"Tietojen analysointi ja koneoppiminen" - kurssi 120 000 ruplaa. MSU: sta, koulutus 48 viikkoa. (12 kuukautta), päivämäärä: 16. helmikuuta 2023.

Miscellanea / by admin / November 27, 2023

click fraud protection

Ammatillinen uudelleenkoulutusohjelma "Data Analysis and Machine Learning" on suunnattu tietokonealan asiantuntijoiden kouluttamiseen. teknologiat, jotka pystyvät kehittämään ohjelmistojärjestelmiä tiedonlouhinnan ja koneen avulla koulutusta.

Sovellettavaan ohjelmointiin ja tietokantoihin liittyvän ammatillisen osaamisen muodostuminen opiskelijoiden keskuudessa tarvittavat tiedot "tietoanalyysin ja koneen asiantuntijan pätevyyden hankkimiseen koulutus"

Oppimisprosessissa käytetään Python-ohjelmointikieltä, vuorovaikutteista Jupiter-kehitysympäristöä, scikit-learn-ohjelmistokirjastoja koneoppimiseen ja muita.

Koneoppiminen on tekoälyn laaja alakenttä, joka tutkii menetelmiä oppia oppivien algoritmien rakentamiseen. Koneoppiminen on tärkein moderni lähestymistapa tiedon analysointiin ja älykkäiden tietojärjestelmien rakentamiseen. Koneoppimismenetelmät ovat kaikkien tietokonenäkömenetelmien taustalla ja niitä käytetään aktiivisesti kuvankäsittelyssä. Kurssi sisältää monia käytännössä sovellettavia algoritmeja.

instagram viewer

HAKEMUSVAATIMUKSET
Uudelleenkoulutusohjelmaan hakijoilla tulee olla korkea- tai keskiasteen erikoistunut koulutus. Kokemus ohjelmoinnista proseduurikielillä on suotavaa.

HARJOITUSTILA
Ohjelma on suunniteltu yhden vuoden opiskelulle: 16.2.2023-31.1.2024.
Äänenvoimakkuus 684 tuntia.
Asiakirjojen vastaanotto 20. joulukuuta - 28. helmikuuta.

Tuntia ilman aikataulua yksilöllisen koulutuspolun mukaan.

Moskovan valtionyliopiston tutkinnon saamiseksi ammatillisessa uudelleenkoulutuksessa sinun on suoritettava opetussuunnitelma ja laadittava opinnäytetyö.
Lopputyö on ohjelmistojärjestelmän itsenäinen kehitystyö.

1. Ilmoittautuaksesi ohjelmaan sinun on täytettävä seuraavat asiakirjat (käsin tai sähköisesti) ja lähetettävä ne osoitteeseen [email protected]:

2. Toimitettujen asiakirjojen perusteella laaditaan koulutussopimus.
3. Sopimuksen allekirjoittamisen jälkeen lähetetään maksuasiakirjat: elo-syyskuu.
4. Maksun jälkeen aloitat harjoittelun.

Tietoturvan osaston professori, johtaja. ICU laboratorio
Akateeminen tutkinto: Teknisten tieteiden tohtori. tieteet
Sukhomlin Vladimir Aleksandrovich, Moskovan valtionyliopiston kunniaprofessori, professori, teknisten tieteiden tohtori, avoimen tietotekniikan laboratorion (OIT) johtaja.
Väitös väitöskirjasta fysikaalisten ja matemaattisten tieteiden alalta VMK: n akateemisessa neuvostossa vuonna 1976.
Vuonna 1989 väitteli erikoisalalla 05.13.11 Neuvostoliiton Tiedeakatemian Tietotekniikan instituutin neuvostossa, väitöskirjan aihe liittyy monimutkaisten radioteknisten järjestelmien mallintamiseen.
Vuonna 1992 hänelle myönnettiin professorin arvonimi.
Palkittiin "800 vuotta Moskovan" muistomitalilla.
Vuosina 2000-2002 kehitti uuden tieteellisen ja koulutuksellisen suunnan "Information Technologies" käsitteen ja valtion standardit. Venäjän opetusministeriön vuonna 2002 tekemän kehityksen perusteella. Suunta 511900 ”Tietoteknologiat” luotiin ja sen toteuttamiseksi tehtiin kokeilu. Vuonna 2006 tämä suunta nimettiin uudelleen kirjoittajan aloitteesta "Fundamental Informatics and Information Technologies" (FIIT). Tällä hetkellä tätä suuntaa toteutetaan yli 40 yliopistossa maassa.

