„Analiza datelor și învățarea automată” - curs 120.000 de ruble. de la MSU, antrenament 48 de săptămâni. (12 luni), Data: 16 februarie 2023.
Miscelaneu / / November 27, 2023
Programul de recalificare profesională „Analiza datelor și învățare automată” este destinat formării specialiștilor în domeniul computerului tehnologii capabile să dezvolte sisteme software folosind data mining și mașină Instruire.
Formarea competențelor profesionale în rândul studenților legate de programarea aplicată și bazele de date datele necesare dobândirii calificării „specialist în domeniul analizei datelor și mașinii Instruire"
Procesul de învățare utilizează limbajul de programare Python, mediul de dezvoltare interactiv Jupiter, biblioteci de software scikit-learn pentru învățarea automată și altele.
Învățarea automată este un subdomeniu larg al inteligenței artificiale care studiază metode de construire a algoritmilor care pot învăța. Învățarea automată este principala abordare modernă a analizei datelor și a construirii sistemelor informaționale inteligente. Metodele de învățare automată stau la baza tuturor metodelor de viziune computerizată și sunt utilizate în mod activ în procesarea imaginilor. Cursul conține mulți algoritmi aplicabili practic.
CERINȚE DE APLICARE
Candidații la programul de recalificare trebuie să aibă studii superioare sau medii de specialitate. Este de dorit experiență în programare în limbaje procedurale.
MODUL DE ANTRENARE
Programul este conceput pentru 1 an de studiu: de la 16 februarie 2023 până la 31 ianuarie 2024.
Volum 684 ore.
Acceptarea actelor in perioada 20 decembrie - 28 februarie.
Cursuri fără referire la un program conform unei traiectorii educaționale individuale.
Pentru a obține o diplomă a Universității de Stat din Moscova în recalificare profesională, trebuie să finalizați curriculumul și să pregătiți o teză finală.
Lucrarea finală este o dezvoltare independentă a unui sistem software.
1. Pentru a vă înscrie în program, trebuie să completați următoarele documente (de mână sau electronic) și să le trimiteți la [email protected]:
2. Pe baza documentelor depuse se va intocmi un Acord de Training.
3. După semnarea contractului se trimit documente de plată: august-septembrie.
4. După plată, începeți antrenamentul.
Profesor al Departamentului de Securitate Informațională, șef. laborator UTI
Gradul academic: doctor în științe tehnice. stiinte
Sukhomlin Vladimir Aleksandrovich, profesor onorat al Universității de Stat din Moscova, profesor, doctor în științe tehnice, șef al Laboratorului de Tehnologii Informaționale Deschise (OIT).
Disertația candidatului a fost susținută în domeniul științelor fizice și matematice la Consiliul Academic al VMK în 1976.
În 1989 și-a susținut teza de doctorat la specialitatea 13.05.11 la Consiliul de la Institutul de Informatică și Tehnologie al Academiei de Științe a URSS, tema tezei este legată de modelarea sistemelor complexe de inginerie radio.
În 1992 a primit titlul academic de profesor.
A primit medalia comemorativă „800 de ani de la Moscova”.
În 2000-2002 a dezvoltat conceptul și standardele de stat ale unei noi direcții științifice și educaționale „Tehnologii informaționale”. Pe baza acestor evoluții ale Ministerului Educației din Rusia în 2002. a fost creată direcția 511900 „Tehnologii informaționale” și a fost efectuat un experiment pentru implementarea acesteia. În 2006, această direcție a fost redenumită la inițiativa autorului în „Informatică fundamentală și tehnologii informaționale” (FIIT). În prezent, această direcție este implementată în peste 40 de universități din țară.
Sukhomlin V.A. - elaborator de standarde de stat pentru licență și master de generația a 2-a și a 3-a pentru direcția „Informatică fundamentală și tehnologia informației”.
INTRODUCERE ÎN INTELIGENTĂ ARTIFICIALĂ
Scopul cursului este de a oferi studenților o privire de ansamblu asupra problemelor și metodelor inteligenței artificiale.
