Dataanalys i tillämpad vetenskap - gratis kurs från Institutionen för dataanalys, utbildning 4 terminer, Datum: 5 december 2023.
Miscellanea / / December 08, 2023
Samma program från ledande experter inom IT-branschen
Vad är ShAD
Det tvååriga Yandex-programmet dök upp 2007 och blev det första stället i Ryssland som undervisade i dataanalys. ShAD-kurser låg till grund för masterprogram vid stora universitet som HSE och MIPT.
1. Flexibelt program för dig som vill utforska maskininlärning och arbeta inom IT-branschen
2. Författarkurser från ryska och utländska forskare och specialister
3. Läxor nära verkliga uppgifter i IT-praktiken
4. Ett diplom som är erkänt inte bara i Ryssland utan också i stora utländska företag
Det viktigaste med ShAD
Undervisningsspråk: ryska och engelska
Hur länge håller det: 2 år
Inlämning av ansökningar om antagning: april - maj 2022
När börjar skolan: september 2022
Belastning: 30 timmar/vecka
När: Kväll, 3 ggr/vecka
Kostnad: Gratis*
För vem: För alla som klarar antagningsprovet
Huvuddraget i Data Analysis in Applied Sciences huvudämnet är att studenterna tillbringar större delen av det andra studieåret med att arbeta med tillämpade forskningsprojekt. Slutbetyget för att studera vid ShAD kommer till stor del att bestämmas av kvaliteten på detta projekt.
För studenter som parallellt med ShAD ska förbereda examensarbeten (bachelor eller master) kan ShAD-projekten användas som grund för deras universitetsarbete.
Obligatorisk
Rekonstruktion av funktionella mönster från empiri
01 Allmän formulering av problemet med återhämtning av beroende
02 Maximal likelihood-metod
03 Exempel på specifika beroendeproblem: regression, mönsteridentifiering, mönsterigenkänning och deras tillämpningar
04 Konstruktion av icke-parametriska uppskattningar av distributioner med användning av maximum likelihood-metoden
05 Minsta kvadratmetod för regressionsuppskattning. Maximal likelihood-metod för val av modell
06 Sannolikhetsförhållandetest
07 Sök efter en beslutsregel som minimerar antalet fel eller medelvärdet av strafffunktionen på träningsdata i mönsterigenkänningsproblem
08 Multivariat linjär uppskattning
09 Perceptron. Potentiella funktioner. Neurala nätverk
10 Ta hänsyn till information på förhand vid linjär uppskattning
11 Generaliserad porträttmetod i klassificeringsproblem
12 Bayesiansk uppskattning
13 Support Vector Machine (SVM)
14 Några klassificeringsmetoder
15 Kritik mot den empiriska riskminimeringsmetoden
16 Optimalt hyperplan
17 Kriterier för enhetlig konvergens av frekvenser till sannolikheter. Tillväxtfunktion. VC dimension
18 Det dubbla problemet med att konstruera ett optimalt hyperplan
19 Kriterier för enhetlig konvergens av frekvenser till sannolikheter. Relation till uppgifterna att lära sig mönsterigenkänning
20 Konstruktion av icke-parametrisk spline-regression
21 Kriterier för enhetlig konvergens av medelvärden till matematiska förväntningar
22 Konstruktion av icke-parametrisk kärnregression
23 Problemet med att välja den optimala modellens komplexitet
24 Olika typer av regressionsberoenden
Grunderna i stokastik. Stokastiska modeller
01 Klassisk definition av sannolikhet
02 Villkorliga sannolikheter. Oberoende. Villkorlig matematisk förväntan.
03 Diskreta slumpvariabler och deras egenskaper
04 Gränssatser
05 Slumpmässig promenad
06 Martingales
07 Diskreta Markov-kedjor. Ergodisk teorem.
08 Probabilistisk modell av ett experiment med ett oändligt antal händelser. Kolmogorovs axiomatik. Olika typer av konvergens av slumpvariabler.
