"Andmete analüüs ja masinõpe" - kursus 120 000 rubla. MSU-st, koolitus 48 nädalat. (12 kuud), kuupäev: 16. veebruar 2023.
Varia / / November 27, 2023
Erialase ümberõppe programm “Andmeanalüüs ja masinõpe” on suunatud arvutivaldkonna spetsialistide koolitamisele. tehnoloogiad, mis on võimelised arendama andmekaeve ja masinaid kasutades tarkvarasüsteeme koolitust.
Rakendusprogrammeerimise ja andmebaasidega seotud erialaste kompetentside kujundamine üliõpilaste seas kvalifikatsiooni omandamiseks vajalikud andmed „andmeanalüüsi ja masina valdkonna spetsialist koolitus"
Õppeprotsessis kasutatakse Pythoni programmeerimiskeelt, Jupiteri interaktiivset arenduskeskkonda, masinõppeks mõeldud scikit-learn tarkvarateeke ja muud.
Masinõpe on tehisintellekti lai alavaldkond, mis uurib meetodeid õppimisvõimeliste algoritmide koostamiseks. Masinõpe on peamine kaasaegne lähenemine andmete analüüsile ja intelligentsete infosüsteemide loomisele. Masinõppemeetodid on kõigi arvutinägemismeetodite aluseks ja neid kasutatakse aktiivselt pilditöötluses. Kursus sisaldab palju praktiliselt rakendatavaid algoritme.
TAOTLEMISNÕUDED
Ümberõppeprogrammi kandideerijatel peab olema kõrg- või keskeriharidus. Soovitav on programmeerimiskogemus protseduurilistes keeltes.
TREENINGREŽIIM
Programm on mõeldud 1-aastaseks õppeks: 16. veebruarist 2023 kuni 31. jaanuarini 2024.
Maht 684 tundi.
Dokumentide vastuvõtt 20. detsembrist 28. veebruarini.
Tunnid ilma ajakavale viitamata vastavalt individuaalsele haridustrajektoorile.
Moskva Riikliku Ülikooli erialase ümberõppe diplomi saamiseks peate täitma õppekava ja koostama lõputöö.
Lõputöö on tarkvarasüsteemi iseseisev arendus.
1. Programmis registreerumiseks peate täitma järgmised dokumendid (käsitsi või elektrooniliselt) ja saatma need aadressile [email protected]:
2. Esitatud dokumentide alusel koostatakse Koolitusleping.
3. Peale lepingu allkirjastamist saadetakse dokumendid tasumiseks: august-september.
4. Pärast tasumist alustate koolitust.
Infoturbe osakonna professor, juhataja. ICU laboratoorium
Akadeemiline kraad: tehnikateaduste doktor. teadused
Sukhomlin Vladimir Aleksandrovitš, Moskva Riikliku Ülikooli austatud professor, professor, tehnikateaduste doktor, avatud infotehnoloogiate labori (OIT) juhataja.
Kandidaadiväitekiri on kaitstud füüsika- ja matemaatikateaduste erialal VMK õppenõukogus 1976. aastal.
1989. aastal kaitses erialal doktorikraadi 05.13.11 nõukogus ENSV TA Arvutiteaduse ja Tehnoloogia Instituudi juures, lõputöö teema on seotud keeruliste raadiotehnikasüsteemide modelleerimisega.
1992. aastal omistati professori akadeemilise nimetusega.
Autasustatud mälestusmedaliga “800 aastat Moskvat”.
Aastatel 2000-2002 töötas välja uue teadus- ja haridussuuna “Infotehnoloogiad” kontseptsiooni ja riiklikud standardid. Nendele arengutele tuginedes tegi Venemaa haridusministeerium 2002. a. loodi suund 511900 “Infotehnoloogiad” ja viidi läbi eksperiment selle rakendamiseks. 2006. aastal nimetati see suund autori initsiatiivil ümber “Informaatika ja infotehnoloogia alusteks” (FIIT). Praegu rakendatakse seda suunda enam kui 40 ülikoolis riigis.
Sukhomlin V.A. - 2. ja 3. põlvkonna bakalaureuse- ja magistriõppe riiklike standardite väljatöötaja suunale “Arvutiteaduse ja infotehnoloogia aluspõhimõtted”.
