„Datenanalyse und maschinelles Lernen“ – Kurs 120.000 Rubel. von der MSU, Ausbildung 48 Wochen. (12 Monate), Datum: 16. Februar 2023.
Verschiedenes / / November 27, 2023
Das berufliche Umschulungsprogramm „Datenanalyse und maschinelles Lernen“ richtet sich an die Ausbildung von Fachkräften im Bereich Computer Technologien, die in der Lage sind, Softwaresysteme mithilfe von Data Mining und Maschinen zu entwickeln Ausbildung.
Bildung beruflicher Kompetenzen bei Studierenden im Bereich angewandte Programmierung und Datenbanken Daten, die zum Erwerb der Qualifikation „Fachkraft für Datenanalyse und Maschinenbau“ erforderlich sind Ausbildung"
Der Lernprozess nutzt die Programmiersprache Python, die interaktive Entwicklungsumgebung Jupiter, Scikit-Learn-Softwarebibliotheken für maschinelles Lernen und andere.
Maschinelles Lernen ist ein weites Teilgebiet der künstlichen Intelligenz, das Methoden zur Konstruktion lernfähiger Algorithmen untersucht. Maschinelles Lernen ist der wichtigste moderne Ansatz zur Datenanalyse und zum Aufbau intelligenter Informationssysteme. Methoden des maschinellen Lernens liegen allen Computer-Vision-Methoden zugrunde und werden aktiv in der Bildverarbeitung eingesetzt. Der Kurs enthält viele praktisch anwendbare Algorithmen.
BEWERBUNGSVORAUSSETZUNGEN
Bewerber für das Umschulungsprogramm müssen über eine höhere oder weiterführende Fachausbildung verfügen. Erfahrung in der Programmierung prozeduraler Sprachen ist wünschenswert.
TRAININGSMODUS
Das Programm ist auf ein Studienjahr ausgelegt: vom 16. Februar 2023 bis 31. Januar 2024.
Volumen 684 Stunden.
Annahme von Dokumenten vom 20. Dezember bis 28. Februar.
Stundenplanunabhängiger Unterricht nach individuellem Bildungsweg.
Um ein Diplom der Moskauer Staatlichen Universität für berufliche Umschulung zu erhalten, müssen Sie den Lehrplan absolvieren und eine Abschlussarbeit anfertigen.
Die Abschlussarbeit ist eine eigenständige Entwicklung eines Softwaresystems.
1. Um sich für das Programm anzumelden, müssen Sie die folgenden Dokumente (handschriftlich oder elektronisch) ausfüllen und an [email protected] senden:
2. Auf Basis der eingereichten Unterlagen wird ein Schulungsvertrag erstellt.
3. Nach Vertragsunterzeichnung werden die Zahlungsbelege verschickt: August-September.
4. Nach der Bezahlung beginnen Sie mit dem Training.
Professor der Abteilung für Informationssicherheit, Leiter. Intensivlabor
Akademischer Grad: Doktor der technischen Wissenschaften. Wissenschaften
Suchomlin Wladimir Alexandrowitsch, Ehrenprofessor der Moskauer Staatlichen Universität, Professor, Doktor der technischen Wissenschaften, Leiter des Labors für offene Informationstechnologien (OIT).
Die Dissertation des Kandidaten wurde 1976 im Akademischen Rat der VMK im Bereich der physikalischen und mathematischen Wissenschaften verteidigt.
Im Jahr 1989 verteidigte seine Doktorarbeit im Fachgebiet am 13.05.11 beim Rat des Instituts für Informatik und Technologie der Akademie der Wissenschaften der UdSSR. Das Thema der Dissertation bezieht sich auf die Modellierung komplexer funktechnischer Systeme.
Im Jahr 1992 Verleihung des akademischen Titels Professor.
Ausgezeichnet mit der Gedenkmedaille „800 Jahre Moskau“.
In den Jahren 2000-2002 entwickelte das Konzept und die staatlichen Standards einer neuen wissenschaftlichen und pädagogischen Richtung „Informationstechnologien“. Basierend auf diesen Entwicklungen des russischen Bildungsministeriums im Jahr 2002. Die Richtung 511900 „Informationstechnologien“ wurde erstellt und ein Experiment zur Umsetzung durchgeführt. Im Jahr 2006 wurde diese Richtung auf Initiative des Autors in „Fundamental Informatics and Information Technologies“ (FIIT) umbenannt. Derzeit wird diese Richtung an mehr als 40 Universitäten des Landes umgesetzt.
Suchomlin V.A. - Entwickler staatlicher Standards für Bachelor und Master der 2. und 3. Generation für die Richtung „Grundlagen der Informatik und Informationstechnologie“.
