"Ανάλυση δεδομένων και μηχανική μάθηση" - μάθημα 120.000 ρούβλια. από το MSU, εκπαίδευση 48 εβδομάδων. (12 μήνες), Ημερομηνία: 16 Φεβρουαρίου 2023.
μικροαντικείμενα / / November 27, 2023
Το πρόγραμμα επαγγελματικής επανεκπαίδευσης «Data Analysis and Machine Learning» στοχεύει στην εκπαίδευση ειδικών στον τομέα των υπολογιστών τεχνολογίες ικανές να αναπτύξουν συστήματα λογισμικού χρησιμοποιώντας εξόρυξη δεδομένων και μηχανήματα εκπαίδευση.
Διαμόρφωση επαγγελματικών ικανοτήτων μεταξύ των μαθητών που σχετίζονται με τον εφαρμοσμένο προγραμματισμό και τις βάσεις δεδομένων στοιχεία που απαιτούνται για την απόκτηση του τίτλου «ειδικός στον τομέα της ανάλυσης δεδομένων και της μηχανής εκπαίδευση"
Η διαδικασία εκμάθησης χρησιμοποιεί τη γλώσσα προγραμματισμού Python, το διαδραστικό περιβάλλον ανάπτυξης Jupiter, βιβλιοθήκες λογισμικού scikit-learn για μηχανική μάθηση και άλλα.
Η Μηχανική Μάθηση είναι ένα ευρύ υποπεδίο της τεχνητής νοημοσύνης που μελετά μεθόδους για την κατασκευή αλγορίθμων που μπορούν να μάθουν. Η μηχανική μάθηση είναι η κύρια σύγχρονη προσέγγιση για την ανάλυση δεδομένων και τη δημιουργία ευφυών πληροφοριακών συστημάτων. Οι μέθοδοι μηχανικής μάθησης αποτελούν τη βάση όλων των μεθόδων υπολογιστικής όρασης και χρησιμοποιούνται ενεργά στην επεξεργασία εικόνας. Το μάθημα περιέχει πολλούς πρακτικούς αλγόριθμους.
ΑΠΑΙΤΗΣΕΙΣ ΕΦΑΡΜΟΓΗΣ
Οι υποψήφιοι για το πρόγραμμα επανεκπαίδευσης πρέπει να έχουν ανώτερη ή δευτεροβάθμια εξειδικευμένη εκπαίδευση. Επιθυμητή η εμπειρία προγραμματισμού σε διαδικαστικές γλώσσες.
ΛΕΙΤΟΥΡΓΙΑ ΠΡΟΠΟΝΗΣΗΣ
Το πρόγραμμα έχει σχεδιαστεί για 1 έτος σπουδών: από 16 Φεβρουαρίου 2023 έως 31 Ιανουαρίου 2024.
Όγκος 684 ώρες.
Αποδοχή εγγράφων από 20 Δεκεμβρίου έως 28 Φεβρουαρίου.
Μαθήματα χωρίς αναφορά σε ωράριο σύμφωνα με ατομική εκπαιδευτική τροχιά.
Για να αποκτήσετε Δίπλωμα Κρατικού Πανεπιστημίου της Μόσχας στην επαγγελματική επανεκπαίδευση, πρέπει να ολοκληρώσετε το πρόγραμμα σπουδών και να προετοιμάσετε μια τελική διατριβή.
Η τελική εργασία είναι μια ανεξάρτητη ανάπτυξη ενός συστήματος λογισμικού.
1. Για να εγγραφείτε στο πρόγραμμα, πρέπει να συμπληρώσετε τα ακόλουθα έγγραφα (χειρόγραφα ή ηλεκτρονικά) και να τα στείλετε στη διεύθυνση [email protected]:
2. Με βάση τα υποβληθέντα έγγραφα θα καταρτιστεί Εκπαιδευτική Συμφωνία.
3. Μετά την υπογραφή της σύμβασης, αποστέλλονται έγγραφα για πληρωμή: Αύγουστος-Σεπτέμβριος.
4. Μετά την πληρωμή ξεκινάτε την εκπαίδευση.
