0
Posjeta
“Analiza podataka i strojno učenje” - tečaj 120.000 rubalja. iz MSU, obuka 48 tjedana. (12 mjeseci), Datum: 16.02.2023.
Miscelanea / / November 27, 2023
Program stručne prekvalifikacije „Analiza podataka i strojno učenje“ usmjeren je na osposobljavanje stručnjaka u području računalnih tehnologije sposobne za razvoj softverskih sustava korištenjem rudarenja podataka i stroja trening.
Formiranje stručnih kompetencija studenata vezanih uz primijenjeno programiranje i baze podataka podatke potrebne za stjecanje kvalifikacije „specijalist u području analize podataka i stroj trening"
U procesu učenja koristi se programski jezik Python, interaktivno razvojno okruženje Jupiter, scikit-learn softverske biblioteke za strojno učenje i dr.
Strojno učenje široko je potpodručje umjetne inteligencije koje proučava metode za konstruiranje algoritama koji mogu učiti. Strojno učenje glavni je moderni pristup analizi podataka i izgradnji inteligentnih informacijskih sustava. Metode strojnog učenja temelj su svih metoda računalnog vida i aktivno se koriste u obradi slike. Tečaj sadrži mnogo praktično primjenjivih algoritama.
UVJETI ZA PRIJAVU
Kandidati za program prekvalifikacije moraju imati višu ili srednju specijaliziranu naobrazbu. Iskustvo programiranja na proceduralnim jezicima je poželjno.
NAČIN TRENINGA
Program je osmišljen za 1 godinu studija: od 16. veljače 2023. do 31. siječnja 2024. godine.
Volumen 684 sata.
Prijam dokumenata od 20. prosinca do 28. veljače.
Nastava bez veze s rasporedom prema individualnoj obrazovnoj putanji.
Da biste stekli diplomu Moskovskog državnog sveučilišta za stručnu prekvalifikaciju, morate završiti nastavni plan i program i pripremiti završni rad.
Završni rad je samostalna izrada programskog sustava.
1. Za upis u program morate ispuniti sljedeće dokumente (ručno ili elektronički) i poslati ih na [email protected]:
2. Na temelju dostavljenih dokumenata izradit će se Ugovor o izobrazbi.
3. Nakon potpisivanja ugovora šalju se dokumenti za plaćanje: kolovoz-rujan.
4. Nakon uplate počinjete s treningom.
Profesor Katedre za informacijsku sigurnost, prov. JIL laboratorij
Akademski stupanj: doktor tehničkih znanosti. znanosti
Sukhomlin Vladimir Aleksandrovič, počasni profesor Moskovskog državnog sveučilišta, profesor, doktor tehničkih znanosti, voditelj Laboratorija za otvorene informacijske tehnologije (OIT).
Kandidatsku disertaciju iz područja fizikalno-matematičkih znanosti obranio je na Stručnom vijeću VMK 1976. godine.
Godine 1989 obranio doktorsku disertaciju iz specijalnosti 05.13.11 na Vijeću pri Institutu za računalne znanosti i tehnologiju Akademije znanosti SSSR-a, tema disertacije povezana je s modeliranjem složenih radiotehničkih sustava.
Godine 1992 dodijelio akademski naziv profesora.
Dobitnik je spomen medalje „800 godina Moskve“.
Godine 2000-2002 razvio koncept i državne standarde novog znanstvenog i obrazovnog smjera "Informacijske tehnologije". Na temelju ovog razvoja ruskog Ministarstva obrazovanja 2002. kreiran je smjer 511900 “Informacijske tehnologije” te je proveden eksperiment za njegovu implementaciju. Godine 2006. ovaj je smjer na inicijativu autora preimenovan u “Fundamentalna informatika i informacijske tehnologije” (FIIT). Trenutno se ovaj smjer provodi na više od 40 sveučilišta u zemlji.
Sukhomlin V.A. - izrađivač državnih standarda za prvostupnika i magistra 2. i 3. generacije za smjer “Temeljne računarske znanosti i informacijske tehnologije”.
