Uygulamalı bilimlerde veri analizi - Veri Analizi Okulu'ndan ücretsiz kurs, 4 dönem eğitim, Tarih: 5 Aralık 2023.
Miscellanea / / December 08, 2023
BT sektörünün önde gelen uzmanlarından aynı program
ShAD nedir?
İki yıllık Yandex programı 2007'de ortaya çıktı ve Rusya'da veri analizini öğreten ilk yer oldu. ShAD dersleri HSE ve MIPT gibi büyük üniversitelerdeki yüksek lisans programlarının temelini oluşturdu.
1. Makine öğrenimini keşfetmek ve BT sektöründe çalışmak isteyenler için esnek program
2. Yazarın Rus ve yabancı bilim adamlarından ve uzmanlardan kursları
3. BT uygulamalarında gerçek görevlere yakın ev ödevleri
4. Sadece Rusya'da değil, büyük yabancı şirketlerde de tanınan bir diploma
ShAD ile ilgili en önemli şey
Eğitim dili: Rusça ve İngilizce
Ne kadar sürer: 2 yıl
Başvuruların teslimi: Nisan - Mayıs 2022
Okul ne zaman başlıyor: Eylül 2022
Yük: 30 saat/hafta
Ne zaman: Akşam, haftada 3 kez
Ücretsiz*
Kim için: Giriş sınavını geçen herkes için
Uygulamalı Bilimlerde Veri Analizi bölümünün temel özelliği, öğrencilerin çalışmanın ikinci yılının çoğunu uygulamalı araştırma projeleri üzerinde çalışarak geçirmeleridir. ShAD'de eğitimin son notu büyük ölçüde bu projenin kalitesine göre belirlenecektir.
ShAD'a paralel olarak tez (lisans veya yüksek lisans) hazırlayacak öğrenciler için ShAD projeleri üniversite çalışmalarına temel olarak kullanılabilir.
Zorunlu
Ampirik verilerden fonksiyonel modellerin yeniden inşası
01 Bağımlılığın iyileşmesi sorununun genel formülasyonu
02 Maksimum olabilirlik yöntemi
03 Belirli bağımlılık kurtarma sorunlarına örnekler: regresyon, örüntü tanımlama, örüntü tanıma ve uygulamaları
04 Maksimum olabilirlik yöntemini kullanarak parametrik olmayan dağılım tahminlerinin oluşturulması
05 Regresyon tahmini için en küçük kareler yöntemi. Model seçimi için maksimum olabilirlik yöntemi
06 Olasılık oranı testi
07 Örüntü tanıma problemlerinde eğitim verileri üzerindeki hata sayısını veya ceza fonksiyonunun ortalama değerini en aza indiren bir karar kuralı arayın
08 Çok değişkenli doğrusal tahmin
09 Perceptron. Potansiyel işlevler. Nöral ağlar
10 Doğrusal tahminde ön bilgilerin dikkate alınması
11 Sınıflandırma probleminde genelleştirilmiş portre yöntemi
12 Bayes tahmini
13 Destek Vektör Makinesi (SVM)
14 Bazı sınıflandırma yöntemleri
15 Ampirik risk minimizasyon yönteminin eleştirisi
16 Optimal hiperdüzlem
17 Frekansların olasılıklara düzgün yakınsaması için kriterler. Büyüme fonksiyonu. VC boyutu
18 Optimal bir hiperdüzlem oluşturmanın ikili problemi
19 Frekansların olasılıklara düzgün yakınsaması için kriterler. Örüntü tanıma öğrenme görevleriyle ilişki
20 Parametrik olmayan spline regresyonunun oluşturulması
21 Ortalamaların matematiksel beklentilere tekdüze yakınsaması için kriterler
22 Parametrik olmayan çekirdek regresyonunun oluşturulması
23 Optimal model karmaşıklığını seçme sorunu
24 Farklı regresyon bağımlılığı türleri
Stokastiklerin temelleri. Stokastik modeller
01 Olasılığın klasik tanımı
02 Koşullu olasılıklar. Bağımsızlık. Koşullu matematiksel beklenti.
03 Ayrık rastgele değişkenler ve özellikleri
04 Limit teoremleri
05 Rastgele yürüyüş
06 Martingal
07 Ayrık Markov zincirleri. Ergodik teorem.
08 Sonsuz sayıda olay içeren bir deneyin olasılıksal modeli. Kolmogorov'un aksiyomatiği. Rastgele değişkenlerin farklı yakınsaklık türleri.
