Analiza datelor în științe aplicate - curs gratuit de la Școala de Analiză a Datelor, pregătire 4 semestre, Data: 5 decembrie 2023.
Miscelaneu / / December 08, 2023
Același program de la experți de top din industria IT
Ce este ShAD
Programul Yandex de doi ani a apărut în 2007 și a devenit primul loc din Rusia pentru a preda analiza datelor. Cursurile ShAD au stat la baza programelor de master la universități mari, cum ar fi HSE și MIPT.
1. Program flexibil pentru cei care doresc să exploreze învățarea automată și să lucreze în industria IT
2. Cursuri de autor de la oameni de știință și specialiști ruși și străini
3. Tema pentru acasă aproape de sarcinile reale în practica IT
4. O diplomă care este recunoscută nu numai în Rusia, ci și în marile companii străine
Principalul lucru despre ShAD
Limba de predare: rusa si engleza
Cât durează: 2 ani
Depunerea cererilor de admitere: aprilie - mai 2022
Când începe școala: septembrie 2022
Sarcina: 30 ore/saptamana
Când: Seara, de 3 ori/săptămână
Cost: Gratuit*
Pentru cine: Pentru toți cei care promovează examenul de admitere
Principala caracteristică a specializării Analiza datelor în științe aplicate este că studenții petrec cea mai mare parte a celui de-al doilea an de studiu lucrând la proiecte de cercetare aplicată. Nota finală pentru studiul la ShAD va fi determinată în mare măsură de calitatea acestui proiect.
Pentru studenții care, în paralel cu ShAD, vor pregăti teze (de licență sau de master), proiectele ShAD pot fi folosite ca bază pentru munca lor universitară.
Obligatoriu
Reconstituirea tiparelor funcționale din date empirice
01 Formularea generală a problemei recuperării dependenței
02 Metoda maximă de probabilitate
03 Exemple de probleme specifice de recuperare a dependenței: regresia, identificarea modelelor, recunoașterea modelelor și aplicațiile acestora
04 Construirea estimărilor neparametrice ale distribuțiilor utilizând metoda probabilității maxime
05 Metoda celor mai mici pătrate pentru estimarea regresiei. Metoda de maximă probabilitate pentru selecția modelului
06 Testul raportului de probabilitate
07 Căutați o regulă de decizie care minimizează numărul de erori sau valoarea medie a funcției de penalizare pe datele de antrenament în problemele de recunoaștere a modelelor
08 Estimare liniară multivariată
09 Perceptron. Funcții potențiale. Rețele neuronale
10 Ținând cont de informații a priori în estimarea liniară
11 Metoda portretului generalizat în problema de clasificare
12 Estimare bayesiană
13 Suport Vector Machine (SVM)
14 Câteva metode de clasificare
15 Critica metodei empirice de minimizare a riscului
16 Hiperplan optim
17 Criterii pentru convergența uniformă a frecvențelor la probabilități. Funcția de creștere. dimensiunea VC
18 Problema duală a construirii unui hiperplan optim
19 Criterii pentru convergența uniformă a frecvențelor la probabilități. Relația cu sarcinile de recunoaștere a modelelor de învățare
20 Construcția regresiei spline neparametrice
21 Criterii pentru convergența uniformă a mediilor la așteptările matematice
22 Construirea regresiei neparametrice a nucleului
23 Problema alegerii complexității optime a modelului
24 Diferite tipuri de dependențe de regresie
Bazele stocasticii. Modele stocastice
01 Definiția clasică a probabilității
02 Probabilități condiționate. Independenţă. Așteptări matematice condiționate.
03 Variabile aleatoare discrete și caracteristicile acestora
04 Teoreme limită
05 Mers aleatoriu
06 Martingales
07 Lanțuri Markov discrete. Teorema ergodica.
08 Model probabilistic al unui experiment cu un număr infinit de evenimente. axiomatica lui Kolmogorov. Diferite tipuri de convergență a variabilelor aleatoare.
