“Veri analizi ve makine öğrenimi” - kurs 120.000 ruble. MSU'dan, 48 hafta eğitim. (12 ay), Tarih: 16 Şubat 2023.
Miscellanea / / November 27, 2023
Profesyonel yeniden eğitim programı “Veri Analizi ve Makine Öğrenimi” bilgisayar alanında uzman yetiştirmeyi amaçlamaktadır. veri madenciliği ve makine kullanarak yazılım sistemleri geliştirebilecek teknolojiler eğitim.
Öğrenciler arasında uygulamalı programlama ve veritabanları ile ilgili mesleki yeterliliklerin oluşturulması “Veri analizi ve makine alanında uzman” yeterliliğini kazanmak için gerekli veriler eğitim"
Öğrenme süreci Python programlama dilini, Jüpiter etkileşimli geliştirme ortamını, makine öğrenimi için scikit-learn yazılım kitaplıklarını ve diğerlerini kullanır.
Makine Öğrenimi, öğrenebilen algoritmalar oluşturma yöntemlerini inceleyen geniş bir yapay zeka alt alanıdır. Makine öğrenimi, veri analizine ve akıllı bilgi sistemleri oluşturmaya yönelik temel modern yaklaşımdır. Makine öğrenmesi yöntemleri tüm bilgisayarlı görme yöntemlerinin temelini oluşturur ve görüntü işlemede aktif olarak kullanılır. Kurs, pratik olarak uygulanabilir birçok algoritma içerir.
UYGULAMA GEREKSİNİMLERİ
Yeniden eğitim programına başvuran adayların yüksek veya ortaöğretim uzmanlık eğitimine sahip olmaları gerekir. Prosedürel dillerde programlama deneyimi arzu edilir.
EĞİTİM MODU
Program 1 yıllık bir eğitim için tasarlanmıştır: 16 Şubat 2023'ten 31 Ocak 2024'e kadar.
Cilt 684 saat.
Belgelerin kabulü 20 Aralık'tan 28 Şubat'a kadar.
Bireysel eğitim yörüngesine göre bir programa atıfta bulunulmayan dersler.
Mesleki yeniden eğitim alanında Moskova Devlet Üniversitesi Diploması almak için müfredatı tamamlamalı ve bir final tezi hazırlamalısınız.
Son çalışma, bir yazılım sisteminin bağımsız bir şekilde geliştirilmesidir.
1. Programa kaydolmak için aşağıdaki belgeleri (elden veya elektronik olarak) doldurup [email protected] adresine göndermelisiniz:
2. Sunulan belgelere dayanarak bir Eğitim Anlaşması hazırlanacaktır.
3. Sözleşme imzalandıktan sonra ödeme belgeleri gönderilir: Ağustos-Eylül.
4. Ödeme yapıldıktan sonra eğitime başlıyorsunuz.
Bilgi Güvenliği Bölüm Başkanı Profesör. Yoğun bakım laboratuvarı
Akademik derece: Teknik Bilimler Doktoru. bilimler
Sukhomlin Vladimir Aleksandrovich, Moskova Devlet Üniversitesi Onursal Profesörü, Profesör, Teknik Bilimler Doktoru, Açık Bilgi Teknolojileri Laboratuvarı (OIT) Başkanı.
Adayın tezi, 1976 yılında VMK Akademik Konseyi'nde fizik ve matematik bilimleri alanında savundu.
1989'da Doktora tezini SSCB Bilimler Akademisi Bilgisayar Bilimi ve Teknolojisi Enstitüsü Konseyi'nde 05.13.11 uzmanlık alanında savundu, tezin konusu karmaşık radyo mühendisliği sistemlerinin modellenmesi ile ilgili.
1992'de profesör unvanını aldı.
"Moskova'nın 800 Yılı" hatıra madalyasıyla ödüllendirildi.
2000-2002'de yeni bir bilimsel ve eğitimsel yön olan “Bilgi Teknolojileri” kavramını ve devlet standartlarını geliştirdi. Bu gelişmelere dayanarak 2002 yılında Rusya Eğitim Bakanlığı tarafından. 511900 sayılı “Bilgi Teknolojileri” direktifi oluşturuldu ve uygulanması için bir deney yapıldı. 2006 yılında bu yön, yazarın girişimiyle “Temel Bilişim ve Bilgi Teknolojileri” (FIIT) olarak yeniden adlandırıldı. Şu anda ülkede 40'tan fazla üniversitede bu yön uygulanıyor.
