0
vistas
“Análisis de datos y aprendizaje automático” - curso 120.000 rublos. de MSU, entrenando 48 semanas. (12 meses), Fecha: 16 de febrero de 2023.
Miscelánea / / November 27, 2023
El programa de reciclaje profesional “Análisis de datos y aprendizaje automático” tiene como objetivo formar especialistas en el campo de la informática. tecnologías capaces de desarrollar sistemas de software utilizando minería de datos y máquinas. capacitación.
Formación de competencias profesionales entre los estudiantes relacionadas con la programación aplicada y bases de datos. datos necesarios para adquirir la cualificación de “especialista en el campo del análisis de datos y capacitación"
El proceso de aprendizaje utiliza el lenguaje de programación Python, el entorno de desarrollo interactivo Jupiter, bibliotecas de software scikit-learn para aprendizaje automático y otros.
El aprendizaje automático es un subcampo amplio de la inteligencia artificial que estudia métodos para construir algoritmos que puedan aprender. El aprendizaje automático es el principal enfoque moderno para el análisis de datos y la construcción de sistemas de información inteligentes. Los métodos de aprendizaje automático son la base de todos los métodos de visión por computadora y se utilizan activamente en el procesamiento de imágenes. El curso contiene muchos algoritmos prácticamente aplicables.
REQUERIMIENTOS DE APLICACION
Los solicitantes del programa de reciclaje deben tener una educación especializada superior o secundaria. Es deseable tener experiencia en programación en lenguajes procedimentales.
MODO DE ENTRENAMIENTO
El programa está diseñado para 1 año de estudio: del 16 de febrero de 2023 al 31 de enero de 2024.
Volumen 684 horas.
Aceptación de documentos del 20 de diciembre al 28 de febrero.
Clases sin referencia a un horario según una trayectoria educativa individual.
Para obtener un Diploma de reciclaje profesional de la Universidad Estatal de Moscú, debe completar el plan de estudios y preparar una tesis final.
El trabajo final es un desarrollo independiente de un sistema de software.
1. Para inscribirse en el programa, debe completar los siguientes documentos (a mano o electrónicamente) y enviarlos a [email protected]:
2. Con base en los documentos presentados, se elaborará un Acuerdo de Capacitación.
3. Después de firmar el contrato, se envían los documentos de pago: agosto-septiembre.
4. Después del pago comienzas a entrenar.
Profesor del Departamento de Seguridad de la Información, Jefe. laboratorio de la UCI
Grado académico: Doctor en Ciencias Técnicas. ciencias
Sukhomlin Vladimir Aleksandrovich, Profesor de Honor de la Universidad Estatal de Moscú, Profesor, Doctor en Ciencias Técnicas, Jefe del Laboratorio de Tecnologías de la Información Abiertas (OIT).
La tesis del candidato fue defendida en el campo de las ciencias físicas y matemáticas en el Consejo Académico del VMK en 1976.
En 1989 defendió su tesis doctoral en la especialidad el 13.05.11 en el Consejo del Instituto de Ciencias y Tecnología Informática de la Academia de Ciencias de la URSS, el tema de la tesis está relacionado con el modelado de sistemas complejos de ingeniería de radio.
En 1992 obtuvo el título académico de profesor.
Galardonado con la medalla conmemorativa “800 años de Moscú”.
En 2000-2002 desarrolló el concepto y los estándares estatales de una nueva dirección científica y educativa "Tecnologías de la información". Basado en estos desarrollos del Ministerio de Educación de Rusia en 2002. Se creó la dirección 511900 “Tecnologías de la Información” y se realizó un experimento para implementarla. En 2006, esta dirección pasó a llamarse por iniciativa del autor a “Informática y tecnologías de la información fundamentales” (FIIT). Actualmente, esta dirección se está implementando en más de 40 universidades del país.
Sujomlin V.A. - desarrollador de estándares estatales para licenciaturas y maestrías de segunda y tercera generación para la dirección "Informática básica y tecnología de la información".
INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
El objetivo del curso es brindar a los estudiantes una visión amplia de los problemas y métodos de la inteligencia artificial.
