"Masinõpe" - kursus 30 000 rubla. MSU-st, koolitus 3 nädalat. (1 kuu), kuupäev: 30. november 2023.
Varia / / December 02, 2023
Programmi eesmärk – tutvustada õpilastele masinõppe põhitõdesid.
Koolituse kestus – 72 tundi (30 tundi auditoorseid tunde koos õpetajaga, 42 tundi iseseisvat materjaliõpet).
Õppevorm – täistööaeg, osaline tööaeg, õhtune.
Klassi formaat - täiskohaga, teistest linnadest pärit osalejatele, kui isiklikult ei ole võimalik osaleda, saate tunniga ühenduda videokonverentsi kaudu.
Hariduse maksumus - 30 000 rubla.
Tundide algus - sügis 2023.
Koolituslepingud sõlmitakse füüsiliste ja juriidiliste isikutega.
Kursustele registreerimine toimub e-posti aadressil [email protected], kasutades veebisaidi registreerimisvormi.
Registreerumiseks või küsimustega saab ühendust võtta kursuse administraatori Anton Martjanoviga WhatsAppi või Telegrami kaudu: +79264827721.
Tehnikateaduste doktor Ametikoht: M. V. Lomonosovi Moskva Riikliku Ülikooli juhtimis- ja innovatsioonikõrgkooli professor
1. jagu. Sissejuhatus. Näited ülesannetest. Loogilised meetodid: otsustuspuud ja otsustusmetsad.
Loogilised meetodid: objektide klassifitseerimine lihtsate reeglite alusel. Tõlgendamine ja rakendamine. Kombinatsioon kompositsiooniks. Otsustavad puud. Juhuslik mets.
2. jagu. Meetrilise klassifitseerimise meetodid. Lineaarsed meetodid, stohhastiline gradient.
Meetrilised meetodid. Klassifikatsioon sarnasuse alusel. Objektide vaheline kaugus. Mõõdikud. k-lähimate naabrite meetod. Regressiooniprobleemide üldistamine tuuma silumise abil. Lineaarsed mudelid. Skaleeritavus. Kasutatavus suurandmete puhul Stohhastilise gradiendi meetod. Kasutatavus lineaarsete klassifikaatorite häälestamiseks. Reguleerimise mõiste. Lineaarsete meetoditega töötamise tunnused. Klassifikatsiooni kvaliteedimõõdikud.
3. jagu. Toetage vektormasinat (SVM). Logistiline regressioon. Klassifikatsiooni kvaliteedimõõdikud.
Lineaarsed mudelid. Skaleeritavus. Kasutatavus suurandmete puhul Stohhastilise gradiendi meetod. Kasutatavus lineaarsete klassifikaatorite häälestamiseks. Reguleerimise mõiste. Lineaarsete meetoditega töötamise tunnused.
4. jagu. Lineaarne regressioon. Mõõtmete vähendamine, põhikomponendi meetod.
Regressiooni lineaarsed mudelid. Nende seos maatriksi "objektid-omadused" ainsuse lagunemisega. Märkide arvu vähendamine. Funktsioonide valiku lähenemisviisid. Põhikomponendi meetod. Mõõtmete vähendamise meetodid.
5. jagu. Algoritmide kompositsioonid, gradiendi suurendamine. Närvivõrgud.
Mudelite kombineerimine kompositsiooniks. Mudelivigade vastastikune parandamine. Kompositsioonidega seotud põhimõisted ja probleemipüstitused. Gradiendi suurendamine.
Närvivõrgud. Otsige mittelineaarseid eralduspindu. Mitmekihilised närvivõrgud ja nende häälestamine backpropagation meetodil. Sügavad närvivõrgud: nende arhitektuur ja omadused.
6. jagu. Klasterdamine ja visualiseerimine.
Probleemid juhendamata õppimisega. Andmete struktuuri leidmine. Klasterdamisprobleem on ülesanne leida sarnaste objektide rühmi. Visualiseerimisülesanne on objektide kaardistamine kahe- või kolmemõõtmelisse ruumi.
7. jagu. Rakenduslikud andmeanalüüsi probleemid: formulatsioonid ja lahendusmeetodid.
Osaline õppimine kui probleem juhendatud õppe ja klastri moodustamise vahel. Valimiprobleem, mille puhul sihtmuutuja väärtus on teada ainult mõne objekti puhul. Erinevus osalise õppimisprobleemi ja eelnevalt käsitletud sõnastuste vahel. Lähenemisviisid lahendusele.
Probleemide analüüs rakendusvaldkondadest: skoorimine pankades, kindlustus, kindlustusprobleemid, mustrite tuvastamise probleemid.
Aadress
119991, Moskva, st. Leninskie Gory, 1, bldg. 51, 5. korrus, tuba 544 (dekanaat)
Ülikool