09 Svag konvergens av sannolikhetsmått. Metoden för karakteristiska funktioner i proof of limit theorems.
10 Slumpmässiga processer
Algoritmer och datastrukturer, del 1
01 Komplexitet och beräkningsmodeller. Analys av redovisningsvärden (början)
02 Analys av redovisningsvärden (slut)
03 Algoritmer för sammanfogning-sortering och snabbsortering
04 Ordinalstatistik. Högar (början)
05 Heaps (slut)
06 Hashing
07 Sök i träd (början)
08 Sök i träd (fortsättning)
09 Sök i träd (slut). System av osammanhängande uppsättningar
10 Mål för RMQ och LCA
11 Datastrukturer för geometrisk sökning
12 Problem med dynamisk anslutning i en oriktad graf
01 Grundläggande begrepp och exempel på tillämpade problem
02 Metriska klassificeringsmetoder
03 Logiska klassificeringsmetoder och beslutsträd
04 Gradient linjär klassificeringsmetoder
05 Support Vector Machine
06 Multivariat linjär regression
07 Icke-linjär och icke-parametrisk regression, icke-standardiserade förlustfunktioner
08 Tidsserieprognoser
09 Bayesianska klassificeringsmetoder
10 Logistisk regression
11 Sök efter föreningens regler
Grunderna för statistik i maskininlärning
01 Introduktion
02 Grundläggande uppgifter och metoder för teorin om statistisk slutledning
03 Fördelningsuppskattning och statistiska funktioner
04 Monte Carlo simulering, bootstrap
05 Parametrisk uppskattning
06 Testa hypoteser
07 Minska dimensionaliteten hos flerdimensionell data
08 Modellkänslighetsbedömning
09 Linjär och logistisk regression
10 Design av experiment
11 Olika typer av regularisering vid linjär regression
12 Icke-linjära metoder för att konstruera regressionsberoenden
13 Icke-parametrisk uppskattning
14 Bayesiansk metod för uppskattning
15 Bayesiansk syn på regression
16 Bayesiansk syn på regression och optimering
17 Använda den slumpmässiga Gaussiska fältmodellen i dataanalysproblem
18 Användning av statistiska modeller och metoder i surrogatmodellerings- och optimeringsproblem
01 Konvexa funktioner och uppsättningar
02 Optimalitetsförhållanden och dualitet
03 Introduktion till optimeringsmetoder
04 Komplexitet för klasser av konvexa släta och konvexa ojämna problem
05 Utjämningsteknik
06 Strafffunktioner. Barriärmetod. Modifierad Lagrange-funktionsmetod
07 ADMM
08 Introduktion till spegelutskjutningstekniker
09 Newtonmetoden och kvasi-Newtonmetoden. BFGS
10 Introduktion till robust optimering
11 Introduktion till stokastisk optimering
12 randomiserade optimeringsalgoritmer
13 Introduktion till onlineoptimering
Maskininlärning, del 2
01 Neurala nätverksmetoder för klassificering och regression
02 Kompositionsklassificering och regressionsmetoder
03 Kriterier för val av modeller och metoder för val av funktioner
04 Ranking
05 Förstärkningsinlärning
06 Lärande utan lärare
07 Problem med delträning
08 Samarbetsfiltrering
09 Ämnesmodellering
Projektarbete
Den senaste versionen av Microsoft Office 2021 har ett inbyggt programmeringsspråk som heter Visual Basic for Applications (VBA). är fortfarande det viktigaste sättet att automatisera användarnas arbete med office applikationer. Det största antalet tillämpade uppgifter som inte kan implementeras utan makron uppstår när man arbetar med Excel-kalkylblad.
4,1
Denna kurs är avsedd för grundutbildning av konfigurationsspecialister i 1C: Enterprise 8-systemet (hanterad applikation, plattformsversion 8.3). Under utbildningsprocessen kommer du att bli bekant med grunderna för konfiguration och programmering i 1C: Enterprise 8-systemet, du får praktiska färdigheter i att arbeta med konfigurationsobjekt och skriva programmoduler på språket system.
4,1
Tredagarskurs Makron i VBA. Excel 20XX. designad för proffs som ständigt använder Excel i sitt dagliga arbete och vill lära sig VBA-kod och självständigt programmera makron, som gör att du automatiskt kan utföra repetitiva rutinåtgärder, spara tid och öka effektiviteten arbetskraft. Office-produkter har ett utmärkt verktyg som hjälper till att automatisera rutinoperationer, samt göra saker som normalt inte är möjliga. Detta verktyg är det inbyggda programmeringsspråket VBA (Visual Basic for Application). Kursmakron i VBA. Excel 20XX hjälper dig att bemästra färdigheterna att automatisera arbete i Excel. Kursprogrammet innehåller teoretiska och praktiska delar och är tillgängligt online och i klasser på Softline Training Center i städer Ryssland (Moskva, St. Petersburg, Jekaterinburg, Kazan, Krasnoyarsk, Nizhny Novgorod, Novosibirsk, Omsk, Rostov-on-Don och Khabarovsk).
3,6