EINFÜHRUNG IN DIE KÜNSTLICHE INTELLIGENZ
Ziel des Kurses ist es, den Studierenden einen breiten Überblick über Probleme und Methoden der künstlichen Intelligenz zu vermitteln.
Vorlesung 1.1
Logische Inferenzmethoden
Vorlesung 1.2
Lösungen finden, planen, terminieren
Vorlesung 1.3
Maschinelles Lernen
Vorlesung 1.4
Mensch-Maschine-Interaktion
PROGRAMMIERUNG IN PYTHON
Der Zweck des Studiums der Disziplin besteht darin, die Werkzeuge und Methoden der Softwareentwicklung unter Verwendung der Python-Sprache und ihrer Bibliotheken zu beherrschen.
Vorlesung 2.1
Anwendungsstruktur
Vorlesung 2.2
Übersicht über die wichtigsten Module und Pakete der Python-Standardbibliothek
Vorlesung 2.3
Objekte und Klassen in Python
Vorlesung 2.4
Elemente der funktionalen Programmierung in Python
Vorlesung 2.5
Generatoren. Iteratoren
Vorlesung 2.6
Multithread-Programmierung
Vorlesung 2.7
Netzwerkprogrammierung
Vorlesung 2.8
Arbeiten mit der Datenbank
DISKRETE MATHEMATIK11
Das Kursmaterial ist in fünf Abschnitte unterteilt: Mathematische Werkzeuge; Sequenzen; Grafiken; Boolesche Funktionen; Codierungstheorie.
Vorlesung 3.1
Thema 1.1. Sprache der mathematischen Logik
Vorlesung 3.2
Thema 1.2. Sets
Vorlesung 3.3
Thema 1.3. Binäre Beziehungen
Vorlesung 3.4
Thema 1.4. Methode der mathematischen Induktion
Vorlesung 3.5
Thema 1.5. Kombinatorik
Vorlesung 3.6
Thema 2.1. Wiederholungsbeziehungen
Vorlesung 3.7
Thema 3.1. Arten von Diagrammen
Vorlesung 3.8
Thema 3.2. Gewichtete Diagramme
Vorlesung 3.9
Thema 4.1. Darstellung boolescher Funktionen
Vorlesung 3.10
Thema 4.2. Boolesche Funktionsklassen
Vorlesung 3.11
Thema 5.1. Codierungstheorie
Wahrscheinlichkeitstheorie und mathematische Statistik
Vorlesung 4.1
Thema 1.1. Konzept der Wahrscheinlichkeit
Vorlesung 4.2
Thema 1.2. Elementare Theoreme
Vorlesung 4.3
Thema 1.3. Zufällige Variablen
Vorlesung 4.4
Thema 2.1. Statistische Datenverarbeitung
Vorlesung 4.5
Thema 2.2. Probleme der mathematischen Statistik
METHODEN DES MASCHINELEN LERNENS
Der Kurs untersucht die Hauptaufgaben des Präzedenzfalllernens: Klassifizierung, Clustering, Regression, Dimensionsreduktion. Es werden Methoden zu ihrer Lösung untersucht, sowohl klassische als auch neue, die in den letzten 10–15 Jahren entwickelt wurden. Der Schwerpunkt liegt auf einem gründlichen Verständnis der mathematischen Grundlagen, Zusammenhänge, Stärken und Grenzen der besprochenen Methoden. Theoreme werden meist ohne Beweis angegeben.
Vorlesung 6.1
Mathematische Grundlagen des maschinellen Lernens
Vorlesung 6.2
Grundlegende Konzepte und Beispiele für angewandte Probleme
Vorlesung 6.3
Linearer Klassifikator und stochastischer Gradient
Vorlesung 6.4
Neuronale Netze: Methoden zur Gradientenoptimierung
Vorlesung 6.5
Metrische Klassifizierungs- und Regressionsmethoden
Vorlesung 6.6
Unterstützt Vektormaschine
Vorlesung 6.7
Multivariate lineare Regression
Vorlesung 6.8
Nichtlineare Regression
Vorlesung 6.9
Modellauswahlkriterien und Funktionsauswahlmethoden
Vorlesung 6.10
Logische Klassifizierungsmethoden
Vorlesung 6.11
Clustering und Teilschulung
Vorlesung 6.12
Angewandte Modelle des maschinellen Lernens
Vorlesung 6.13
Neuronale Netze mit unüberwachtem Lernen
Vorlesung 6.14
Vektordarstellungen von Texten und Grafiken
Vorlesung 6.15
Ranking-Training
Vorlesung 6.16
Empfehlungssysteme
Vorlesung 6.17
Adaptive Prognosemethoden