Sukhomlin V.A. - “Temel bilgisayar bilimi ve bilgi teknolojisi” yönüne yönelik 2. ve 3. nesil lisans ve yüksek lisans için devlet standartlarının geliştiricisi.
YAPAY ZEKAYA GİRİŞ
Dersin amacı öğrencilere yapay zeka problemleri ve yöntemleri hakkında geniş bir genel bakış sunmaktır.
Ders 1.1
Mantıksal çıkarım yöntemleri
Ders 1.2
Çözüm bulma, planlama, zamanlama
Ders 1.3
Makine öğrenme
Ders 1.4
İnsan-makine etkileşimi
PYTHON'DA PROGRAMLAMA
Disiplini incelemenin amacı, Python dilini ve kütüphanelerini kullanarak yazılım geliştirme araç ve yöntemlerine hakim olmaktır.
Ders 2.1
Uygulama yapısı
Ders 2.2
En önemli Python standart kütüphane modülleri ve paketlerine genel bakış
Ders 2.3
Python'da Nesneler ve Sınıflar
Ders 2.4
Python'da Fonksiyonel Programlamanın Unsurları
Ders 2.5
Jeneratörler. Yineleyiciler
Ders 2.6
Çok İş parçacıklı Programlama
Ders 2.7
Ağ programlama
Ders 2.8
Veritabanıyla çalışma
AYRIK MATEMATİK11
Ders materyali beş bölüme ayrılmıştır: Matematiksel araçlar; Diziler; Grafikler; Boole fonksiyonları; Kodlama teorisi.
Ders 3.1
Konu 1.1. Matematiksel mantığın dili
Ders 3.2
Konu 1.2. Setler
Ders 3.3
Konu 1.3. İkili ilişkiler
Ders 3.4
Konu 1.4. Matematiksel tümevarım yöntemi
Ders 3.5
Konu 1.5. Kombinatorik
Ders 3.6
Konu 2.1. Tekrarlanma ilişkileri
Ders 3.7
Konu 3.1. Grafik türleri
Ders 3.8
Konu 3.2. Ağırlıklı grafikler
Ders 3.9
Konu 4.1. Boole Fonksiyonlarının Gösterimi
Ders 3.10
Konu 4.2. Boolean Fonksiyon Sınıfları
Ders 3.11
Konu 5.1. Kodlama teorisi
OLASILIK TEORİSİ VE MATEMATİKSEL İSTATİSTİK
Ders 4.1
Konu 1.1. Olasılık kavramı
Ders 4.2
Konu 1.2. Temel teoremler
Ders 4.3
Konu 1.3. Rastgele değişkenler
Ders 4.4
Konu 2.1. İstatistiksel veri işleme
Ders 4.5
Konu 2.2. Matematiksel istatistik sorunları
MAKİNE ÖĞRENME YÖNTEMLERİ
Ders, öğrenmenin ana görevlerini örneklerle inceler: sınıflandırma, kümeleme, regresyon, boyutluluk azaltma. Son 10-15 yılda oluşturulan hem klasik hem de yeni bunları çözme yöntemleri üzerinde çalışılıyor. Tartışılan yöntemlerin matematiksel temellerinin, ilişkilerinin, güçlü yönlerinin ve sınırlamalarının kapsamlı bir şekilde anlaşılmasına vurgu yapılır. Teoremler çoğunlukla kanıt olmadan verilir.
Ders 6.1
Makine Öğreniminin Matematiksel Temelleri
Ders 6.2
Temel kavramlar ve uygulamalı problem örnekleri
Ders 6.3
Doğrusal sınıflandırıcı ve stokastik gradyan
Ders 6.4
Sinir ağları: gradyan optimizasyon yöntemleri
Ders 6.5
Metrik Sınıflandırma ve Regresyon Yöntemleri
Ders 6.6
Destek Vektör Makinesi
Ders 6.7
Çok Değişkenli Doğrusal Regresyon
Ders 6.8
Doğrusal olmayan regresyon
Ders 6.9
Model seçim kriterleri ve özellik seçim yöntemleri
Ders 6.10
Mantıksal sınıflandırma yöntemleri
Ders 6.11
Kümeleme ve kısmi eğitim
Ders 6.12
Uygulamalı Makine Öğrenimi Modelleri
Ders 6.13
Denetimsiz öğrenmeye sahip sinir ağları
Ders 6.14
Metin ve grafiklerin vektör gösterimleri
Ders 6.15
Sıralama eğitimi
Ders 6.16
Tavsiye sistemleri
Ders 6.17
Uyarlanabilir tahmin yöntemleri