"Analisi dei dati e apprendimento automatico" - corso 120.000 rubli. da MSU, formazione 48 settimane. (12 mesi), Data: 16 febbraio 2023.
Miscellanea / / November 27, 2023
Il programma di riqualificazione professionale “Data Analysis and Machine Learning” è finalizzato alla formazione di specialisti nel campo dell'informatica tecnologie in grado di sviluppare sistemi software utilizzando data mining e machine formazione.
Formazione di competenze professionali tra gli studenti relative alla programmazione applicata e ai database dati richiesti per acquisire la qualifica di “specialista nel settore dell'analisi dei dati e delle macchine”. formazione"
Il processo di apprendimento utilizza il linguaggio di programmazione Python, l'ambiente di sviluppo interattivo Jupiter, le librerie software scikit-learn per l'apprendimento automatico e altri.
Il Machine Learning è un ampio sottocampo dell'intelligenza artificiale che studia metodi per costruire algoritmi in grado di apprendere. L’apprendimento automatico è il principale approccio moderno all’analisi dei dati e alla costruzione di sistemi informativi intelligenti. I metodi di apprendimento automatico sono alla base di tutti i metodi di visione artificiale e vengono utilizzati attivamente nell’elaborazione delle immagini. Il corso contiene molti algoritmi praticamente applicabili.
REQUISITI DELLE APPLICAZIONI
I candidati al programma di riqualificazione devono avere un'istruzione specializzata superiore o secondaria. È auspicabile esperienza nella programmazione in linguaggi procedurali.
MODALITÀ DI FORMAZIONE
Il programma è progettato per 1 anno di studio: dal 16 febbraio 2023 al 31 gennaio 2024.
Volume 684 ore.
Accettazione dei documenti dal 20 dicembre al 28 febbraio.
Lezioni senza riferimento ad un programma secondo un percorso educativo individuale.
Per ottenere il Diploma dell'Università Statale di Mosca in riqualificazione professionale, è necessario completare il curriculum e preparare una tesi finale.
Il lavoro finale è uno sviluppo indipendente di un sistema software.
1. Per iscriversi al programma, è necessario compilare i seguenti documenti (a mano o elettronicamente) e inviarli a [email protected]:
2. Sulla base dei documenti presentati, verrà preparato un contratto di formazione.
3. Dopo la firma del contratto vengono inviati i documenti per il pagamento: agosto-settembre.
4. Dopo il pagamento inizi la formazione.
Professore del Dipartimento di Sicurezza delle Informazioni, Direttore. Laboratorio di terapia intensiva
Titolo accademico: Dottore in Scienze Tecniche. scienze
Sukhomlin Vladimir Aleksandrovich, professore onorato dell'Università statale di Mosca, professore, dottore in scienze tecniche, capo del laboratorio di tecnologie dell'informazione aperte (OIT).
La tesi del candidato fu difesa nel campo delle scienze fisiche e matematiche presso il Consiglio Accademico della VMK nel 1976.
Nel 1989 ha difeso la sua tesi di dottorato nella specialità 13.05.11 presso il Consiglio dell'Istituto di informatica e tecnologia dell'Accademia delle scienze dell'URSS, l'argomento della tesi è legato alla modellazione di sistemi complessi di ingegneria radio.
Nel 1992 insignito del titolo accademico di professore.
Premiata con la medaglia commemorativa “800 anni di Mosca”.
Nel 2000-2002 ha sviluppato il concetto e gli standard statali di una nuova direzione scientifica ed educativa "Tecnologie dell'informazione". Sulla base di questi sviluppi da parte del Ministero della Pubblica Istruzione russo nel 2002. è stata creata la direzione 511900 “Tecnologie dell'informazione” ed è stato condotto un esperimento per implementarla. Nel 2006, su iniziativa dell'autore, questa direzione è stata ribattezzata "Informatica fondamentale e tecnologie dell'informazione" (FIIT). Attualmente, questa direzione viene implementata in più di 40 università del paese.
Sukhomlin V.A. - sviluppatore di standard statali per laurea e master di 2a e 3a generazione per la direzione di "Informatica e tecnologia dell'informazione fondamentali".
