0
vues
"Analyse des données et apprentissage automatique" - cours 120 000 roubles. de MSU, formation 48 semaines. (12 mois), Date: 16 février 2023.
Miscellanea / / November 27, 2023
Le programme de reconversion professionnelle « Analyse de données et Machine Learning » s'adresse à la formation de spécialistes dans le domaine de l'informatique. technologies capables de développer des systèmes logiciels utilisant l'exploration de données et la machine entraînement.
Formation de compétences professionnelles chez les étudiants liées à la programmation appliquée et aux bases de données données nécessaires à l'acquisition du diplôme de « spécialiste dans le domaine de l'analyse des données et des machines ». entraînement"
Le processus d'apprentissage utilise le langage de programmation Python, l'environnement de développement interactif Jupiter, les bibliothèques de logiciels scikit-learn pour l'apprentissage automatique, etc.
L'apprentissage automatique est un vaste sous-domaine de l'intelligence artificielle qui étudie les méthodes de construction d'algorithmes capables d'apprendre. L'apprentissage automatique est la principale approche moderne de l'analyse des données et de la création de systèmes d'information intelligents. Les méthodes d'apprentissage automatique sont à la base de toutes les méthodes de vision par ordinateur et sont activement utilisées dans le traitement d'images. Le cours contient de nombreux algorithmes applicables dans la pratique.
EXIGENCES DE DEMANDE
Les candidats au programme de reconversion doivent avoir une formation spécialisée supérieure ou secondaire. Une expérience en programmation dans des langages procéduraux est souhaitable.
MODE ENTRAÎNEMENT
Le programme est conçu pour 1 année d'études: du 16 février 2023 au 31 janvier 2024.
Tome 684 heures.
Acceptation des documents du 20 décembre au 28 février.
Cours sans référence à un horaire selon un parcours pédagogique individuel.
Pour obtenir un diplôme de reconversion professionnelle de l'Université d'État de Moscou, vous devez suivre le cursus et préparer un mémoire de fin d'études.
Le travail final est un développement indépendant d'un système logiciel.
1. Pour vous inscrire au programme, vous devez remplir les documents suivants (à la main ou par voie électronique) et les envoyer à [email protected] :
2. Sur la base des documents soumis, un accord de formation sera préparé.
3. Après signature du contrat, les documents de paiement sont envoyés: août-septembre.
4. Après le paiement, vous commencez la formation.
Professeur du Département de sécurité de l'information, chef. Laboratoire de soins intensifs
Diplôme académique: Docteur en Sciences Techniques. les sciences
Sukhomlin Vladimir Alexandrovitch, professeur émérite de l'Université d'État de Moscou, professeur, docteur en sciences techniques, chef du Laboratoire des technologies ouvertes de l'information (OIT).
La thèse du candidat a été soutenue dans le domaine des sciences physiques et mathématiques au Conseil académique du VMK en 1976.
En 1989 a soutenu sa thèse de doctorat dans la spécialité 13.05.11 au Conseil de l'Institut d'informatique et de technologie de l'Académie des sciences de l'URSS, le sujet de la thèse est lié à la modélisation de systèmes complexes d'ingénierie radio.
En 1992 reçu le titre académique de professeur.
Récompensé par la médaille commémorative « 800 ans de Moscou ».
En 2000-2002 a développé le concept et les normes nationales d'une nouvelle direction scientifique et pédagogique « Technologies de l'information ». Sur la base de ces développements par le ministère russe de l'Éducation en 2002. la direction 511900 « Technologies de l'information » a été créée et une expérimentation a été menée pour sa mise en œuvre. En 2006, cette direction a été rebaptisée à l'initiative de l'auteur en « Informatique fondamentale et technologies de l'information » (FIIT). Actuellement, cette orientation est mise en œuvre dans plus de 40 universités du pays.
Soukhomlin V.A. - développeur de normes d'État pour les licences et masters de 2ème et 3ème génération pour la direction « Informatique fondamentale et technologies de l'information ».
