"Εισαγωγή στην ανάλυση δεδομένων" - μάθημα 20.000 RUB. από το MSU, εκπαίδευση 13 εβδομάδων. (1,5 μήνας), Ημερομηνία: 12 Μαΐου 2023.
μικροαντικείμενα / / December 02, 2023
Το πρόγραμμα απευθύνεται σε διευθυντές, αναλυτές, επιχειρηματικούς αναλυτές, ηγέτες ομάδων, όσοι χρειάζονται μια σύντομη και προσβάσιμη παρουσίαση των μεθόδων ανάλυσης δεδομένων - μέθοδοι μηχανικής μάθησης και νευρωνικά δίκτυα.
Προϋποθέσεις εισαγωγής
Το πρόγραμμα απευθύνεται σε φοιτητές που έχουν τριτοβάθμια εκπαίδευση ή λαμβάνουν τριτοβάθμια εκπαίδευση (στο προτελευταίο και τελευταίο έτος σπουδών)
Ημερομηνίες: 12,16,17,19,23,24 Μαΐου 2023
Μαθήματα από τις 17.00 έως τις 20.00
Διάλεξη 1 Προυποθέσεις εισόδου. Εισαγωγή στο πρόγραμμα
Δηλώσεις στόχων
Σύνοψη προγράμματος
Όροι γραμμικής άλγεβρας
Παραδείγματα αναπαράστασης αντικειμένων
Κανόνες εργασίας με πίνακες και διανύσματα σε επίπεδο 1ου-2ου έτους ΤΕΙ.
Διάλεξη 2 Βασικοί τύποι μοντέλων για την εύρεση προτύπων σε δεδομένα
Ανάλυση παλινδρόμησης
Ομαδοποίηση δεδομένων
Απλά και γενικευμένα δέντρα αποφάσεων
Μείωση δεδομένων - ανάλυση κύριου συστατικού
Εξελικτικοί αλγόριθμοι
Νευρωνικά δίκτυα
Διάλεξη 3 Εισαγωγή στην Ανάλυση Δεδομένων
Εισαγωγή στην Ανάλυση Δεδομένων και στην Αναγνώριση Προτύπων
Μετασχηματισμός πρωτογενών δεδομένων, αναζήτηση ακραίων τιμών
Ανάλυση παλινδρόμησης, έλεγχος κύλισης
Δέντρα απόφασης, απλές και γενικευμένες μορφές
Διάλεξη 4 Εγγύτητα (ομοιότητα) αντικειμένων. Οι συστάδες και η αναζήτησή τους
Συστάδα ως συνδεδεμένο στοιχείο ενός γραφήματος.
Κατασκευή ελάχιστου δέντρου.
Μέθοδος Κ μέσα, απλές και γενικευμένες εκδόσεις.
Ιεραρχική ανάλυση συστάδων, δενδρογράμματα
Διάλεξη 5 Μέθοδος κύριου συστατικού
Παράγοντες και αναζήτησή τους, αποσύνθεση μήτρας SVD
Γεωμετρική σημασία παραγόντων
Παλινδρόμηση σε παράγοντες
Πολυδιάστατη κλιμάκωση
Διάλεξη 6 Προηγμένες Μέθοδοι Ανάλυσης
Εξελικτικοί αλγόριθμοι – GMDH, γενετικοί
Λειτουργίες πυρήνα – ανάλυση δεδομένων «χωρίς σήμα».
SVM και διανύσματα υποστήριξης
"Όταν υπάρχουν λίγα δεδομένα" - Μέθοδος Bootstrap
Οικογένειες προγνωστικών αλγορίθμων
"Fuzzy" σημάδια (Fuzzy)
«Fuzzy» ταξινομητές
Διάλεξη 7 Νευρωνικά δίκτυα. Μέρος 1
Το μοντέλο Perceptron και οι περιορισμοί του
Κλασικά νευρωνικά δίκτυα, στρώμα νευρώνων, δύο τύποι νευρώνων
Προβλήματα που επιλύονται από νευρωνικά δίκτυα, «Deep Learning»
Διάλεξη 8 Νευρωνικά δίκτυα. Μέρος 2ο
Ανάλυση εικόνας και συνελικτικά νευρωνικά δίκτυα
Νευρωνικά δίκτυα και Μηχανική Χαρακτηριστικών
Πρόβλημα υπερπροσαρμογής
Προοπτικές ανάπτυξης νευρωνικών δικτύων
Μονάδες Επεξεργασίας Γραφικών (GPU).
Διάλεξη 9 Εμπέδωση γνώσεων
Επανάληψη βασικής ύλης χρησιμοποιώντας πρακτικό παράδειγμα
Συνοψίζοντας
Σωρευτική πίστωση
Το μάθημα καλύπτει τα βασικά της αρχιτεκτονικής Cassandra 4-x, την ανάπτυξη εννοιολογικών, λογικών και φυσικών μοντέλων δεδομένων. Καλύπτει όλες τις απαραίτητες τεχνικές λεπτομέρειες για τη χρήση της Cassandra για κλιμάκωση αποθήκευση δεδομένων σε έργα Java, καθώς και για παρακολούθηση, διαμόρφωση και διαμόρφωση παραγωγικότητα.
4
51 500 ₽