Sukhomlin V.A. - 2. ja 3. sukupolven kandidaatin ja maisterin valtion standardien kehittäjä "Perustietotekniikan ja tietotekniikan" suuntaan.

JOHDANTO KEKOÄLYYN
Kurssin tavoitteena on antaa opiskelijalle laaja yleiskuva tekoälyn ongelmista ja menetelmistä.

Luento 1.1
Loogiset päättelymenetelmät
Luento 1.2
Ratkaisujen etsiminen, suunnittelu, aikatauluttaminen
Luento 1.3
Koneoppiminen
Luento 1.4
Ihmisen ja koneen vuorovaikutus

OHJELMOINTI PYTHONISSA
Tieteen opiskelun tarkoituksena on hallita Python-kieltä ja sen kirjastoja käyttävän ohjelmistokehityksen työkalut ja menetelmät.

Luento 2.1
Sovelluksen rakenne
Luento 2.2
Yleiskatsaus tärkeimpiin Python-standardikirjastomoduuleihin ja -paketteihin
Luento 2.3
Pythonin objektit ja luokat
Luento 2.4
Toiminnallisen ohjelmoinnin elementit Pythonissa
Luento 2.5
Generaattorit. Iteraattorit
Luento 2.6
Monisäikeinen ohjelmointi
Luento 2.7
Verkko-ohjelmointi
Luento 2.8
Työskentely tietokannan kanssa

DISKREETI MATEMATIIKKA11
Kurssimateriaali on jaettu viiteen osaan: Matemaattiset työkalut; Sekvenssit; Kaaviot; Boolen funktiot; Koodauksen teoria.

Luento 3.1
Aihe 1.1. Matemaattisen logiikan kieli
Luento 3.2
Aihe 1.2. Sarjat
Luento 3.3
Aihe 1.3. Binäärisuhteet
Luento 3.4
Aihe 1.4. Matemaattisen induktion menetelmä
Luento 3.5
Aihe 1.5. Kombinatoriikka
Luento 3.6
Aihe 2.1. Toistuvat suhteet
Luento 3.7
Aihe 3.1. Kaavioiden tyypit
Luento 3.8
Aihe 3.2. Painotetut kaaviot
Luento 3.9
Aihe 4.1. Boolen funktioiden esitys
Luento 3.10
Aihe 4.2. Boolen funktioluokat
Luento 3.11
Aihe 5.1. Koodauksen teoria

TODENNÄKÖISYYSTEORIA JA MATEMAATTISET TILASTOTIEDOT
Luento 4.1
Aihe 1.1. Todennäköisyyden käsite
Luento 4.2
Aihe 1.2. Alkeislauseet
Luento 4.3
Aihe 1.3. Satunnaiset muuttujat
Luento 4.4
Aihe 2.1. Tilastollinen tietojenkäsittely
Luento 4.5
Aihe 2.2. Matemaattisten tilastojen ongelmat

KONEOPPIMISMENETELMÄT
Kurssilla tarkastellaan ennakko-oppimisen päätehtäviä: luokittelu, klusterointi, regressio, ulottuvuuden vähentäminen. Niiden ratkaisemiseen tutkitaan sekä klassisia että uusia, viimeisen 10–15 vuoden aikana luotuja menetelmiä. Painopiste on käsiteltyjen menetelmien matemaattisten perusteiden, suhteiden, vahvuuksien ja rajoitusten perusteelliseen ymmärtämiseen. Lauseet esitetään useimmiten ilman todisteita.

Luento 6.1
Koneoppimisen matemaattiset perusteet
Luento 6.2
Peruskäsitteitä ja esimerkkejä sovellettavista ongelmista
Luento 6.3
Lineaarinen luokitin ja stokastinen gradientti
Luento 6.4
Neuroverkot: gradientin optimointimenetelmät
Luento 6.5
Metrinen luokittelu ja regressiomenetelmät
Luento 6.6
Tuki Vector Machine
Luento 6.7
Monimuuttuja lineaarinen regressio
Luento 6.8
Epälineaarinen regressio
Luento 6.9
Mallin valintakriteerit ja ominaisuuden valintamenetelmät
Luento 6.10
Loogiset luokittelumenetelmät
Luento 6.11
Klusterointi ja osakoulutus
Luento 6.12
Sovellettavat koneoppimismallit
Luento 6.13
Neuraaliverkot, joissa on ohjaamatonta oppimista
Luento 6.14
Vektoriesitykset teksteistä ja kaavioista
Luento 6.15
Ranking koulutus
Luento 6.16
Recommender-järjestelmät
Luento 6.17
Mukautuvat ennustusmenetelmät

Tunnisteet pilvi

Miscellanea

luokitus

näkymät

Kommentit