INTRODUZIONE ALL'INTELLIGENZA ARTIFICIALE
L'obiettivo del corso è fornire agli studenti un'ampia panoramica dei problemi e dei metodi dell'intelligenza artificiale.
Lezione 1.1
Metodi di inferenza logica
Lezione 1.2
Trovare soluzioni, pianificare, programmare
Lezione 1.3
Apprendimento automatico
Lezione 1.4
Interazione uomo-macchina
PROGRAMMAZIONE IN PYTHON
Lo scopo dello studio della disciplina è padroneggiare gli strumenti e i metodi di sviluppo del software utilizzando il linguaggio Python e le sue librerie.
Lezione 2.1
Struttura dell'applicazione
Lezione 2.2
Panoramica dei più importanti moduli e pacchetti della libreria standard Python
Lezione 2.3
Oggetti e classi in Python
Lezione 2.4
Elementi di programmazione funzionale in Python
Lezione 2.5
Generatori. Iteratori
Lezione 2.6
Programmazione multithread
Lezione 2.7
Programmazione di rete
Lezione 2.8
Lavorare con il database
MATEMATICA DISCRETA11
Il materiale del corso è suddiviso in cinque sezioni: Strumenti matematici; Sequenze; Grafici; Funzioni booleane; Teoria dei codici.
Lezione 3.1
Argomento 1.1. Linguaggio della logica matematica
Lezione 3.2
Argomento 1.2. Imposta
Lezione 3.3
Argomento 1.3. Relazioni binarie
Lezione 3.4
Argomento 1.4. Metodo di induzione matematica
Lezione 3.5
Argomento 1.5. Combinatoria
Lezione 3.6
Argomento 2.1. Relazioni di ricorrenza
Lezione 3.7
Argomento 3.1. Tipi di grafici
Lezione 3.8
Argomento 3.2. Grafici ponderati
Lezione 3.9
Argomento 4.1. Rappresentazione di funzioni booleane
Lezione 3.10
Argomento 4.2. Classi di funzioni booleane
Lezione 3.11
Argomento 5.1. Teoria dei codici
TEORIA DELLA PROBABILITÀ E STATISTICA MATEMATICA
Lezione 4.1
Argomento 1.1. Concetto di probabilità
Lezione 4.2
Argomento 1.2. Teoremi elementari
Lezione 4.3
Argomento 1.3. Variabili casuali
Lezione 4.4
Argomento 2.1. Elaborazione dati statistici
Lezione 4.5
Argomento 2.2. Problemi di statistica matematica
METODI DI APPRENDIMENTO MACCHINA
Il corso esamina i principali compiti dell'apprendimento per precedenti: classificazione, clustering, regressione, riduzione della dimensionalità. Sono allo studio metodi per risolverli, sia classici che nuovi, creati negli ultimi 10-15 anni. L'accento è posto su una conoscenza approfondita dei fondamenti matematici, delle relazioni, dei punti di forza e dei limiti dei metodi discussi. Nella maggior parte dei casi i teoremi vengono forniti senza dimostrazione.
Lezione 6.1
Fondamenti matematici dell'apprendimento automatico
Lezione 6.2
Concetti di base ed esempi di problemi applicati
Lezione 6.3
Classificatore lineare e gradiente stocastico
Lezione 6.4
Reti neurali: metodi di ottimizzazione del gradiente
Lezione 6.5
Metodi di classificazione e regressione metrica
Lezione 6.6
Supporta la macchina vettoriale
Lezione 6.7
Regressione lineare multivariata
Lezione 6.8
Regressione non lineare
Lezione 6.9
Criteri di selezione del modello e metodi di selezione delle caratteristiche
Lezione 6.10
Metodi di classificazione logica
Lezione 6.11
Clustering e training parziale
Lezione 6.12
Modelli di Machine Learning applicati
Lezione 6.13
Reti neurali con apprendimento non supervisionato
Lezione 6.14
Rappresentazioni vettoriali di testi e grafici
Lezione 6.15
Formazione in classifica
Lezione 6.16
Sistemi di raccomandazione
Lezione 6.17
Metodi di previsione adattiva