Ανάλυση δεδομένων στις εφαρμοσμένες επιστήμες - δωρεάν μάθημα από τη Σχολή Ανάλυσης Δεδομένων, εκπαίδευση 4 εξάμηνα, Ημερομηνία: 5 Δεκεμβρίου 2023.
μικροαντικείμενα / / December 08, 2023
Το ίδιο πρόγραμμα από κορυφαίους ειδικούς στον κλάδο της πληροφορικής
Τι είναι το ShAD
Το διετές πρόγραμμα Yandex εμφανίστηκε το 2007 και έγινε το πρώτο μέρος στη Ρωσία που διδάσκει ανάλυση δεδομένων. Τα μαθήματα ShAD αποτέλεσαν τη βάση των μεταπτυχιακών προγραμμάτων σε μεγάλα πανεπιστήμια όπως το HSE και το MIPT.
1. Ευέλικτο πρόγραμμα για όσους θέλουν να εξερευνήσουν τη μηχανική μάθηση και να εργαστούν στον κλάδο της πληροφορικής
2. Μαθήματα συγγραφέων από Ρώσους και ξένους επιστήμονες και ειδικούς
3. Εργασία για το σπίτι κοντά σε πραγματικές εργασίες στην πρακτική της πληροφορικής
4. Ένα δίπλωμα που αναγνωρίζεται όχι μόνο στη Ρωσία, αλλά και σε μεγάλες ξένες εταιρείες
Το κύριο πράγμα για το ShAD
Γλώσσα διδασκαλίας: Ρωσικά και Αγγλικά
Πόσο διαρκεί: 2 χρόνια
Υποβολή αιτήσεων συμμετοχής: Απρίλιος - Μάιος, 2022
Πότε ξεκινάει το σχολείο: Σεπτέμβριος 2022
Φόρτωση: 30 ώρες/εβδομάδα
Πότε: Βραδινό, 3 φορές/εβδομάδα
Κόστος: Δωρεάν*
Για ποιον: Για όλους όσους περάσουν τις εισαγωγικές εξετάσεις
Το κύριο χαρακτηριστικό του ειδικού μαθήματος Ανάλυση Δεδομένων στις Εφαρμοσμένες Επιστήμες είναι ότι οι μαθητές περνούν το μεγαλύτερο μέρος του δεύτερου έτους σπουδών εργάζονται σε έργα εφαρμοσμένης έρευνας. Ο τελικός βαθμός για σπουδές στο ShAD θα καθοριστεί σε μεγάλο βαθμό από την ποιότητα αυτού του έργου.
Για τους φοιτητές που, παράλληλα με το ShAD, θα εκπονούν διατριβές (πτυχίο ή μεταπτυχιακό), τα έργα ShAD μπορούν να χρησιμοποιηθούν ως βάση για την πανεπιστημιακή τους εργασία.
Επιτακτικός
Ανακατασκευή λειτουργικών προτύπων από εμπειρικά δεδομένα
01 Γενική διατύπωση του προβλήματος της ανάκτησης εξαρτήσεων
02 Μέθοδος μέγιστης πιθανότητας
03 Παραδείγματα συγκεκριμένων προβλημάτων ανάκτησης εξάρτησης: παλινδρόμηση, αναγνώριση προτύπων, αναγνώριση προτύπων και οι εφαρμογές τους
04 Κατασκευή μη παραμετρικών εκτιμήσεων κατανομών με χρήση της μεθόδου μέγιστης πιθανότητας
05 Μέθοδος ελαχίστων τετραγώνων για εκτίμηση παλινδρόμησης. Μέθοδος μέγιστης πιθανότητας για την επιλογή μοντέλου
06 Δοκιμή αναλογίας πιθανότητας
07 Αναζήτηση για έναν κανόνα απόφασης που ελαχιστοποιεί τον αριθμό των σφαλμάτων ή τη μέση τιμή της συνάρτησης ποινής στα δεδομένα εκπαίδευσης σε προβλήματα αναγνώρισης προτύπων
08 Πολυμεταβλητή γραμμική εκτίμηση
09 Perceptron. Πιθανές λειτουργίες. Νευρωνικά δίκτυα
10 Λαμβάνοντας υπόψη εκ των προτέρων πληροφορίες στη γραμμική εκτίμηση
11 Γενικευμένη μέθοδος πορτραίτου στο πρόβλημα ταξινόμησης
12 Μπεϋζιανή εκτίμηση
13 Υποστήριξη Vector Machine (SVM)
14 Ορισμένες μέθοδοι ταξινόμησης
15 Κριτική στην εμπειρική μέθοδο ελαχιστοποίησης κινδύνου
16 Βέλτιστο υπερεπίπεδο
17 Κριτήρια ομοιόμορφης σύγκλισης συχνοτήτων προς πιθανότητες. Λειτουργία ανάπτυξης. Διάσταση VC
18 Το διπλό πρόβλημα της κατασκευής ενός βέλτιστου υπερεπίπεδου
19 Κριτήρια ομοιόμορφης σύγκλισης συχνοτήτων προς πιθανότητες. Σχέση με τα καθήκοντα της μαθησιακής αναγνώρισης προτύπων
20 Κατασκευή μη παραμετρικής παλινδρόμησης spline
21 Κριτήρια ομοιόμορφης σύγκλισης των μέσων όρων προς τις μαθηματικές προσδοκίες
22 Κατασκευή μη παραμετρικής παλινδρόμησης πυρήνα
23 Το πρόβλημα της επιλογής της βέλτιστης πολυπλοκότητας του μοντέλου
24 Διαφορετικοί τύποι εξαρτήσεων παλινδρόμησης
Βασικά στοιχεία στοχαστικής. Στοχαστικά μοντέλα
01 Κλασικός ορισμός της πιθανότητας
02 Πιθανότητες υπό όρους. Ανεξαρτησία. Υπό όρους μαθηματική προσδοκία.