09 Convergență slabă a măsurilor de probabilitate. Metoda funcţiilor caracteristice în demonstrarea teoremelor limită.
10 procese aleatorii
Algoritmi și structuri de date, partea 1
01 Complexitate și modele de calcul. Analiza valorilor contabile (început)
02 Analiza valorilor contabile (sfârșit)
03 Algoritmi Merge-Sort și Quick-Sort
04 Statistici ordinale. grămezi (început)
05 grămezi (sfârșit)
06 Hashing
07 Căutare arbori (început)
08 Căutare arbori (continuare)
09 Căutați arbori (sfârșit). Sistem de mulțimi disjunse
10 Obiectivele RMQ și LCA
11 Structuri de date pentru căutare geometrică
12 Problema conectivității dinamice într-un graf nedirecționat
01 Concepte de bază și exemple de probleme aplicate
02 Metode de clasificare metrică
03 Metode de clasificare logică și arbori de decizie
04 Metode de clasificare liniară cu gradient
05 Suport Vector Machine
06 Regresie liniară multivariată
07 Regresie neliniară și neparametrică, funcții de pierdere non-standard
08 Prognoza serii temporale
09 Metode de clasificare bayesiană
10 Regresie logistică
11 Căutați reguli de asociere
Fundamentele statisticii în învățarea automată
01 Introducere
02 Sarcini și metode de bază ale teoriei inferenței statistice
03 Estimarea distribuției și funcționale statistice
04 Simulare Monte Carlo, bootstrap
05 Estimarea parametrică
06 Testarea ipotezelor
07 Reducerea dimensionalității datelor multidimensionale
08 Evaluarea sensibilității modelului
09 Regresie liniară și logistică
10 Proiectarea experimentelor
11 Diferite tipuri de regularizare în regresie liniară
12 Metode neliniare pentru construirea dependențelor de regresie
13 Estimare neparametrică
14 Abordarea bayesiană a estimării
15 Abordarea bayesiană a regresiei
16 Abordare bayesiană a regresiei și optimizării
17 Utilizarea modelului de câmp aleator gaussian în probleme de analiză a datelor
18 Utilizarea modelelor și metodelor statistice în probleme de modelare și optimizare surogat
01 Funcții și seturi convexe
02 Condiții de optimitate și dualitate
03 Introducere în metodele de optimizare
04 Complexitate pentru clase de probleme convexe netede și convexe nenetede
05 Tehnica de netezire
06 Funcții de penalizare. Metoda barierei. Metoda funcției Lagrange modificată
07 ADMM
08 Introducere în tehnicile de impunere a oglinzilor
09 Metoda Newton și metodele cvasi-Newton. BFGS
10 Introducere în optimizarea robustă
11 Introducere în optimizarea stocastică
12 algoritmi de optimizare randomizat
13 Introducere în optimizarea online
Învățare automată, partea a 2-a
01 Metode ale rețelelor neuronale de clasificare și regresie
02 Clasificare compozițională și metode de regresie
03 Criterii de selectare a modelelor și metode de selectare a caracteristicilor
04 Clasament
05 Învățare prin întărire
06 Învățarea fără profesor
07 Probleme cu antrenamentul parțial
08 Filtrare colaborativă
09 Modelarea subiectului
Lucrul la proiect
Cea mai recentă versiune de Microsoft Office 2021 are un limbaj de programare încorporat numit Visual Basic for Applications (VBA). rămâne în continuare principalul cel mai important mijloc de automatizare a muncii utilizatorilor cu birou aplicatii. Cel mai mare număr de sarcini aplicate care nu pot fi implementate fără macrocomenzi apar atunci când lucrați cu foi de calcul Excel.
4,1
Acest curs este destinat formării inițiale a specialiștilor în configurație în sistemul 1C: Enterprise 8 (aplicație gestionată, versiunea platformei 8.3). În timpul procesului de instruire, vă veți familiariza cu elementele de bază ale configurării și programării în sistemul 1C: Enterprise 8, veți dobândi abilități practice în lucrul cu obiecte de configurare și scrierea modulelor de program în limbaj sisteme.
4,1
Macro-uri de curs de trei zile în VBA. Excel 20XX. conceput pentru profesioniștii care folosesc în mod constant Excel în munca lor de zi cu zi și doresc să învețe codul VBA și în mod independent macrocomenzi de program, care vă vor permite să efectuați automat acțiuni de rutină repetitive, să economisiți timp și să creșteți eficiența muncă. Produsele Office au un instrument excelent care ajută la automatizarea operațiunilor de rutină, precum și la realizarea unor lucruri care în mod normal nu sunt posibile. Acest instrument este limbajul de programare integrat VBA (Visual Basic for Application). Macro-uri de curs în VBA. Excel 20XX vă va ajuta să stăpâniți abilitățile de automatizare a muncii în Excel. Programul de curs include părți teoretice și practice și este disponibil online și în cursuri la Centrul de Formare Softline din orașe Rusia (Moscova, Sankt Petersburg, Ekaterinburg, Kazan, Krasnoyarsk, Nijni Novgorod, Novosibirsk, Omsk, Rostov-pe-Don și Habarovsk).
3,6