„Analýza dat a strojové učení“ - kurz 120 000 rublů. z MSU, trénink 48 týdnů. (12 měsíců), Datum: 16. února 2023.
Různé / / November 27, 2023
Profesní rekvalifikační program „Analýza dat a strojové učení“ je zaměřen na školení specialistů v oblasti počítačů technologie schopné vyvíjet softwarové systémy využívající dolování dat a stroj výcvik.
Formování odborných kompetencí studentů v oblasti aplikovaného programování a databází údaje potřebné k získání kvalifikace „specialista v oboru analýzy dat a strojů výcvik"
Proces učení využívá programovací jazyk Python, interaktivní vývojové prostředí Jupiter, softwarové knihovny scikit-learn pro strojové učení a další.
Strojové učení je široká podoblasti umělé inteligence, která studuje metody pro konstrukci algoritmů, které se mohou učit. Strojové učení je hlavním moderním přístupem k analýze dat a budování inteligentních informačních systémů. Metody strojového učení jsou základem všech metod počítačového vidění a jsou aktivně využívány při zpracování obrazu. Kurz obsahuje mnoho prakticky použitelných algoritmů.
POŽADAVKY NA APLIKACI
Uchazeči o rekvalifikační program musí mít vyšší nebo střední odborné vzdělání. Zkušenosti s programováním v procedurálních jazycích jsou žádoucí.
TRÉNINKOVÝ REŽIM
Program je určen pro 1 rok studia: od 16. února 2023 do 31. ledna 2024.
Objem 684 hodin.
Příjem dokumentů od 20. prosince do 28. února.
Třídy bez vazby na rozvrh podle individuální vzdělávací trajektorie.
Chcete-li získat diplom Moskevské státní univerzity v odborné rekvalifikaci, musíte absolvovat učební plán a připravit závěrečnou práci.
Závěrečná práce je samostatný vývoj softwarového systému.
1. Chcete-li se přihlásit do programu, musíte vyplnit následující dokumenty (ručně nebo elektronicky) a odeslat je na adresu [email protected]:
2. Na základě předložených dokumentů bude připravena Smlouva o školení.
3. Po podpisu smlouvy se zasílají podklady k platbě: srpen-září.
4. Po zaplacení můžete začít trénovat.
Profesor katedry informační bezpečnosti, přednosta. Laboratoř JIP
Akademický titul: doktor technických věd. vědy
Suchomlin Vladimir Aleksandrovich, vážený profesor Moskevské státní univerzity, profesor, doktor technických věd, vedoucí laboratoře otevřených informačních technologií (OIT).
Kandidátská disertační práce byla obhájena v oboru fyzikálních a matematických věd na Akademické radě VMK v roce 1976.
V roce 1989 obhájil doktorskou disertační práci v oboru 13.05.11 na Radě Ústavu výpočetní techniky Akademie věd SSSR, téma disertační práce souvisí s modelováním složitých radiotechnických systémů.
V roce 1992 udělen akademický titul profesor.
Udělena pamětní medaile „800 let Moskvy“.
V letech 2000-2002 vypracoval koncepci a státní standardy nového vědeckého a vzdělávacího směru „Informační technologie“. Na základě tohoto vývoje ruského ministerstva školství v roce 2002. směr 511900 „Information Technologies“ byl vytvořen a byl proveden experiment k jeho implementaci. V roce 2006 byl tento směr z podnětu autora přejmenován na „Fundamentální informatiku a informační technologie“ (FIIT). V současné době se tento směr realizuje na více než 40 univerzitách v zemi.
Suchomlin V.A. - zpracovatel státních norem pro bakalářské a magisterské studium 2. a 3. generace pro směr „Základní informatika a informační technologie“.
ÚVOD DO UMĚLÉ INTELIGENCE
Cílem předmětu je poskytnout studentům široký přehled o problémech a metodách umělé inteligence.
Přednáška 1.1
Metody logického vyvozování
Přednáška 1.2
Hledání řešení, plánování, rozvrhování
Přednáška 1.3
Strojové učení
Přednáška 1.4
Interakce člověk-stroj
PROGRAMOVÁNÍ V PYTHONU
Účelem studia oboru je osvojit si nástroje a metody vývoje softwaru pomocí jazyka Python a jeho knihoven.
Přednáška 2.1
Struktura aplikace
Přednáška 2.2
Přehled nejdůležitějších modulů a balíčků standardních knihoven Pythonu
Přednáška 2.3
Objekty a třídy v Pythonu
Přednáška 2.4
Prvky funkcionálního programování v Pythonu
Přednáška 2.5
Generátory. Iterátory
Přednáška 2.6
Vícevláknové programování
Přednáška 2.7
Síťové programování
Přednáška 2.8
Práce s databází
DISKRÉTNÍ MATEMATIKA11
Materiál kurzu je rozdělen do pěti sekcí: Matematické nástroje; Sekvence; Grafy; Booleovské funkce; Teorie kódování.
Přednáška 3.1
Téma 1.1. Jazyk matematické logiky
Přednáška 3.2
Téma 1.2. Sady
Přednáška 3.3
Téma 1.3. Binární vztahy
Přednáška 3.4
Téma 1.4. Metoda matematické indukce
Přednáška 3.5
Téma 1.5. Kombinatorika
Přednáška 3.6
Téma 2.1. Rekurentní vztahy
Přednáška 3.7
Téma 3.1. Typy grafů
Přednáška 3.8
Téma 3.2. Vážené grafy
Přednáška 3.9
Téma 4.1. Reprezentace booleovských funkcí
Přednáška 3.10
Téma 4.2. Booleovské funkční třídy
Přednáška 3.11
Téma 5.1. Teorie kódování
TEORIE PRAVDĚPODOBNOSTI A MATEMATICKÁ STATISTIKA
Přednáška 4.1
Téma 1.1. Pojem pravděpodobnosti
Přednáška 4.2
Téma 1.2. Elementární věty
Přednáška 4.3
Téma 1.3. Náhodné proměnné
Přednáška 4.4
Téma 2.1. Statistické zpracování dat
Přednáška 4.5
Téma 2.2. Problémy matematické statistiky
METODY STROJOVÉHO UČENÍ
Kurz zkoumá hlavní úkoly učení podle precedentu: klasifikace, shlukování, regrese, redukce dimenzionality. Studují se metody jejich řešení, klasické i nové, vytvořené v průběhu posledních 10–15 let. Důraz je kladen na důkladné pochopení matematických základů, vztahů, silných stránek a omezení probíraných metod. Věty jsou většinou uvedeny bez důkazu.
Přednáška 6.1
Matematické základy strojového učení
Přednáška 6.2
Základní pojmy a příklady aplikovaných problémů
Přednáška 6.3
Lineární klasifikátor a stochastický gradient
Přednáška 6.4
Neuronové sítě: metody gradientové optimalizace
Přednáška 6.5
Metrická klasifikace a regresní metody
Přednáška 6.6
Podpora Vector Machine
Přednáška 6.7
Vícerozměrná lineární regrese
Přednáška 6.8
Nelineární regrese
Přednáška 6.9
Kritéria výběru modelu a metody výběru prvků
Přednáška 6.10
Metody logické klasifikace
Přednáška 6.11
Shlukování a částečné školení
Přednáška 6.12
Aplikované modely strojového učení
Přednáška 6.13
Neuronové sítě s učením bez dozoru
Přednáška 6.14
Vektorové znázornění textů a grafů
Přednáška 6.15
Žebříčkový trénink
Přednáška 6.16
Systémy doporučení
Přednáška 6.17
Adaptivní předpovědní metody