0
näkymät
"Koneoppiminen" - kurssi 30 000 ruplaa. MSU: sta, koulutus 3 viikkoa. (1 kuukausi), päivämäärä: 2. joulukuuta 2023.
Miscellanea / / December 06, 2023
Ohjelman tarkoitus – tutustuttaa opiskelijat koneoppimisen perusteisiin.
Koulutuksen kesto – 72 tuntia (30 tuntia luokkahuonetunteja opettajan kanssa, 42 tuntia itsenäistä materiaalien opiskelua).
Opiskelumuoto – kokopäiväinen, osa-aikainen, ilta.
Luokan muoto - kokopäiväinen, muista kaupungeista tuleville osallistujille, jos ei ole mahdollista osallistua henkilökohtaisesti, voit muodostaa yhteyden oppitunnille videoneuvottelun kautta.
Koulutuksen kustannukset - 30 000 ruplaa.
Tuntien aloitus - syksy 2023.
Koulutussopimuksia tehdään yksityisten ja juridisten henkilöiden kanssa.
Kursseille ilmoittautuminen tapahtuu sähköpostitse [email protected] verkkosivuilla olevalla ilmoittautumislomakkeella.
Voit ottaa yhteyttä kurssin ylläpitäjään Anton Martyanoviin rekisteröityäksesi tai jos sinulla on kysyttävää WhatsAppin tai Telegramin kautta: +79264827721.
Teknisten tieteiden tohtori Asema: M.V. Lomonosov Moskovan valtionyliopiston johtamisen ja innovaation korkeakoulun professori
Osa 1. Johdanto. Esimerkkejä tehtävistä. Loogiset menetelmät: päätöspuut ja päätösmetsät.
Loogiset menetelmät: objektien luokittelu yksinkertaisten sääntöjen perusteella. Tulkinta ja toteutus. Yhdistelmä koostumukseksi. Ratkaisevia puita. Satunnainen metsä.
Osasto-2. Metrinen luokitusmenetelmät. Lineaariset menetelmät, stokastinen gradientti.
Metrinen menetelmät. Luokittelu samankaltaisuuden perusteella. Objektien välinen etäisyys. Mittarit. k-lähimpien naapurien menetelmä. Yleistys regressioongelmiin ytimen tasoituksella. Lineaariset mallit. Skaalautuvuus. Soveltuvuus big dataan Stokastinen gradienttimenetelmä. Soveltuvuus lineaaristen luokittimien virittämiseen. Regulaation käsite. Lineaarisilla menetelmillä työskentelyn ominaisuudet. Luokittelun laatumittarit.
Osa 3. Tuki Vector Machine (SVM). Logistinen regressio. Luokittelun laatumittarit.
Lineaariset mallit. Skaalautuvuus. Soveltuvuus big dataan Stokastinen gradienttimenetelmä. Soveltuvuus lineaaristen luokittimien virittämiseen. Regulaation käsite. Lineaarisilla menetelmillä työskentelyn ominaisuudet.
Osa 4. Lineaarinen regressio. Dimensiovähennys, pääkomponenttimenetelmä.
Lineaariset mallit regressiolle. Niiden yhteys "objektit-ominaisuudet" -matriisin singulaariseen hajoamiseen. Merkkien määrän vähentäminen. Lähestymistapoja ominaisuusvalintaan. Pääkomponenttimenetelmä. Dimensiovähennysmenetelmät.
Osa 5. Algoritmien koostumukset, gradientin tehostaminen. Neuroverkot.
Mallien yhdistäminen koostumukseksi. Mallivirheiden keskinäinen korjaus. Sävellyksiin liittyvät peruskäsitteet ja ongelmanratkaisut. Gradientin tehostaminen.
Neuroverkot. Etsi epälineaarisia jakopintoja. Monikerroksiset neuroverkot ja niiden viritys backpropagation menetelmällä. Syvät neuroverkot: niiden arkkitehtuurit ja ominaisuudet.
Osa 6. Klusterointi ja visualisointi.
Valvomattoman oppimisen ongelmat. Rakenteen löytäminen tiedosta. Klusterointiongelmana on löytää samankaltaisten objektien ryhmiä. Visualisointitehtävä on objektien kartoittaminen kaksi- tai kolmiulotteiseen tilaan.
Osa 7. Sovellettavat data-analyysiongelmat: formulaatiot ja ratkaisumenetelmät.
Osittainen oppiminen ongelmana ohjatun oppimisen ja klusteroinnin välillä. Otantaongelma, jossa kohdemuuttujan arvo tunnetaan vain joidenkin kohteiden kohdalla. Ero osittaisen oppimisongelman ja aiemmin käsiteltyjen muotoilujen välillä. Lähestymistapoja ratkaisuun.
Ongelmien analysointi sovellettavilta alueilta: pisteytys pankeissa, vakuutukset, merkintäongelmat, kuvioiden tunnistusongelmat.
Osoite
119991, Moskova, st. Leninskie Gory, 1, bldg. 51, 5. krs, huone 544 (Dekaanin toimisto)
Yliopisto
Tilaa