Καθηγητής Τμήματος Ασφάλειας Πληροφοριών, Προϊστάμενος. Εργαστήριο ΜΕΘ
Ακαδημαϊκό πτυχίο: Διδάκτωρ Τεχνικών Επιστημών. επιστήμες
Sukhomlin Vladimir Aleksandrovich, Επίτιμος Καθηγητής του Κρατικού Πανεπιστημίου της Μόσχας, Καθηγητής, Διδάκτωρ Τεχνικών Επιστημών, Επικεφαλής του Εργαστηρίου Ανοιχτών Τεχνολογιών Πληροφορικής (OIT).
Η διατριβή του υποψηφίου υποστηρίχθηκε στον τομέα των φυσικών και μαθηματικών επιστημών στο Ακαδημαϊκό Συμβούλιο του VMK το 1976.
Το 1989 υπερασπίστηκε τη διδακτορική του διατριβή στην ειδικότητα 05.13.11 στο Συμβούλιο στο Ινστιτούτο Επιστήμης και Τεχνολογίας Υπολογιστών της Ακαδημίας Επιστημών της ΕΣΣΔ, το θέμα της διατριβής σχετίζεται με τη μοντελοποίηση σύνθετων συστημάτων ραδιομηχανικής.
Το 1992 απένειμε τον ακαδημαϊκό τίτλο του καθηγητή.
Απονεμήθηκε το αναμνηστικό μετάλλιο «800 Χρόνια Μόσχας».
Το 2000-2002 ανέπτυξε την έννοια και τα κρατικά πρότυπα μιας νέας επιστημονικής και εκπαιδευτικής κατεύθυνσης «Τεχνολογίες της Πληροφορίας». Με βάση αυτές τις εξελίξεις από το ρωσικό Υπουργείο Παιδείας το 2002. Δημιουργήθηκε η κατεύθυνση 511900 «Τεχνολογίες Πληροφοριών» και πραγματοποιήθηκε πείραμα για την υλοποίησή της. Το 2006, η κατεύθυνση αυτή μετονομάστηκε με πρωτοβουλία του συγγραφέα σε «Βασικές Πληροφορικές και Τεχνολογίες Πληροφορικής» (FIIT). Αυτή τη στιγμή η κατεύθυνση αυτή εφαρμόζεται σε περισσότερα από 40 πανεπιστήμια της χώρας.
Sukhomlin V.A. - προγραμματιστής κρατικών προτύπων για πτυχίο και μεταπτυχιακό της 2ης και 3ης γενιάς για την κατεύθυνση της «Βασικής επιστήμης υπολογιστών και τεχνολογίας πληροφοριών».
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΤΕΧΝΗ ΝΟΗΜΟΣΥΝΗ
Στόχος του μαθήματος είναι να δώσει στους φοιτητές μια ευρεία επισκόπηση των προβλημάτων και των μεθόδων τεχνητής νοημοσύνης.
Διάλεξη 1.1
Μέθοδοι λογικών συμπερασμάτων
Διάλεξη 1.2
Εύρεση λύσεων, προγραμματισμός, προγραμματισμός
Διάλεξη 1.3
Μηχανική μάθηση
Διάλεξη 1.4
Αλληλεπίδραση ανθρώπου-μηχανής
ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΣΕ PYTHON
Ο σκοπός της μελέτης του κλάδου είναι να κατακτήσει τα εργαλεία και τις μεθόδους ανάπτυξης λογισμικού χρησιμοποιώντας τη γλώσσα Python και τις βιβλιοθήκες της.
Διάλεξη 2.1
Δομή εφαρμογής
Διάλεξη 2.2
Επισκόπηση των πιο σημαντικών λειτουργικών μονάδων και πακέτων τυπικής βιβλιοθήκης Python
Διάλεξη 2.3
Αντικείμενα και κλάσεις στην Python
Διάλεξη 2.4
Στοιχεία Λειτουργικού Προγραμματισμού σε Python
Διάλεξη 2.5
Γεννήτριες. Iterators
Διάλεξη 2.6
Προγραμματισμός πολλαπλών νημάτων
Διάλεξη 2.7
Προγραμματισμός δικτύου
Διάλεξη 2.8
Εργασία με τη βάση δεδομένων
ΔΙΑΚΡΙΤΑ ΜΑΘΗΜΑΤΙΚΑ11
Η ύλη του μαθήματος χωρίζεται σε πέντε ενότητες: Μαθηματικά εργαλεία. Ακολουθίες; Γραφικές παραστάσεις; Boolean συναρτήσεις; Θεωρία κωδικοποίησης.