Cursul 1.1
Metode de inferență logică
Cursul 1.2
Găsirea de soluții, planificare, programare
Cursul 1.3
Învățare automată
Cursul 1.4
Interacțiunea om-mașină
PROGRAMARE ÎN PYTHON
Scopul studierii disciplinei este de a stăpâni instrumentele și metodele de dezvoltare software folosind limbajul Python și bibliotecile sale.
Cursul 2.1
Structura aplicației
Cursul 2.2
Prezentare generală a celor mai importante module și pachete de bibliotecă standard Python
Cursul 2.3
Obiecte și clase în Python
Cursul 2.4
Elemente de programare funcțională în Python
Cursul 2.5
Generatoare. Iteratori
Cursul 2.6
Programare cu mai multe fire
Cursul 2.7
Programarea în rețea
Cursul 2.8
Lucrul cu baza de date
MATEMATICĂ DISCRETA11
Materialul de curs este împărțit în cinci secțiuni: Instrumente matematice; secvențe; Grafice; funcții booleene; Teoria codificarii.
Cursul 3.1
Subiectul 1.1. Limbajul logicii matematice
Cursul 3.2
Subiectul 1.2. Seturi
Cursul 3.3
Subiectul 1.3. Relații binare
Cursul 3.4
Subiectul 1.4. Metoda inducției matematice
Cursul 3.5
Subiectul 1.5. Combinatorică
Cursul 3.6
Subiectul 2.1. Relații de recurență
Cursul 3.7
Subiectul 3.1. Tipuri de grafice
Cursul 3.8
Subiectul 3.2. Grafice ponderate
Cursul 3.9
Subiectul 4.1. Reprezentarea funcțiilor booleene
Cursul 3.10
Subiectul 4.2. Clase de funcții booleene
Cursul 3.11
Subiectul 5.1. Teoria codificarii
TEORIA PROBABILITĂȚII ȘI STATISTICĂ MATEMATICĂ
Cursul 4.1
Subiectul 1.1. Conceptul de probabilitate
Cursul 4.2
Subiectul 1.2. Teoreme elementare
Cursul 4.3
Subiectul 1.3. Variabile aleatoare
Cursul 4.4
Subiectul 2.1. Prelucrarea datelor statistice
Cursul 4.5
Subiectul 2.2. Probleme de statistică matematică
METODE DE ÎNVĂŢAREA MACHINĂ
Cursul examinează principalele sarcini ale învățării prin precedent: clasificare, grupare, regresie, reducerea dimensionalității. Se studiază metode de rezolvare a acestora, atât clasice, cât și noi, create în ultimii 10-15 ani. Accentul este pus pe o înțelegere aprofundată a fundamentelor matematice, relațiilor, punctelor forte și limitărilor metodelor discutate. Teoremele sunt de cele mai multe ori date fără dovezi.
Cursul 6.1
Bazele matematice ale învățării automate
Cursul 6.2
Concepte de bază și exemple de probleme aplicate
Cursul 6.3
Clasificator liniar și gradient stocastic
Cursul 6.4
Rețele neuronale: metode de optimizare a gradientului
Cursul 6.5
Clasificare metrică și metode de regresie
Cursul 6.6
Suport Vector Machine
Cursul 6.7
Regresia liniară multivariată
Cursul 6.8
Regresie neliniară
Cursul 6.9
Criterii de selecție a modelelor și metode de selecție a caracteristicilor
Cursul 6.10
Metode logice de clasificare
Cursul 6.11
Clustering și antrenament parțial
Cursul 6.12
Modele aplicate de învățare automată
Cursul 6.13
Rețele neuronale cu învățare nesupravegheată
Cursul 6.14
Reprezentări vectoriale ale textelor și graficelor
Cursul 6.15
Antrenamentul de clasare
Cursul 6.16
Sisteme de recomandare
Cursul 6.17
Metode adaptive de prognoză