« Apprentissage automatique » - cours 30 000 roubles. de MSU, formation 3 semaines. (1 mois), Date: 2 décembre 2023.
Miscellanea / / December 06, 2023
Objectif du programme – initier les étudiants aux bases du machine learning.
Durée de la formation – 72 heures (30 heures de cours en classe avec un professeur, 42 heures d'étude indépendante des matériaux).
Forme d'étude – temps plein, temps partiel, soir.
Format des cours - à temps plein, pour les participants d'autres villes, s'il est impossible d'y assister en personne, vous pourrez vous connecter au cours par visioconférence.
Coût de l'éducation - 30 000 roubles.
Début des cours - automne 2023.
Des conventions de formation sont conclues avec des personnes physiques et morales.
L'inscription aux cours s'effectue par email [email protected], en utilisant le formulaire d'inscription sur le site Internet.
Vous pouvez contacter l'administrateur du cours, Anton Martyanov, pour vous inscrire ou pour toute question via WhatsApp ou Telegram: +79264827721.
Docteur en sciences techniques Poste: Professeur à l'École supérieure de gestion et d'innovation de l'Université d'État M.V. Lomonossov de Moscou
Section 1. Introduction. Exemples de tâches. Méthodes logiques: arbres de décision et forêts de décision.
Méthodes logiques: classification d'objets basée sur des règles simples. Interprétation et mise en œuvre. Combinaison dans une composition. Des arbres décisifs. Forêt aléatoire.
Section 2. Méthodes de classification métrique. Méthodes linéaires, gradient stochastique.
Méthodes métriques. Classification basée sur la similarité. Distance entre les objets. Métrique. La méthode des k-voisins les plus proches. Généralisation aux problèmes de régression utilisant le lissage du noyau. Modèles linéaires. Évolutivité. Applicabilité au Big Data Méthode du gradient stochastique. Applicabilité pour le réglage des classificateurs linéaires. Le concept de régularisation. Caractéristiques du travail avec des méthodes linéaires. Mesures de qualité de classification.
Section 3. Machine à vecteurs de support (SVM). Régression logistique. Mesures de qualité de classification.
Modèles linéaires. Évolutivité. Applicabilité au Big Data Méthode du gradient stochastique. Applicabilité pour le réglage des classificateurs linéaires. Le concept de régularisation. Caractéristiques du travail avec des méthodes linéaires.
Section 4. Régression linéaire. Réduction de dimensionnalité, méthode des composantes principales.
Modèles linéaires pour la régression. Leur lien avec la décomposition singulière de la matrice « objets-caractéristiques ». Réduire le nombre de signes. Approches de sélection des fonctionnalités. Méthode des composantes principales. Méthodes de réduction de dimensionnalité.
Article 5. Compositions d'algorithmes, boosting de gradient. Les réseaux de neurones.
Combiner des modèles dans une composition. Correction mutuelle des erreurs du modèle. Concepts de base et énoncés de problèmes liés aux compositions. Augmentation du dégradé.
Les réseaux de neurones. Recherchez des surfaces de division non linéaires. Réseaux de neurones multicouches et leur réglage à l'aide de la méthode de rétropropagation. Réseaux de neurones profonds: leurs architectures et fonctionnalités.
Article 6. Regroupement et visualisation.
Problèmes d'apprentissage non supervisé. Trouver une structure dans les données. Le problème du clustering consiste à trouver des groupes d’objets similaires. La tâche de visualisation consiste à cartographier des objets dans un espace à deux ou trois dimensions.
Article 7. Problèmes d'analyse de données appliquées: formulations et méthodes de solution.
L'apprentissage partiel comme problème entre l'apprentissage supervisé et le clustering. Un problème d'échantillonnage dans lequel la valeur de la variable cible n'est connue que pour certains objets. La différence entre le problème d'apprentissage partiel et les formulations discutées précédemment. Approches de solution.
Analyse de problèmes issus de domaines appliqués: scoring dans les banques, assurances, problèmes de souscription, problèmes de reconnaissance de formes.
Adresse
119991, Moscou, st. Leninskie Gory, 1, bâtiment. 51, 5e étage, salle 544 (Bureau du doyen)
Université