09 Olasılık ölçümlerinin zayıf yakınsaması. Limit teoremlerinin ispatında karakteristik fonksiyonlar yöntemi.
10 Rastgele süreçler
Algoritmalar ve veri yapıları, bölüm 1
01 Karmaşıklık ve hesaplamalı modeller. Muhasebe değerlerinin analizi (başlangıç)
02 Muhasebe değerlerinin analizi (son)
03 Birleştir-Sırala ve Hızlı Sırala algoritmaları
04 Sıralı istatistikler. Yığınlar (başlangıç)
05 Yığınlar (son)
06 Karma
07 Arama Ağaçları (başlangıç)
08 Arama Ağaçları (devamı)
09 Ağaçları arayın (son). Ayrık kümeler sistemi
RMQ ve LCA'nın 10 Amacı
11 Geometrik arama için veri yapıları
12 Yönlendirilmemiş bir grafikte dinamik bağlantı sorunu
01 Temel kavramlar ve uygulamalı problem örnekleri
02 Metrik sınıflandırma yöntemleri
03 Mantıksal sınıflandırma yöntemleri ve karar ağaçları
04 Gradyan doğrusal sınıflandırma yöntemleri
05 Destek Vektör Makinesi
06 Çok Değişkenli Doğrusal Regresyon
07 Doğrusal olmayan ve parametrik olmayan regresyon, standart dışı kayıp fonksiyonları
08 Zaman serisi tahmini
09 Bayes sınıflandırma yöntemleri
10 Lojistik regresyon
11 Birliktelik kurallarını arayın
Makine Öğreniminde İstatistiğin Temelleri
01 Giriş
02 İstatistiksel çıkarım teorisinin temel görevleri ve yöntemleri
03 Dağılım tahmini ve istatistiksel fonksiyoneller
04 Monte Carlo simülasyonu, önyükleme
05 Parametrik tahmin
06 Hipotezlerin test edilmesi
07 Çok boyutlu verilerin boyutluluğunun azaltılması
08 Model duyarlılığı değerlendirmesi
09 Doğrusal ve lojistik regresyon
10 Deney Tasarımı
11 Doğrusal regresyonda farklı düzenleme türleri
12 Regresyon bağımlılıklarını oluşturmak için doğrusal olmayan yöntemler
13 Parametrik olmayan tahmin
14 Bayesci tahmin yaklaşımı
15 Regresyona Bayes yaklaşımı
16 Regresyon ve optimizasyona Bayes yaklaşımı
17 Veri analizi problemlerinde rastgele Gauss alan modelinin kullanılması
18 Yapay modelleme ve optimizasyon problemlerinde istatistiksel model ve yöntemlerin kullanımı
01 Dışbükey fonksiyonlar ve kümeler
02 Optimallik koşulları ve dualite
03 Optimizasyon yöntemlerine giriş
04 Dışbükey pürüzsüz ve dışbükey düzgün olmayan problem sınıfları için karmaşıklık
05 Pürüzsüzleştirme tekniği
06 Ceza fonksiyonları. Bariyer yöntemi. Değiştirilmiş Lagrange fonksiyonu yöntemi
07 ADMM
08 Ayna Uygulama Tekniklerine Giriş
09 Newton yöntemi ve yarı-Newton yöntemleri. BFGS
10 Sağlam Optimizasyona Giriş
11 Stokastik optimizasyona giriş
12 Rastgele optimizasyon algoritmaları
13 Çevrimiçi Optimizasyona Giriş
Makine öğrenimi, bölüm 2
01 Sinir ağı sınıflandırma ve regresyon yöntemleri
02 Bileşimsel sınıflandırma ve regresyon yöntemleri
03 Model seçme kriterleri ve özellikleri seçme yöntemleri
04 Sıralama
05 Takviyeli öğrenme
06 Öğretmen olmadan öğrenmek
07 Kısmi eğitimle ilgili sorunlar
08 İşbirliğine dayalı filtreleme
09 Konu Modelleme
Proje çalışması
Microsoft Office 2021'in en son sürümü, Visual Basic for Applications (VBA) adı verilen yerleşik bir programlama diline sahiptir. ofis kullanıcılarının çalışmalarını otomatikleştirmenin en önemli yolu olmaya devam ediyor uygulamalar. Makrolar olmadan uygulanamayan en fazla uygulamalı görev, Excel elektronik tablolarıyla çalışırken ortaya çıkar.
4,1
Bu kurs, 1C: Enterprise 8 sistemindeki (yönetilen uygulama, platform sürümü 8.3) konfigürasyon uzmanlarının başlangıç eğitimi için tasarlanmıştır. Eğitim sürecinde 1C: Enterprise 8 sistemindeki konfigürasyon ve programlamanın temellerine aşina olacaksınız, dilde yapılandırma nesneleri ile çalışma ve program modülleri yazma konusunda pratik beceriler kazanacaksınız sistemler.
4,1
VBA'da üç günlük makro kursu. Excel 20XX. Excel'i günlük işlerinde sürekli kullanan, VBA kodunu bağımsız olarak öğrenmek isteyen profesyoneller için tasarlandı Tekrarlanan rutin eylemleri otomatik olarak gerçekleştirmenize, zamandan tasarruf etmenize ve verimliliği artırmanıza olanak tanıyan program makroları iş gücü. Ofis ürünleri, rutin işlemleri otomatikleştirmeye ve normalde mümkün olmayan şeyleri yapmaya yardımcı olan harika bir araca sahiptir. Bu araç yerleşik programlama dili VBA'dır (Visual Basic for Application). VBA'da Kurs Makroları. Excel 20XX, Excel'de çalışmayı otomatikleştirme becerilerinde uzmanlaşmanıza yardımcı olacaktır. Kurs programı teorik ve pratik bölümleri içerir ve çevrimiçi olarak ve şehirlerdeki Softline Eğitim Merkezindeki sınıflarda mevcuttur. Rusya (Moskova, St. Petersburg, Yekaterinburg, Kazan, Krasnoyarsk, Nizhny Novgorod, Novosibirsk, Omsk, Rostov-na-Donu ve Habarovsk).
3,6