INTRODUCTION À L'INTELLIGENCE ARTIFICIELLE
L'objectif du cours est de donner aux étudiants un large aperçu des problèmes et des méthodes de l'intelligence artificielle.
Cours 1.1
Méthodes d'inférence logique
Cours 1.2
Recherche de solutions, planification, ordonnancement
Cours 1.3
Apprentissage automatique
Cours 1.4
Interaction homme-machine
PROGRAMMATION EN PYTHON
L'objectif de l'étude de la discipline est de maîtriser les outils et méthodes de développement logiciel utilisant le langage Python et ses bibliothèques.
Cours 2.1
Structure de la candidature
Cours 2.2
Présentation des modules et packages de bibliothèque standard Python les plus importants
Cours 2.3
Objets et classes en Python
Cours 2.4
Éléments de programmation fonctionnelle en Python
Conférence 2.5
Générateurs. Itérateurs
Cours 2.6
Programmation multithread
Conférence 2.7
Programmation réseau
Conférence 2.8
Travailler avec la base de données
MATHÉMATIQUES DISCRÈTES11
Le matériel de cours est divisé en cinq sections: Outils mathématiques; Séquences; Graphiques; Fonctions booléennes; Théorie du codage.
Cours 3.1
Thème 1.1. Langage de la logique mathématique
Conférence 3.2
Thème 1.2. Ensembles
Cours 3.3
Thème 1.3. Relations binaires
Cours 3.4
Thème 1.4. Méthode d'induction mathématique
Conférence 3.5
Thème 1.5. Combinatoire
Cours 3.6
Thème 2.1. Relations de récurrence
Conférence 3.7
Thème 3.1. Types de graphiques
Conférence 3.8
Thème 3.2. Graphiques pondérés
Conférence 3.9
Thème 4.1. Représentation des fonctions booléennes
Conférence 3.10
Thème 4.2. Classes de fonctions booléennes
Conférence 3.11
Thème 5.1. Théorie du codage
THÉORIE DES PROBABILITÉS ET STATISTIQUES MATHÉMATIQUES
Cours 4.1
Thème 1.1. Notion de probabilité
Cours 4.2
Thème 1.2. Théorèmes élémentaires
Cours 4.3
Thème 1.3. Variables aléatoires
Cours 4.4
Thème 2.1. Traitement des données statistiques
Conférence 4.5
Thème 2.2. Problèmes de statistiques mathématiques
MÉTHODES D'APPRENTISSAGE AUTOMATIQUE
Le cours examine les principales tâches de l'apprentissage par précédent: classification, clustering, régression, réduction de dimensionnalité. Des méthodes pour les résoudre sont étudiées, à la fois classiques et nouvelles, créées au cours des 10 à 15 dernières années. L'accent est mis sur une compréhension approfondie des fondements mathématiques, des relations, des forces et des limites des méthodes discutées. Les théorèmes sont pour la plupart donnés sans preuve.
Cours 6.1
Fondements mathématiques de l'apprentissage automatique
Cours 6.2
Concepts de base et exemples de problèmes appliqués
Cours 6.3
Classificateur linéaire et gradient stochastique
Cours 6.4
Réseaux de neurones: méthodes d'optimisation de gradient
Conférence 6.5
Méthodes de classification et de régression métriques
Cours 6.6
Machine à vecteurs de support
Conférence 6.7
Régression linéaire multivariée
Cours 6.8
Régression non linéaire
Conférence 6.9
Critères de sélection du modèle et méthodes de sélection des fonctionnalités
Conférence 6.10
Méthodes de classification logique
Conférence 6.11
Clustering et formation partielle
Conférence 6.12
Modèles d'apprentissage automatique appliqués
Conférence 6.13
Réseaux de neurones à apprentissage non supervisé
Conférence 6.14
Représentations vectorielles de textes et de graphiques
Conférence 6.15
Formation au classement
Conférence 6.16
Systèmes de recommandation
Conférence 6.17
Méthodes de prévision adaptatives
Souscrire
YOU MIGHT ALSO LIKE