SISSEJUHATUS TEHISINTELLEKTI
Kursuse eesmärk on anda üliõpilastele laiapõhjaline ülevaade tehisintellekti probleemidest ja meetoditest.
Loeng 1.1
Loogiliste järelduste meetodid
Loeng 1.2
Lahenduste leidmine, planeerimine, ajakava koostamine
Loeng 1.3
Masinõpe
Loeng 1.4
Inimese ja masina interaktsioon
PROGRAMMEERIMINE PYTHONIS
Distsipliini õppimise eesmärk on omandada Pythoni keelt ja selle teeke kasutades tarkvaraarenduse tööriistu ja meetodeid.
Loeng 2.1
Rakenduse struktuur
Loeng 2.2
Ülevaade olulisematest Pythoni standardteegi moodulitest ja pakettidest
Loeng 2.3
Objektid ja klassid Pythonis
Loeng 2.4
Funktsionaalse programmeerimise elemendid Pythonis
Loeng 2.5
Generaatorid. Iteraatorid
Loeng 2.6
Mitme lõimega programmeerimine
Loeng 2.7
Võrgu programmeerimine
Loeng 2.8
Töö andmebaasiga
DISKREETNE MATEMAATIKA11
Kursuse materjal on jagatud viieks osaks: Matemaatilised vahendid; Järjestused; Graafikud; Boole'i funktsioonid; Kodeerimise teooria.
Loeng 3.1
Teema 1.1. Matemaatilise loogika keel
Loeng 3.2
Teema 1.2. Komplektid
Loeng 3.3
Teema 1.3. Binaarsed suhted
Loeng 3.4
Teema 1.4. Matemaatilise induktsiooni meetod
Loeng 3.5
Teema 1.5. Kombinatoorika
Loeng 3.6
Teema 2.1. Korduvad suhted
Loeng 3.7
Teema 3.1. Graafikute tüübid
Loeng 3.8
Teema 3.2. Kaalutud graafikud
Loeng 3.9
Teema 4.1. Boole'i funktsioonide esitus
Loeng 3.10
Teema 4.2. Boole'i funktsioonide klassid
Loeng 3.11
Teema 5.1. Kodeerimise teooria
TÕENÄOSUSE TEOORIA JA MATEMAATILINE STATISTIKA
Loeng 4.1
Teema 1.1. Tõenäosuse mõiste
Loeng 4.2
Teema 1.2. Elementaarteoreemid
Loeng 4.3
Teema 1.3. Juhuslikud muutujad
Loeng 4.4
Teema 2.1. Statistiline andmetöötlus
Loeng 4.5
Teema 2.2. Matemaatilise statistika probleemid
MASINÕPPEMEETODID
Kursusel vaadeldakse pretsedendipõhise õppimise põhiülesandeid: klassifitseerimine, klasterdamine, regressioon, dimensioonide vähendamine. Nende lahendamise meetodeid uuritakse, nii klassikalisi kui uusi, viimase 10–15 aasta jooksul loodud. Rõhk on asetatud käsitletud meetodite matemaatiliste aluste, suhete, tugevate külgede ja piirangute põhjalikule mõistmisele. Teoreemid esitatakse enamasti ilma tõestuseta.
Loeng 6.1
Masinõppe matemaatilised alused
Loeng 6.2
Põhimõisted ja rakendusprobleemide näited
Loeng 6.3
Lineaarne klassifikaator ja stohhastiline gradient
Loeng 6.4
Närvivõrgud: gradiendi optimeerimise meetodid
Loeng 6.5
Meetriline klassifikatsioon ja regressioonimeetodid
Loeng 6.6
Toetage vektormasinat
Loeng 6.7
Mitme muutujaga lineaarne regressioon
Loeng 6.8
Mittelineaarne regressioon
Loeng 6.9
Mudeli valiku kriteeriumid ja funktsioonide valiku meetodid
Loeng 6.10
Loogilised klassifitseerimismeetodid
Loeng 6.11
Klasterdamine ja osaline koolitus
Loeng 6.12
Rakenduslikud masinõppe mudelid
Loeng 6.13
Närvivõrgud järelevalveta õppimisega
Loeng 6.14
Tekstide ja graafikute vektorkujutised
Loeng 6.15
Edetabeli koolitus
Loeng 6.16
Soovitussüsteemid
Loeng 6.17
Adaptiivsed prognoosimismeetodid