"Dataanalys och maskininlärning" - kurs 120 000 rubel. från MSU, träning 48 veckor. (12 månader), Datum: 16 februari 2023.
Miscellanea / / November 27, 2023
Det professionella omskolningsprogrammet "Dataanalys och maskininlärning" syftar till att utbilda specialister inom datorområdet teknologier som kan utveckla mjukvarusystem med hjälp av datautvinning och maskin Träning.
Bildande av professionella kompetenser bland studenter relaterade till tillämpad programmering och databaser data som krävs för att förvärva kvalifikationen ”specialist inom området dataanalys och maskin Träning"
Inlärningsprocessen använder programmeringsspråket Python, Jupiters interaktiva utvecklingsmiljö, scikit-learn-programbibliotek för maskininlärning och andra.
Machine Learning är ett brett delområde av artificiell intelligens som studerar metoder för att konstruera algoritmer som kan lära sig. Maskininlärning är det viktigaste moderna tillvägagångssättet för dataanalys och att bygga intelligenta informationssystem. Maskininlärningsmetoder ligger till grund för alla datorseendemetoder och används aktivt vid bildbehandling. Kursen innehåller många praktiskt användbara algoritmer.
ANSÖKNINGSKRAV
Sökande till omskolningsprogrammet ska ha en högre eller gymnasial specialiserad utbildning. Erfarenhet av programmering i procedurspråk är önskvärt.
TRÄNINGSLÄGE
Programmet är utformat för 1 års studier: från 16 februari 2023 till 31 januari 2024.
Volym 684 timmar.
Godkännande av dokument från 20 december till 28 februari.
Klasser utan hänvisning till schema enligt en individuell utbildningsbana.
För att erhålla ett Moskvas statsuniversitetsdiplom i professionell omskolning måste du slutföra läroplanen och förbereda en avslutande avhandling.
Det avslutande arbetet är en självständig utveckling av ett mjukvarusystem.
1. För att registrera dig i programmet måste du fylla i följande dokument (för hand eller elektroniskt) och skicka dem till [email protected]:
2. Utifrån de inlämnade dokumenten kommer ett utbildningsavtal att utarbetas.
3. Efter undertecknande av kontraktet skickas dokument för betalning: augusti-september.
4. Efter betalning börjar du träningen.
Professor vid institutionen för informationssäkerhet, chef. ICU laboratorium
Akademisk examen: Doktor i tekniska vetenskaper. vetenskaper
Sukhomlin Vladimir Aleksandrovich, hedrad professor vid Moscow State University, professor, doktor i tekniska vetenskaper, chef för Laboratory of Open Information Technologies (OIT).
Kandidatens avhandling disputerades inom området fysikaliska och matematiska vetenskaper vid VMK: s akademiska råd 1976.
År 1989 försvarade sin doktorsavhandling i specialiteten 05.13.11 vid rådet vid Institutet för datavetenskap och teknik vid USSR Academy of Sciences, ämnet för avhandlingen är relaterat till modellering av komplexa radiotekniska system.
År 1992 tilldelas den akademiska titeln professor.
Tilldelades minnesmedaljen "800 år av Moskva".
2000-2002 utvecklat konceptet och statliga standarder för en ny vetenskaplig och pedagogisk riktning "Informationsteknik". Baserat på denna utveckling av det ryska utbildningsministeriet 2002. riktning 511900 "Information Technologies" skapades och ett experiment genomfördes för att implementera det. 2006 döptes denna riktning om på initiativ av författaren till "Fundamental Informatics and Information Technologies" (FIIT). För närvarande implementeras denna riktning på mer än 40 universitet i landet.
Sukhomlin V.A. - utvecklare av statliga standarder för kandidatexamen och magister i den andra och tredje generationen för riktningen "Fundamental datavetenskap och informationsteknologi".
INTRODUKTION TILL ARTIFICELL INTELLIGENS
Målet med kursen är att ge studenterna en bred överblick över artificiell intelligens problem och metoder.
