0
Views
“Mašīnmācība” - kurss 30 000 rubļu. no MSU, apmācība 3 nedēļas. (1 mēnesis), datums: 2023. gada 2. decembris.
Literārs Mistrojums / / December 06, 2023
Programmas mērķis – iepazīstināt skolēnus ar mašīnmācības pamatiem.
Apmācības ilgums – 72 stundas (30 stundas auditorijas nodarbības ar skolotāju, 42 stundas patstāvīga materiālu apguve).
Studiju forma – pilna laika, nepilna laika, vakara.
Klases formāts - pilna laika, dalībniekiem no citām pilsētām, ja nav iespējams ierasties klātienē, nodarbībai varēs pieslēgties caur videokonferenci.
Izglītības izmaksas - 30 000 rubļu.
Nodarbību sākums - 2023. gada rudens.
Apmācību līgumi tiek slēgti ar fiziskām un juridiskām personām.
Reģistrācija kursiem tiek veikta pa e-pastu [email protected], izmantojot reģistrācijas veidlapu vietnē.
Lai reģistrētos vai uzdotu jautājumus, varat sazināties ar kursu administratoru Antonu Martjanovu, izmantojot WhatsApp vai Telegram: +79264827721.
Tehnisko zinātņu doktora amats: M.V. Lomonosova Maskavas Valsts universitātes Vadības un inovāciju augstskolas profesors
1. sadaļa. Ievads. Uzdevumu piemēri. Loģiskās metodes: lēmumu koki un lēmumu meži.
Loģiskās metodes: objektu klasifikācija, pamatojoties uz vienkāršiem noteikumiem. Interpretācija un īstenošana. Kombinācija kompozīcijā. Izšķirošie koki. Nejaušs mežs.
2. sadaļa. Metriskās klasifikācijas metodes. Lineārās metodes, stohastiskais gradients.
Metriskās metodes. Klasifikācija pēc līdzības. Attālums starp objektiem. Metrika. k-tuvāko kaimiņu metode. Regresijas problēmu vispārināšana, izmantojot kodola izlīdzināšanu. Lineārie modeļi. Mērogojamība. Pielietojamība lielajiem datiem Stohastiskā gradienta metode. Pielietojamība lineāro klasifikatoru regulēšanai. Regularizācijas jēdziens. Darba ar lineārajām metodēm iezīmes. Klasifikācijas kvalitātes rādītāji.
3. sadaļa. Atbalstiet vektoru mašīnu (SVM). Loģistiskā regresija. Klasifikācijas kvalitātes rādītāji.
Lineārie modeļi. Mērogojamība. Pielietojamība lielajiem datiem Stohastiskā gradienta metode. Pielietojamība lineāro klasifikatoru regulēšanai. Regularizācijas jēdziens. Darba ar lineārajām metodēm iezīmes.
4. sadaļa. Lineārā regresija. Dimensiju samazināšana, galvenās sastāvdaļas metode.
Regresijas lineārie modeļi. To saistība ar "objektu-iezīmju" matricas vienreizējo sadalīšanos. Zīmju skaita samazināšana. Pieejas objektu izvēlei. Galvenās sastāvdaļas metode. Dimensiju samazināšanas metodes.
5. sadaļa. Algoritmu kompozīcijas, gradientu paaugstināšana. Neironu tīkli.
Modeļu apvienošana kompozīcijā. Modeļu kļūdu savstarpēja labošana. Ar skaņdarbiem saistītie pamatjēdzieni un problēmu izklāsti. Gradienta palielināšana.
Neironu tīkli. Meklēt nelineāras dalāmās virsmas. Daudzslāņu neironu tīkli un to skaņošana, izmantojot backpropagation metodi. Dziļie neironu tīkli: to arhitektūra un funkcijas.
6. sadaļa. Klasterizācija un vizualizācija.
Nepārraudzītas mācīšanās problēmas. Struktūras atrašana datos. Klasterizācijas problēma ir uzdevums atrast līdzīgu objektu grupas. Vizualizācijas uzdevums ir uzdevums kartēt objektus divdimensiju vai trīsdimensiju telpā.
7. sadaļa. Lietišķās datu analīzes problēmas: formulējumi un risināšanas metodes.
Daļēja mācīšanās kā problēma starp pārraudzītu mācīšanos un klasterizāciju. Izlases problēma, kurā mērķa mainīgā vērtība ir zināma tikai dažiem objektiem. Atšķirība starp daļējas mācīšanās problēmu un iepriekš apspriestajiem formulējumiem. Pieejas risinājumam.
Problēmu analīze no pielietojamām jomām: punktu noteikšana bankās, apdrošināšana, parakstīšanas problēmas, modeļu atpazīšanas problēmas.
Adrese
119991, Maskava, st. Ļeņinska Gori, 1, bldg. 51, 5. stāvs, 544. kab. (dekanāts)
Universitāte
Abonēt
YOU MIGHT ALSO LIKE
