„Analýza údajov a strojové učenie“ - kurz 120 000 rubľov. z MsÚ, tréning 48 týždňov. (12 mesiacov), Dátum: 16.2.2023.
Rôzne / / November 27, 2023
Odborný rekvalifikačný program „Analýza dát a strojové učenie“ je zameraný na vzdelávanie odborníkov v oblasti počítačov technológie schopné vyvíjať softvérové systémy využívajúce dolovanie údajov a stroj školenia.
Formovanie odborných kompetencií študentov v oblasti aplikovaného programovania a databáz údaje potrebné na získanie kvalifikácie „špecialista v oblasti analýzy dát a strojov tréning"
Proces učenia využíva programovací jazyk Python, interaktívne vývojové prostredie Jupiter, softvérové knižnice scikit-learn pre strojové učenie a iné.
Strojové učenie je široká podoblasť umelej inteligencie, ktorá študuje metódy konštrukcie algoritmov, ktoré sa dokážu učiť. Strojové učenie je hlavným moderným prístupom k analýze údajov a budovaniu inteligentných informačných systémov. Metódy strojového učenia sú základom všetkých metód počítačového videnia a aktívne sa využívajú pri spracovaní obrazu. Kurz obsahuje množstvo prakticky použiteľných algoritmov.
POŽIADAVKY NA APLIKÁCIU
Uchádzači o rekvalifikačný program musia mať vyššie alebo stredné odborné vzdelanie. Skúsenosti s programovaním v procedurálnych jazykoch sú žiaduce.
TRÉNINGOVÝ REŽIM
Program je určený na 1 rok štúdia: od 16. februára 2023 do 31. januára 2024.
Objem 684 hodín.
Prijímanie dokumentov od 20. decembra do 28. februára.
Triedy bez odkazu na rozvrh podľa individuálnej vzdelávacej trajektórie.
Ak chcete získať diplom Moskovskej štátnej univerzity v odbornom preškoľovaní, musíte absolvovať učebné osnovy a pripraviť záverečnú prácu.
Záverečnou prácou je samostatný vývoj softvérového systému.
1. Ak sa chcete prihlásiť do programu, musíte vyplniť nasledujúce dokumenty (ručne alebo elektronicky) a poslať ich na adresu [email protected]:
2. Na základe predložených dokumentov bude vypracovaná Zmluva o školení.
3. Po podpise zmluvy sú zasielané podklady k platbe: august-september.
4. Po zaplatení môžete začať trénovať.
Profesor Katedry informačnej bezpečnosti, ved. laboratórium JIS
Akademický titul: doktor technických vied. vedy
Suchomlin Vladimir Aleksandrovich, ctený profesor Moskovskej štátnej univerzity, profesor, doktor technických vied, vedúci laboratória otvorených informačných technológií (OIT).
Kandidátska dizertačná práca bola v roku 1976 na Akademickej rade VMK obhájená v odbore fyzikálno-matematické vedy.
V roku 1989 obhájil doktorandskú dizertačnú prácu v odbore 13.05.11 na Rade na Ústave výpočtovej techniky SAV, téma dizertačnej práce súvisí s modelovaním zložitých rádiotechnických systémov.
V roku 1992 udelený akademický titul profesor.
Udelená pamätná medaila „800 rokov Moskvy“.
V rokoch 2000-2002 vypracoval koncepciu a štátne štandardy nového vedeckého a vzdelávacieho smeru „Informačné technológie“. Na základe tohto vývoja ruského ministerstva školstva v roku 2002. smer 511900 „Informačné technológie“ bol vytvorený a bol vykonaný experiment na jeho implementáciu. V roku 2006 bol tento smer z iniciatívy autora premenovaný na „Fundamentálna informatika a informačné technológie“ (FIIT). V súčasnosti sa tento smer realizuje na viac ako 40 univerzitách v krajine.
Suchomlin V.A. - tvorca štátnych štandardov pre bakalára a magistra 2. a 3. generácie pre smer „Základy informatiky a informačných technológií“.
ÚVOD DO UMELEJ INTELIGENCIE
Cieľom predmetu je poskytnúť študentom široký prehľad o problémoch a metódach umelej inteligencie.