Föreläsning 1.1
Logiska slutledningsmetoder
Föreläsning 1.2
Att hitta lösningar, planera, schemalägga
Föreläsning 1.3
Maskininlärning
Föreläsning 1.4
Interaktion mellan människa och maskin
PROGRAMMERING I PYTHON
Syftet med att studera disciplinen är att behärska verktygen och metoderna för mjukvaruutveckling med hjälp av Python-språket och dess bibliotek.
Föreläsning 2.1
Applikationsstruktur
Föreläsning 2.2
Översikt över de viktigaste Python-standardbiblioteksmodulerna och -paketen
Föreläsning 2.3
Objekt och klasser i Python
Föreläsning 2.4
Element av funktionell programmering i Python
Föreläsning 2.5
Generatorer. Iteratorer
Föreläsning 2.6
Flertrådsprogrammering
Föreläsning 2.7
Nätverksprogrammering
Föreläsning 2.8
Arbeta med databasen
DISKRET MATEMATIK11
Kursmaterialet är uppdelat i fem avsnitt: Matematiska verktyg; Sekvenser; Grafer; booleska funktioner; Kodningsteori.
Föreläsning 3.1
Ämne 1.1. Språk för matematisk logik
Föreläsning 3.2
Ämne 1.2. Uppsättningar
Föreläsning 3.3
Ämne 1.3. Binära relationer
Föreläsning 3.4
Ämne 1.4. Metod för matematisk induktion
Föreläsning 3.5
Ämne 1.5. Kombinatorik
Föreläsning 3.6
Ämne 2.1. Återkommande relationer
Föreläsning 3.7
Ämne 3.1. Typer av grafer
Föreläsning 3.8
Ämne 3.2. Viktade grafer
Föreläsning 3.9
Ämne 4.1. Representation av booleska funktioner
Föreläsning 3.10
Ämne 4.2. Booleska funktionsklasser
Föreläsning 3.11
Ämne 5.1. Kodningsteori
SANNOLIKHETSTEORI OCH MATEMATISK STATISTIK
Föreläsning 4.1
Ämne 1.1. Begreppet sannolikhet
Föreläsning 4.2
Ämne 1.2. Elementära satser
Föreläsning 4.3
Ämne 1.3. Slumpmässiga variabler
Föreläsning 4.4
Ämne 2.1. Statistisk databehandling
Föreläsning 4.5
Ämne 2.2. Problem med matematisk statistik
MASKINLÄRNINGSMETODER
Kursen undersöker de huvudsakliga uppgifterna för lärande genom prejudikat: klassificering, klustring, regression, dimensionsreduktion. Metoder för att lösa dem studeras, både klassiska och nya, skapade under de senaste 10–15 åren. Tonvikten läggs på en grundlig förståelse av de matematiska grunderna, sambanden, styrkorna och begränsningarna hos de diskuterade metoderna. Satser ges oftast utan bevis.
Föreläsning 6.1
Matematiska grunder för maskininlärning
Föreläsning 6.2
Grundläggande begrepp och exempel på tillämpade problem
Föreläsning 6.3
Linjär klassificerare och stokastisk gradient
Föreläsning 6.4
Neurala nätverk: metoder för gradientoptimering
Föreläsning 6.5
Metrisk klassificering och regressionsmetoder
Föreläsning 6.6
Stöd Vector Machine
Föreläsning 6.7
Multivariat linjär regression
Föreläsning 6.8
Icke-linjär regression
Föreläsning 6.9
Modellvalskriterier och funktionsvalsmetoder
Föreläsning 6.10
Logiska klassificeringsmetoder
Föreläsning 6.11
Klustring och delträning
Föreläsning 6.12
Tillämpade maskininlärningsmodeller
Föreläsning 6.13
Neurala nätverk med oövervakat lärande
Föreläsning 6.14
Vektorrepresentationer av texter och grafer
Föreläsning 6.15
Ranking utbildning
Föreläsning 6.16
Rekommendationssystem
Föreläsning 6.17
Adaptiva prognosmetoder