bakalaura un maģistra valsts standartu izstrādātājs virzienam “Fundamentālās datorzinātnes un informācijas tehnoloģijas”.
IEVADS MĀKSLĪGĀJĀ INTELEKCĀ
Kursa mērķis ir sniegt studentiem plašu priekšstatu par mākslīgā intelekta problēmām un metodēm.
Lekcija 1.1
Loģisko secinājumu metodes
Lekcija 1.2
Risinājumu meklēšana, plānošana, laika plānošana
Lekcija 1.3
Mašīnmācība
Lekcija 1.4
Cilvēka un mašīnas mijiedarbība
PROGRAMMĒŠANA PYTHON
Disciplīnas studiju mērķis ir apgūt programmatūras izstrādes rīkus un metodes, izmantojot Python valodu un tās bibliotēkas.
Lekcija 2.1
Lietojumprogrammas struktūra
Lekcija 2.2
Pārskats par svarīgākajiem Python standarta bibliotēkas moduļiem un pakotnēm
Lekcija 2.3
Objekti un klases Python
Lekcija 2.4
Funkcionālās programmēšanas elementi Python
Lekcija 2.5
Ģeneratori. Iteratori
Lekcija 2.6
Daudzpavedienu programmēšana
Lekcija 2.7
Tīkla programmēšana
Lekcija 2.8
Darbs ar datu bāzi
DISKRĒTA MATEMĀTIKA11
Kursa materiāls ir sadalīts piecās sadaļās: Matemātiskie rīki; Secības; Grafiki; Būla funkcijas; Kodēšanas teorija.
Lekcija 3.1
Tēma 1.1. Matemātiskās loģikas valoda
Lekcija 3.2
Tēma 1.2. Komplekti
Lekcija 3.3
Tēma 1.3. Binārās attiecības
Lekcija 3.4
Tēma 1.4. Matemātiskās indukcijas metode
Lekcija 3.5
Tēma 1.5. Kombinatorika
Lekcija 3.6
Tēma 2.1. Atkārtošanās attiecības
Lekcija 3.7
Tēma 3.1. Grafiku veidi
Lekcija 3.8
Tēma 3.2. Svērtie grafiki
Lekcija 3.9
Tēma 4.1. Būla funkciju attēlojums
Lekcija 3.10
Tēma 4.2. Būla funkciju klases
Lekcija 3.11
Tēma 5.1. Kodēšanas teorija
VARBŪTĪBU TEORIJA UN MATEMĀTISKĀ STATISTIKA
Lekcija 4.1
Tēma 1.1. Varbūtības jēdziens
Lekcija 4.2
Tēma 1.2. Elementāras teorēmas
Lekcija 4.3
Tēma 1.3. Nejauši mainīgie
Lekcija 4.4
Tēma 2.1. Statistisko datu apstrāde
Lekcija 4.5
Tēma 2.2. Matemātiskās statistikas problēmas
MAŠĪNU MĀCĪBU METODES
Kursā aplūkoti galvenie uzdevumi mācīšanās pēc precedenta: klasifikācija, klasterizācija, regresija, dimensiju samazināšana. To risināšanas metodes tiek pētītas gan klasiskās, gan jaunas, kas radītas pēdējo 10–15 gadu laikā. Uzsvars tiek likts uz apspriežamo metožu matemātisko pamatu, attiecību, stipro pušu un ierobežojumu padziļinātu izpratni. Teorēmas pārsvarā tiek dotas bez pierādījumiem.
Lekcija 6.1
Mašīnmācīšanās matemātiskie pamati
Lekcija 6.2
Lietišķo problēmu pamatjēdzieni un piemēri
Lekcija 6.3
Lineārais klasifikators un stohastiskais gradients
Lekcija 6.4
Neironu tīkli: gradientu optimizācijas metodes
Lekcija 6.5
Metriskās klasifikācijas un regresijas metodes
Lekcija 6.6
Atbalstiet vektoru mašīnu
Lekcija 6.7
Daudzfaktoru lineārā regresija
Lekcija 6.8
Nelineārā regresija
Lekcija 6.9
Modeļu izvēles kritēriji un pazīmju izvēles metodes
Lekcija 6.10
Loģiskās klasifikācijas metodes
Lekcija 6.11
Klasterizācija un daļēja apmācība
Lekcija 6.12
Lietišķie mašīnmācīšanās modeļi
Lekcija 6.13
Neironu tīkli ar nekontrolētu mācīšanos
Lekcija 6.14
Tekstu un grafiku vektorattēli
Lekcija 6.15
Ranga apmācība
Lekcija 6.16
Ieteikuma sistēmas
Lekcija 6.17
Adaptīvās prognozēšanas metodes
Abonēt
YOU MIGHT ALSO LIKE
