"Johdatus data-analyysiin" - kurssi 20 000 RUB. MSU: sta, koulutus 13 viikkoa. (1,5 kuukautta), päivämäärä: 12. toukokuuta 2023.
Miscellanea / / December 02, 2023
Ohjelma on suunnattu esimiehille, analyytikoille, yritysanalyytikoille, tiiminjohtajille, niille, jotka tarvitsevat lyhyen ja helposti saatavilla olevan esityksen data-analyysimenetelmistä - koneoppimismenetelmistä ja neuroverkot.
Pääsyvaatimukset
Ohjelma on tarkoitettu korkeakoulututkinnon suorittaneille tai korkeakoulututkintoa suorittaville opiskelijoille (toiseksi viimeisellä ja viimeisellä opintovuonna)
Päivämäärät: 12., 16., 17., 19., 23., 24. toukokuuta 2023
Kurssit klo 17.00-20.00
Luento 1 Sisäänpääsyvaatimukset. Ohjelman esittely
Tavoitteet
Ohjelman yleiskatsaus
Lineaarialgebran termit
Esimerkkejä esineiden esittämisestä
Matriisien ja vektorien kanssa työskentelyn säännöt teknillisen korkeakoulun 1.-2. vuoden tasolla.
Luento 2 Mallien perustyypit mallien etsimiseen tiedosta
Taantumisanalyysi
Tietojen klusterointi
Yksinkertaiset ja yleiset päätöspuut
Tietojen vähentäminen - pääkomponenttianalyysi
Evoluutioalgoritmit
Neuroverkot
Luento 3 Tietojen analysoinnin esittely
Johdatus data-analyysiin ja kuvioiden tunnistamiseen
Ensisijaisten tietojen muunnos, poikkeavien tekijöiden etsiminen
Regressioanalyysi, rullaava ohjaus
Päätöspuut, yksinkertaiset ja yleiset lomakkeet
Luento 4 Kohteiden läheisyys (samankaltaisuus). Klusterit ja niiden haku
Klusteri graafin yhdistettynä komponenttina.
Vähimmäisvirittävän puun rakentaminen.
K-välineiden menetelmä, yksinkertaiset ja yleiset versiot.
Hierarkkinen klusterianalyysi, dendrogrammit
Luento 5 Pääkomponenttimenetelmä
Tekijät ja niiden haku, SVD-matriisin hajottaminen
Tekijöiden geometrinen merkitys
Regressio tekijöistä
Moniulotteinen skaalaus
Luento 6 Kehittyneet analyysimenetelmät
Evoluutioalgoritmit – GMDH, geneettiset
Ytimen toiminnot – "merkitön" data-analyysi
SVM ja tukivektorit
"Kun tietoja on vähän" - Bootstrap-menetelmä
Ennakoivien algoritmien perheet
"Sumeat" merkit (Fuzzy)
"Sumeat" luokittelijat
Luento 7 Neuroverkot. Osa 1
Perceptron-malli ja sen rajoitukset
Klassiset hermoverkot, hermosolujen kerros, kahdenlaisia hermosoluja
Hermoverkkojen ratkaisemia ongelmia, "syvä oppiminen"
Luento 8 Neuroverkot. Osa 2
Kuva-analyysi ja konvoluutiohermoverkot
Neuroverkot ja ominaisuussuunnittelu
Yliasennus ongelma
Neuroverkkojen kehittämisen näkymät
Graphics Processing Units (GPU: t).
Luento 9 Tiedon konsolidointi
Perusmateriaalin toisto käytännön esimerkillä
Yhteenveto
Kumulatiivinen luotto
Kurssi kattaa Cassandra 4-x -arkkitehtuurin perusteet, käsitteellisten, loogisten ja fyysisten tietomallien kehittämisen. Kattaa kaikki tarvittavat tekniset yksityiskohdat Cassandra skaalautuvaan käyttöön tietojen tallentamiseen Java-projekteihin sekä seurantaan, konfigurointiin ja konfigurointiin tuottavuutta.
4
51 500 ₽