Prednáška 1.1
Metódy logického vyvodzovania
Prednáška 1.2
Hľadanie riešení, plánovanie, rozvrhovanie
Prednáška 1.3
Strojové učenie
Prednáška 1.4
Interakcia človek-stroj
PROGRAMOVANIE V PYTHONE
Účelom štúdia disciplíny je osvojiť si nástroje a metódy vývoja softvéru pomocou jazyka Python a jeho knižníc.
Prednáška 2.1
Štruktúra aplikácie
Prednáška 2.2
Prehľad najdôležitejších modulov a balíkov štandardných knižníc Pythonu
Prednáška 2.3
Objekty a triedy v Pythone
Prednáška 2.4
Prvky funkcionálneho programovania v Pythone
Prednáška 2.5
Generátory. Iterátory
Prednáška 2.6
Viacvláknové programovanie
Prednáška 2.7
Sieťové programovanie
Prednáška 2.8
Práca s databázou
DISKRÉTNA MATEMATIKA11
Materiál kurzu je rozdelený do piatich sekcií: Matematické nástroje; sekvencie; Grafy; Booleovské funkcie; Teória kódovania.
Prednáška 3.1
Téma 1.1. Jazyk matematickej logiky
Prednáška 3.2
Téma 1.2. Súpravy
Prednáška 3.3
Téma 1.3. Binárne vzťahy
Prednáška 3.4
Téma 1.4. Metóda matematickej indukcie
Prednáška 3.5
Téma 1.5. Kombinatorika
Prednáška 3.6
Téma 2.1. Rekurentné vzťahy
Prednáška 3.7
Téma 3.1. Typy grafov
Prednáška 3.8
Téma 3.2. Vážené grafy
Prednáška 3.9
Téma 4.1. Reprezentácia booleovských funkcií
Prednáška 3.10
Téma 4.2. Booleovské funkčné triedy
Prednáška 3.11
Téma 5.1. Teória kódovania
TEÓRIA PRAVDEPODOBNOSTI A MATEMATICKÁ ŠTATISTIKA
Prednáška 4.1
Téma 1.1. Pojem pravdepodobnosti
Prednáška 4.2
Téma 1.2. Elementárne vety
Prednáška 4.3
Téma 1.3. Náhodné premenné
Prednáška 4.4
Téma 2.1. Štatistické spracovanie údajov
Prednáška 4.5
Téma 2.2. Problémy matematickej štatistiky
METÓDY STROJOVÉHO UČENIA
Kurz skúma hlavné úlohy učenia sa precedensom: klasifikácia, zhlukovanie, regresia, redukcia dimenzií. Metódy na ich riešenie sa študujú, klasické aj nové, vytvorené za posledných 10–15 rokov. Dôraz sa kladie na dôkladné pochopenie matematických základov, vzťahov, silných stránok a obmedzení diskutovaných metód. Vety sa väčšinou uvádzajú bez dôkazu.
Prednáška 6.1
Matematické základy strojového učenia
Prednáška 6.2
Základné pojmy a príklady aplikovaných problémov
Prednáška 6.3
Lineárny klasifikátor a stochastický gradient
Prednáška 6.4
Neurónové siete: metódy gradientovej optimalizácie
Prednáška 6.5
Metrická klasifikácia a regresné metódy
Prednáška 6.6
Podpora vektorového stroja
Prednáška 6.7
Viacrozmerná lineárna regresia
Prednáška 6.8
Nelineárna regresia
Prednáška 6.9
Kritériá výberu modelu a metódy výberu prvkov
Prednáška 6.10
Logické klasifikačné metódy
Prednáška 6.11
Zhlukovanie a čiastočné školenie
Prednáška 6.12
Aplikované modely strojového učenia
Prednáška 6.13
Neurónové siete s učením bez dozoru
Prednáška 6.14
Vektorové znázornenie textov a grafov
Prednáška 6.15
Rankingový tréning
Prednáška 6.16
Systémy odporúčaní
Prednáška 6.17
Adaptívne metódy prognózovania