Conferencia 1.1
Métodos de inferencia lógica
Conferencia 1.2
Encontrar soluciones, planificar, programar.
Conferencia 1.3
Aprendizaje automático
Conferencia 1.4
Interacción hombre-máquina
PROGRAMACIÓN EN PYTHON
El propósito de estudiar la disciplina es dominar las herramientas y métodos de desarrollo de software utilizando el lenguaje Python y sus bibliotecas.
Conferencia 2.1
Estructura de la aplicación
Conferencia 2.2
Descripción general de los módulos y paquetes de la biblioteca estándar de Python más importantes
Conferencia 2.3
Objetos y clases en Python
Conferencia 2.4
Elementos de programación funcional en Python
Conferencia 2.5
Generadores. Iteradores
Conferencia 2.6
Programación multiproceso
Conferencia 2.7
Programación de red
Conferencia 2.8
Trabajando con la base de datos
MATEMÁTICAS DISCRETAS11
El material del curso se divide en cinco secciones: Herramientas matemáticas; Secuencias; Gráficos; funciones booleanas; Teoría de la codificación.
Conferencia 3.1
Tema 1.1. Lenguaje de la lógica matemática.
Conferencia 3.2
Tema 1.2. Conjuntos
Conferencia 3.3
Tema 1.3. Relaciones binarias
Conferencia 3.4
Tema 1.4. Método de inducción matemática.
Conferencia 3.5
Tema 1.5. combinatoria
Conferencia 3.6
Tema 2.1. Relaciones de recurrencia
Conferencia 3.7
Tema 3.1. Tipos de gráficos
Conferencia 3.8
Tema 3.2. Gráficos ponderados
Conferencia 3.9
Tema 4.1. Representación de funciones booleanas
Conferencia 3.10
Tema 4.2. Clases de funciones booleanas
Conferencia 3.11
Tema 5.1. Teoría de la codificación
TEORÍA DE LA PROBABILIDAD Y ESTADÍSTICA MATEMÁTICA
Conferencia 4.1
Tema 1.1. Concepto de probabilidad
Conferencia 4.2
Tema 1.2. Teoremas elementales
Conferencia 4.3
Tema 1.3. Variables aleatorias
Conferencia 4.4
Tema 2.1. Procesamiento de datos estadísticos
Conferencia 4.5
Tema 2.2. Problemas de estadística matemática.
MÉTODOS DE APRENDIZAJE MÁQUINA
El curso examina las principales tareas de aprendizaje por precedente: clasificación, agrupamiento, regresión, reducción de dimensionalidad. Se están estudiando métodos para resolverlos, tanto clásicos como nuevos, creados en los últimos 10 a 15 años. Se pone énfasis en una comprensión profunda de los fundamentos matemáticos, las relaciones, las fortalezas y las limitaciones de los métodos discutidos. La mayoría de los teoremas se dan sin demostración.
Conferencia 6.1
Fundamentos matemáticos del aprendizaje automático
Conferencia 6.2
Conceptos básicos y ejemplos de problemas aplicados.
Conferencia 6.3
Clasificador lineal y gradiente estocástico.
Conferencia 6.4
Redes neuronales: métodos de optimización de gradientes.
Conferencia 6.5
Clasificación métrica y métodos de regresión
Conferencia 6.6
Máquinas de vectores soporte
Conferencia 6.7
Regresión lineal multivariada
Conferencia 6.8
Regresión no lineal
Conferencia 6.9
Criterios de selección de modelos y métodos de selección de características.
Conferencia 6.10
Métodos de clasificación lógica.
Conferencia 6.11
Agrupación y entrenamiento parcial.
Conferencia 6.12
Modelos de aprendizaje automático aplicado
Conferencia 6.13
Redes neuronales con aprendizaje no supervisado
Conferencia 6.14
Representaciones vectoriales de textos y gráficos.
Conferencia 6.15
Entrenamiento de clasificación
Conferencia 6.16
Sistemas de recomendación
Conferencia 6.17
Métodos de pronóstico adaptativos
Suscribir
YOU MIGHT ALSO LIKE
