0
Görünümler
“Makine öğrenimi” - kurs 30.000 ruble. MSU'dan, 3 hafta eğitim. (1 ay), Tarih: 2 Aralık 2023.
Miscellanea / / December 06, 2023
Programın amacı – öğrencilere makine öğreniminin temellerini tanıtın.
Eğitim süresi – 72 saat (bir öğretmenle 30 saat sınıf dersi, 42 saat bağımsız materyal çalışması).
Çalışma şekli – tam zamanlı, yarı zamanlı, akşam.
Sınıf formatı - Tam zamanlı, diğer şehirlerden gelen katılımcılar için, bizzat katılmanın mümkün olmadığı durumlarda derse video konferans yoluyla bağlanabileceksiniz.
Eğitim maliyeti - 30.000 ruble.
Derslerin başlangıcı - 2023 sonbaharı.
Gerçek kişiler ve tüzel kişilerle eğitim sözleşmeleri yapılır.
Kurslara kayıt, web sitesindeki kayıt formu kullanılarak [email protected] e-postası ile gerçekleştirilir.
Kayıt olmak veya sorularınız için kurs yöneticisi Anton Martyanov ile WhatsApp veya Telegram aracılığıyla iletişime geçebilirsiniz: +79264827721.
Teknik Bilimler Doktoru Pozisyonu: M.V. Lomonosov Moskova Devlet Üniversitesi Yönetim ve İnovasyon Yüksek Okulu Profesörü
Bölüm 1. Giriiş. Görev örnekleri. Mantıksal yöntemler: karar ağaçları ve karar ormanları.
Mantıksal yöntemler: nesnelerin basit kurallara göre sınıflandırılması. Yorumlama ve uygulama. Bir kompozisyon halinde kombinasyon. Belirleyici ağaçlar. Rastgele orman.
Bölüm 2. Metrik sınıflandırma yöntemleri. Doğrusal yöntemler, stokastik gradyan.
Metrik yöntemler. Benzerliğe dayalı sınıflandırma. Nesneler arasındaki mesafe. Metrikler. k-en yakın komşu yöntemi. Çekirdek yumuşatma kullanılarak regresyon problemlerine genelleme. Doğrusal modeller. Ölçeklenebilirlik. Büyük verilere Stokastik gradyan yönteminin uygulanabilirliği. Doğrusal sınıflandırıcıların ayarlanması için uygulanabilirlik. Düzenlileştirme kavramı. Doğrusal yöntemlerle çalışmanın özellikleri. Sınıflandırma kalitesi ölçümleri.
Bölüm 3. Destek Vektör Makinesi (SVM). Lojistik regresyon. Sınıflandırma kalitesi ölçümleri.
Doğrusal modeller. Ölçeklenebilirlik. Büyük verilere Stokastik gradyan yönteminin uygulanabilirliği. Doğrusal sınıflandırıcıların ayarlanması için uygulanabilirlik. Düzenlileştirme kavramı. Doğrusal yöntemlerle çalışmanın özellikleri.
Bölüm 4. Doğrusal regresyon. Boyut azaltımı, temel bileşenler yöntemi.
Regresyon için doğrusal modeller. “Nesneler-özellikler” matrisinin tekil ayrışımıyla bağlantıları. İşaret sayısını azaltmak. Özellik seçimine yaklaşımlar. Temel bileşen yöntemi. Boyut azaltma yöntemleri.
Bölüm 5. Algoritmaların bileşimleri, gradyan artırma. Nöral ağlar.
Modelleri bir kompozisyonda birleştirmek. Model hatalarının karşılıklı düzeltilmesi. Kompozisyonlarla ilgili temel kavramlar ve problem ifadeleri. Gradyan artırma.
Nöral ağlar. Doğrusal olmayan bölme yüzeylerini arayın. Çok katmanlı sinir ağları ve geri yayılım yöntemi kullanılarak ayarlanması. Derin sinir ağları: mimarileri ve özellikleri.
Bölüm 6. Kümeleme ve görselleştirme.
Denetimsiz öğrenme sorunları. Verilerde yapı bulma. Kümeleme problemi benzer nesnelerin gruplarını bulma görevidir. Görselleştirme görevi, nesneleri iki veya üç boyutlu uzaya haritalama görevidir.
Bölüm 7. Uygulamalı veri analizi problemleri: formülasyonlar ve çözüm yöntemleri.
Denetimli öğrenme ve kümeleme arasında bir sorun olarak kısmi öğrenme. Hedef değişkenin değerinin yalnızca bazı nesneler için bilindiği bir örnekleme problemi. Kısmi öğrenme problemi ile daha önce tartışılan formülasyonlar arasındaki fark. Çözüme yaklaşımlar.
Uygulamalı alanlardaki sorunların analizi: bankalarda puanlama, sigorta, sigortalama sorunları, kalıp tanıma sorunları.
Adres
119991, Moskova, st. Leninskie Gory, 1, bina. 51, 5. kat, oda 544 (Dekanın ofisi)
Üniversite
Abone Ol
YOU MIGHT ALSO LIKE