Διάλεξη 3.1
Θέμα 1.1. Γλώσσα μαθηματικής λογικής
Διάλεξη 3.2
Θέμα 1.2. Σκηνικά
Διάλεξη 3.3
Θέμα 1.3. Δυαδικές σχέσεις
Διάλεξη 3.4
Θέμα 1.4. Μέθοδος μαθηματικής επαγωγής
Διάλεξη 3.5
Θέμα 1.5. Συνδυαστική
Διάλεξη 3.6
Θέμα 2.1. Σχέσεις υποτροπής
Διάλεξη 3.7
Θέμα 3.1. Τύποι γραφημάτων
Διάλεξη 3.8
Θέμα 3.2. Σταθμισμένα γραφήματα
Διάλεξη 3.9
Θέμα 4.1. Αναπαράσταση Boolean Συναρτήσεων
Διάλεξη 3.10
Θέμα 4.2. Τάξεις Boolean Function
Διάλεξη 3.11
Θέμα 5.1. Θεωρία κωδικοποίησης
ΘΕΩΡΙΑ ΠΙΘΑΝΟΤΗΤΩΝ ΚΑΙ ΜΑΘΗΜΑΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
Διάλεξη 4.1
Θέμα 1.1. Έννοια της πιθανότητας
Διάλεξη 4.2
Θέμα 1.2. Στοιχειώδη θεωρήματα
Διάλεξη 4.3
Θέμα 1.3. Τυχαίες μεταβλητές
Διάλεξη 4.4
Θέμα 2.1. Στατιστική επεξεργασία δεδομένων
Διάλεξη 4.5
Θέμα 2.2. Προβλήματα μαθηματικής στατιστικής
ΜΕΘΟΔΟΙ ΜΑΘΗΣΗΣ ΜΗΧΑΝΗΣ
Το μάθημα εξετάζει τα κύρια καθήκοντα της μάθησης κατά προηγούμενο: ταξινόμηση, ομαδοποίηση, παλινδρόμηση, μείωση διαστάσεων. Μέθοδοι επίλυσής τους μελετώνται, τόσο κλασικές όσο και νέες, που δημιουργήθηκαν τα τελευταία 10-15 χρόνια. Δίνεται έμφαση στην ενδελεχή κατανόηση των μαθηματικών θεμελίων, των σχέσεων, των δυνατοτήτων και των περιορισμών των μεθόδων που συζητήθηκαν. Τα θεωρήματα δίνονται κυρίως χωρίς απόδειξη.
Διάλεξη 6.1
Μαθηματικά θεμέλια μηχανικής μάθησης
Διάλεξη 6.2
Βασικές έννοιες και παραδείγματα εφαρμοσμένων προβλημάτων
Διάλεξη 6.3
Γραμμικός ταξινομητής και στοχαστική κλίση
Διάλεξη 6.4
Νευρωνικά δίκτυα: μέθοδοι βελτιστοποίησης κλίσης
Διάλεξη 6.5
Μέθοδοι μετρικής ταξινόμησης και παλινδρόμησης
Διάλεξη 6.6
Υποστήριξη διανυσματική μηχανή
Διάλεξη 6.7
Πολυμεταβλητή Γραμμική Παλινδρόμηση
Διάλεξη 6.8
Μη γραμμική παλινδρόμηση
Διάλεξη 6.9
Κριτήρια επιλογής μοντέλου και μέθοδοι επιλογής χαρακτηριστικών
Διάλεξη 6.10
Λογικές μέθοδοι ταξινόμησης
Διάλεξη 6.11
Ομαδοποίηση και μερική εκπαίδευση
Διάλεξη 6.12
Εφαρμοσμένα μοντέλα μηχανικής μάθησης
Διάλεξη 6.13
Νευρωνικά δίκτυα με μάθηση χωρίς επίβλεψη
Διάλεξη 6.14
Διανυσματικές αναπαραστάσεις κειμένων και γραφημάτων
Διάλεξη 6.15
Προπόνηση κατάταξης
Διάλεξη 6.16
Συστήματα συστάσεων
Διάλεξη 6.17
Προσαρμοστικές μέθοδοι πρόβλεψης