03 Διακριτές τυχαίες μεταβλητές και τα χαρακτηριστικά τους
04 Οριακά θεωρήματα
05 Τυχαία βόλτα
06 Martingales
07 Διακριτικές αλυσίδες Markov. Εργοδικό θεώρημα.
08 Πιθανολογικό μοντέλο πειράματος με άπειρο αριθμό γεγονότων. Αξιωματικά του Κολμογκόροφ. Διαφορετικοί τύποι σύγκλισης τυχαίων μεταβλητών.
09 Ασθενής σύγκλιση μέτρων πιθανότητας. Η μέθοδος των χαρακτηριστικών συναρτήσεων στην απόδειξη οριακών θεωρημάτων.
10 Τυχαίες διαδικασίες
Αλγόριθμοι και δομές δεδομένων, μέρος 1
01 Πολυπλοκότητα και υπολογιστικά μοντέλα. Ανάλυση λογιστικών αξιών (αρχή)
02 Ανάλυση λογιστικών αξιών (τέλος)
03 Αλγόριθμοι συγχώνευσης-ταξινόμησης και γρήγορης ταξινόμησης
04 Τακτική στατιστική. Σωροί (αρχή)
05 Σωροί (τέλος)
06 Κατακερματισμός
07 Αναζήτηση δέντρων (αρχή)
08 Αναζήτηση δέντρων (συνέχεια)
09 Αναζήτηση δέντρων (τέλος). Σύστημα ασύνδετων συνόλων
10 Στόχοι RMQ και LCA
11 Δομές δεδομένων για γεωμετρική αναζήτηση
12 Πρόβλημα δυναμικής συνδεσιμότητας σε μη κατευθυνόμενο γράφημα
01 Βασικές έννοιες και παραδείγματα εφαρμοσμένων προβλημάτων
02 Μέθοδοι μετρικής ταξινόμησης
03 Λογικές μέθοδοι ταξινόμησης και δέντρα αποφάσεων
04 Μέθοδοι γραμμικής ταξινόμησης κλίσης
05 Υποστήριξη διανυσματική μηχανή
06 Πολυμεταβλητή Γραμμική Παλινδρόμηση
07 Μη γραμμική και μη παραμετρική παλινδρόμηση, μη τυπικές συναρτήσεις απώλειας
08 Πρόβλεψη χρονοσειρών
09 Μπεϋζιανές μέθοδοι ταξινόμησης
10 Λογιστική παλινδρόμηση
11 Αναζήτηση κανόνων συσχέτισης
Βασικές αρχές της Στατιστικής στη Μηχανική Μάθηση
01 Εισαγωγή
02 Βασικές εργασίες και μέθοδοι της θεωρίας των στατιστικών συμπερασμάτων
03 Εκτίμηση κατανομής και στατιστικές συναρτήσεις
04 Προσομοίωση Monte Carlo, bootstrap
05 Παραμετρική εκτίμηση
06 Έλεγχος υποθέσεων
07 Μείωση της διάστασης των πολυδιάστατων δεδομένων
08 Αξιολόγηση ευαισθησίας μοντέλου
09 Γραμμική και λογιστική παλινδρόμηση
10 Σχεδιασμός Πειραμάτων
11 Διαφορετικοί τύποι τακτοποίησης στη γραμμική παλινδρόμηση
12 Μη γραμμικές μέθοδοι για την κατασκευή εξαρτήσεων παλινδρόμησης
13 Μη παραμετρική εκτίμηση
14 Μπεϋζιανή προσέγγιση στην εκτίμηση
15 Μπεϋζιανή προσέγγιση της παλινδρόμησης
16 Μπεϋζιανή προσέγγιση για παλινδρόμηση και βελτιστοποίηση
17 Χρήση του μοντέλου τυχαίου πεδίου Gauss σε προβλήματα ανάλυσης δεδομένων
18 Χρήση στατιστικών μοντέλων και μεθόδων σε προβλήματα υποκατάστασης μοντελοποίησης και βελτιστοποίησης
01 Κυρτές συναρτήσεις και σύνολα
02 Συνθήκες βελτιστοποίησης και δυαδικότητα
03 Εισαγωγή στις μεθόδους βελτιστοποίησης
04 Πολυπλοκότητα για κατηγορίες κυρτών λείων και κυρτών μη λείων προβλημάτων
05 Τεχνική εξομάλυνσης
06 Λειτουργίες πέναλτι. Μέθοδος φραγμού. Τροποποιημένη μέθοδος συνάρτησης Lagrange
