“Strojno učenje” - tečaj 30.000 rubalja. iz MSU, obuka 3 tjedna. (1 mjesec), Datum: 30.11.2023.

Miscelanea / by admin / December 02, 2023

click fraud protection

Svrha programa – upoznati učenike s osnovama strojnog učenja.

Trajanje obuke – 72 sata (30 sati razredne nastave s nastavnikom, 42 sata samostalnog proučavanja gradiva).

Oblik studija – puno radno vrijeme, izvanredno, večernje.

Format nastave - puno radno vrijeme, za sudionike iz drugih gradova, ako je nemoguće doći osobno, moći ćete se spojiti na nastavu putem video konferencije.

Trošak obrazovanja - 30.000 rubalja.

Početak nastave - jesen 2023.

Ugovori o izobrazbi sklapaju se s fizičkim i pravnim osobama.

Registracija za tečajeve provodi se putem e-pošte [email protected], koristeći obrazac za registraciju na web stranici.

Možete kontaktirati administratora tečaja, Antona Martyanova, za registraciju ili pitanja putem WhatsAppa ili Telegrama: +79264827721.

Doktor tehničkih znanosti Pozicija: profesor Visoke škole za menadžment i inovacije Moskovskog državnog sveučilišta M.V. Lomonosov

odjeljak 1. Uvod. Primjeri zadataka. Logičke metode: stabla odlučivanja i šume odlučivanja.

Logičke metode: klasifikacija objekata na temelju jednostavnih pravila. Tumačenje i provedba. Kombinacija u kompoziciju. Odlučna stabla. Slučajna šuma.

instagram viewer

odjeljak 2. Metode metričke klasifikacije. Linearne metode, stohastički gradijent.

Metrijske metode. Klasifikacija na temelju sličnosti. Udaljenost između objekata. Metrika. Metoda k-najbližih susjeda. Generalizacija na probleme regresije korištenjem izglađivanja jezgre. Linearni modeli. Skalabilnost. Primjenjivost na velike podatke Metoda stohastičkog gradijenta. Primjenjivost za podešavanje linearnih klasifikatora. Koncept regularizacije. Značajke rada s linearnim metodama. Mjerila kvalitete klasifikacije.

odjeljak 3. Support Vector Machine (SVM). Logistička regresija. Mjerila kvalitete klasifikacije.

Linearni modeli. Skalabilnost. Primjenjivost na velike podatke Metoda stohastičkog gradijenta. Primjenjivost za podešavanje linearnih klasifikatora. Koncept regularizacije. Značajke rada s linearnim metodama.

odjeljak 4. Linearna regresija. Redukcija dimenzionalnosti, metoda glavnih komponenti.

Linearni modeli za regresiju. Njihova povezanost sa singularnom dekompozicijom matrice “objekti-značajke”. Smanjenje broja znakova. Pristupi odabiru značajki. Metoda glavne komponente. Metode redukcije dimenzionalnosti.

odjeljak 5. Kompozicije algoritama, povećanje gradijenta. Neuronske mreže.

Spajanje modela u kompoziciju. Međusobno ispravljanje pogrešaka modela. Osnovni pojmovi i problemi vezani uz skladbe. Pojačavanje gradijenta.
Neuronske mreže. Traženje nelinearnih razdjelnih ploha. Višeslojne neuronske mreže i njihovo ugađanje metodom povratnog širenja. Duboke neuronske mreže: njihove arhitekture i značajke.

odjeljak 6. Grupiranje i vizualizacija.

Problemi nenadziranog učenja. Pronalaženje strukture u podacima. Problem klasteriranja je zadatak pronalaženja grupa sličnih objekata. Zadatak vizualizacije je zadatak preslikavanja objekata u dvo- ili trodimenzionalni prostor.

odjeljak 7. Primijenjeni problemi analize podataka: formulacije i metode rješavanja.

Parcijalno učenje kao problem između nadziranog učenja i klasteriranja. Problem uzorkovanja u kojem je vrijednost ciljne varijable poznata samo za neke objekte. Razlika između problema djelomičnog učenja i prethodno razmotrenih formulacija. Pristupi rješenju.
Analiza problema iz primijenjenih područja: bodovanje u bankama, osiguranje, problemi preuzimanja rizika, problemi prepoznavanja uzoraka.

Adresa

119991, Moskva, ul. Leninskie Gory, 1, bldg. 51, V kat, soba 544 (Dekanat)

Sveučilište

Tagovi oblak

Miscelanea

Ocjena

Posjeta

Komentari