UVOD U UMJETNU INTELIGENCIJU
Cilj kolegija je dati studentima širok pregled problema i metoda umjetne inteligencije.
Predavanje 1.1
Metode logičkog zaključivanja
Predavanje 1.2
Traženje rješenja, planiranje, raspored
Predavanje 1.3
Strojno učenje
Predavanje 1.4
Interakcija čovjek-stroj
PROGRAMIRANJE U PYTHONU
Svrha izučavanja discipline je ovladavanje alatima i metodama razvoja softvera korištenjem jezika Python i njegovih biblioteka.
Predavanje 2.1
Struktura aplikacije
Predavanje 2.2
Pregled najvažnijih modula i paketa standardne knjižnice Python
Predavanje 2.3
Objekti i klase u Pythonu
Predavanje 2.4
Elementi funkcionalnog programiranja u Pythonu
Predavanje 2.5
Generatori. Iteratori
Predavanje 2.6
Višenitno programiranje
Predavanje 2.7
Mrežno programiranje
Predavanje 2.8
Rad s bazom podataka
DISKRETNA MATEMATIKA11
Materijal tečaja podijeljen je u pet dijelova: Matematički alati; Sekvence; Grafikoni; Booleove funkcije; Teorija kodiranja.
Predavanje 3.1
Tema 1.1. Jezik matematičke logike
Predavanje 3.2
Tema 1.2. Setovi
Predavanje 3.3
Tema 1.3. Binarni odnosi
Predavanje 3.4
Tema 1.4. Metoda matematičke indukcije
Predavanje 3.5
Tema 1.5. Kombinatorika
Predavanje 3.6
Tema 2.1. Relacije ponavljanja
Predavanje 3.7
Tema 3.1. Vrste grafova
Predavanje 3.8
Tema 3.2. Ponderirani grafikoni
Predavanje 3.9
Tema 4.1. Predstavljanje Booleovih funkcija
Predavanje 3.10
Tema 4.2. Klase Booleovih funkcija
Predavanje 3.11
Tema 5.1. Teorija kodiranja
TEORIJA VJEROJATNOSTI I MATEMATIČKA STATISTIKA
Predavanje 4.1
Tema 1.1. Pojam vjerojatnosti
Predavanje 4.2
Tema 1.2. Elementarni teoremi
Predavanje 4.3
Tema 1.3. Slučajne varijable
Predavanje 4.4
Tema 2.1. Statistička obrada podataka
Predavanje 4.5
Tema 2.2. Problemi matematičke statistike
METODE STROJNOG UČENJA
Predmet ispituje glavne zadatke učenja prema presedanu: klasifikacija, grupiranje, regresija, smanjenje dimenzionalnosti. Proučavaju se metode za njihovo rješavanje, kako klasične tako i nove, nastale u posljednjih 10-15 godina. Naglasak je stavljen na temeljito razumijevanje matematičkih temelja, odnosa, prednosti i ograničenja metoda o kojima se govori. Teoreme se uglavnom daju bez dokaza.
Predavanje 6.1
Matematičke osnove strojnog učenja
Predavanje 6.2
Osnovni pojmovi i primjeri primijenjenih problema
Predavanje 6.3
Linearni klasifikator i stohastički gradijent
Predavanje 6.4
Neuronske mreže: metode gradijentne optimizacije
Predavanje 6.5
Metode metričke klasifikacije i regresije
Predavanje 6.6
Potporni vektorski stroj
Predavanje 6.7
Multivarijatna linearna regresija
Predavanje 6.8
Nelinearna regresija
Predavanje 6.9
Kriteriji odabira modela i metode odabira značajki
Predavanje 6.10
Metode logičke klasifikacije
Predavanje 6.11
Grupiranje i djelomični trening
Predavanje 6.12
Primijenjeni modeli strojnog učenja
Predavanje 6.13
Neuronske mreže s nenadziranim učenjem
Predavanje 6.14
Vektorski prikazi tekstova i grafikona
Predavanje 6.15
Trening za rangiranje
Predavanje 6.16
Preporučni sustavi
Predavanje 6.17
Adaptivne metode predviđanja
Pretplatite