07 ΑΔΜΜ
08 Εισαγωγή στις τεχνικές επιβολής καθρέφτη
09 Μέθοδος Newton και οιονεί μέθοδοι Newton. BFGS
10 Εισαγωγή στη στιβαρή βελτιστοποίηση
11 Εισαγωγή στη στοχαστική βελτιστοποίηση
12 Τυχαιοποιημένοι αλγόριθμοι βελτιστοποίησης
13 Εισαγωγή στη διαδικτυακή βελτιστοποίηση
Μηχανική μάθηση, μέρος 2
01 Μέθοδοι ταξινόμησης και παλινδρόμησης νευρωνικών δικτύων
02 Συνθετική ταξινόμηση και μέθοδοι παλινδρόμησης
03 Κριτήρια επιλογής μοντέλων και μέθοδοι επιλογής χαρακτηριστικών
04 Κατάταξη
05 Ενισχυτική μάθηση
06 Μάθηση χωρίς δάσκαλο
07 Προβλήματα με μερική προπόνηση
08 Συνεργατικό φιλτράρισμα
09 Μοντελοποίηση θεμάτων
Εργασία έργου
Η τελευταία έκδοση του Microsoft Office 2021 έχει μια ενσωματωμένη γλώσσα προγραμματισμού που ονομάζεται Visual Basic for Applications (VBA). εξακολουθεί να παραμένει το κύριο πιο σημαντικό μέσο για την αυτοματοποίηση της εργασίας των χρηστών με το γραφείο εφαρμογές. Ο μεγαλύτερος αριθμός εφαρμοζόμενων εργασιών που δεν μπορούν να υλοποιηθούν χωρίς μακροεντολές προκύπτει κατά την εργασία με υπολογιστικά φύλλα του Excel.
4,1
Αυτό το μάθημα προορίζεται για αρχική εκπαίδευση ειδικών διαμόρφωσης στο σύστημα 1C: Enterprise 8 (διαχειριζόμενη εφαρμογή, έκδοση πλατφόρμας 8.3). Κατά τη διάρκεια της εκπαιδευτικής διαδικασίας, θα εξοικειωθείτε με τα βασικά της διαμόρφωσης και του προγραμματισμού στο σύστημα 1C: Enterprise 8, θα αποκτήσετε πρακτικές δεξιότητες στην εργασία με αντικείμενα διαμόρφωσης και τη σύνταξη ενοτήτων προγράμματος στη γλώσσα συστήματα.
4,1
Τριήμερο μάθημα Macros σε VBA. Excel 20XX. σχεδιασμένο για επαγγελματίες που χρησιμοποιούν συνεχώς το Excel στην καθημερινή τους εργασία και θέλουν να μάθουν κώδικα VBA και ανεξάρτητα μακροεντολές προγράμματος, οι οποίες θα σας επιτρέψουν να εκτελείτε αυτόματα επαναλαμβανόμενες ενέργειες ρουτίνας, να εξοικονομήσετε χρόνο και να αυξήσετε την αποτελεσματικότητα εργασία. Τα προϊόντα γραφείου διαθέτουν ένα εξαιρετικό εργαλείο που σας βοηθά να αυτοματοποιήσετε τις συνήθεις λειτουργίες, καθώς και να κάνετε πράγματα που συνήθως δεν είναι δυνατά. Αυτό το εργαλείο είναι η ενσωματωμένη γλώσσα προγραμματισμού VBA (Visual Basic for Application). Μαθήματα μακροεντολών σε VBA. Το Excel 20XX θα σας βοηθήσει να κατακτήσετε τις δεξιότητες της αυτοματοποίησης της εργασίας στο Excel. Το πρόγραμμα μαθημάτων περιλαμβάνει θεωρητικά και πρακτικά μέρη και είναι διαθέσιμο online και σε μαθήματα στο Softline Training Center στις πόλεις Ρωσία (Μόσχα, Αγία Πετρούπολη, Αικατερινούπολη, Καζάν, Κρασνογιάρσκ, Νίζνι Νόβγκοροντ, Νοβοσιμπίρσκ, Ομσκ, Ροστόφ-ον-Ντον και Khabarovsk).
3,6