“Análise de dados e aprendizado de máquina” - curso 120.000 rublos. da MSU, treinando 48 semanas. (12 meses), Data: 16 de fevereiro de 2023.
Miscelânea / / November 27, 2023
O programa de reciclagem profissional “Análise de Dados e Aprendizado de Máquina” visa formar especialistas na área de informática tecnologias capazes de desenvolver sistemas de software usando mineração de dados e máquinas treinamento.
Formação de competências profissionais entre alunos relacionadas à programação aplicada e bancos de dados dados necessários para adquirir a qualificação “especialista na área de análise de dados e máquina treinamento"
O processo de aprendizagem utiliza a linguagem de programação Python, o ambiente de desenvolvimento interativo Jupiter, bibliotecas de software scikit-learn para aprendizado de máquina e outros.
Machine Learning é um amplo subcampo da inteligência artificial que estuda métodos para construir algoritmos que podem aprender. O aprendizado de máquina é a principal abordagem moderna para análise de dados e construção de sistemas de informação inteligentes. Os métodos de aprendizado de máquina são a base de todos os métodos de visão computacional e são usados ativamente no processamento de imagens. O curso contém muitos algoritmos praticamente aplicáveis.
REQUISITOS DE APLICAÇÃO
Os candidatos ao programa de reciclagem devem possuir formação especializada superior ou secundária. É desejável experiência em programação em linguagens procedurais.
MODO DE TREINAMENTO
O programa está previsto para 1 ano de estudo: de 16 de fevereiro de 2023 a 31 de janeiro de 2024.
Volume 684 horas.
Aceitação de documentos de 20 de dezembro a 28 de fevereiro.
Aulas sem referência a horário de acordo com trajetória educacional individual.
Para obter um Diploma da Universidade Estadual de Moscou em reciclagem profissional, você deve concluir o currículo e preparar uma tese final.
O trabalho final é um desenvolvimento independente de um sistema de software.
1. Para se inscrever no programa, você deve preencher os seguintes documentos (manualmente ou eletronicamente) e enviá-los para [email protected]:
2. Com base nos documentos apresentados, será elaborado um Contrato de Treinamento.
3. Após a assinatura do contrato, são enviados os documentos para pagamento: agosto a setembro.
4. Após o pagamento você começa a treinar.
Professor do Departamento de Segurança da Informação, Chefe. Laboratório de UTI
Grau académico: Doutor em Ciências Técnicas. ciências
Sukhomlin Vladimir Aleksandrovich, Professor Homenageado da Universidade Estadual de Moscou, Professor, Doutor em Ciências Técnicas, Chefe do Laboratório de Tecnologias de Informação Aberta (OIT).
A dissertação do candidato foi defendida na área de ciências físicas e matemáticas no Conselho Acadêmico do VMK em 1976.
Em 1989 defendeu sua tese de doutorado na especialidade em 13.05.11 no Conselho do Instituto de Ciência e Tecnologia da Computação da Academia de Ciências da URSS, o tema da dissertação está relacionado à modelagem de sistemas complexos de engenharia de rádio.
Em 1992 recebeu o título acadêmico de professor.
Premiado com a medalha comemorativa “800 Anos de Moscou”.
Em 2000-2002 desenvolveu o conceito e os padrões estaduais de uma nova direção científica e educacional “Tecnologias da Informação”. Com base nestes desenvolvimentos do Ministério da Educação da Rússia em 2002. Foi criada a direção 511900 “Tecnologias da Informação” e realizado um experimento para implementá-la. Em 2006, esta direção foi renomeada por iniciativa do autor para “Informática Fundamental e Tecnologias de Informação” (FIIT). Atualmente, essa direção está sendo implementada em mais de 40 universidades do país.
Sukhomlin V.A. - desenvolvedor de padrões estaduais para bacharelado e mestrado de 2ª e 3ª geração para a direção de “Ciência da computação fundamental e tecnologia da informação”.
INTRODUÇÃO À INTELIGÊNCIA ARTIFICIAL
O objetivo do curso é dar aos alunos uma visão ampla dos problemas e métodos de inteligência artificial.
Aula 1.1
Métodos de inferência lógica
Aula 1.2
Encontrar soluções, planejar, programar
Aula 1.3
Aprendizado de máquina
Aula 1.4
Interação homem-máquina
PROGRAMAÇÃO EM PYTHON
O objetivo do estudo da disciplina é dominar as ferramentas e métodos de desenvolvimento de software utilizando a linguagem Python e suas bibliotecas.
Aula 2.1
Estrutura do aplicativo
Aula 2.2
Visão geral dos módulos e pacotes mais importantes da biblioteca padrão Python
Aula 2.3
Objetos e classes em Python
Aula 2.4
Elementos de programação funcional em Python
Aula 2.5
Geradores. Iteradores
Aula 2.6
Programação Multithread
Aula 2.7
Programação de rede
Aula 2.8
Trabalhando com o banco de dados
MATEMÁTICA DISCRETA11
O material do curso está dividido em cinco seções: Ferramentas matemáticas; Sequências; Gráficos; Funções booleanas; Teoria da codificação.
Aula 3.1
Tópico 1.1. Linguagem da lógica matemática
Aula 3.2
Tópico 1.2. Conjuntos
Aula 3.3
Tópico 1.3. Relações binárias
Aula 3.4
Tópico 1.4. Método de indução matemática
Aula 3.5
Tópico 1.5. Combinatória
Aula 3.6
Tópico 2.1. Relações de recorrência
Aula 3.7
Tópico 3.1. Tipos de gráficos
Aula 3.8
Tópico 3.2. Gráficos ponderados
Aula 3.9
Tópico 4.1. Representação de funções booleanas
Aula 3.10
Tópico 4.2. Classes de funções booleanas
Aula 3.11
Tópico 5.1. Teoria da codificação
TEORIA DA PROBABILIDADE E ESTATÍSTICA MATEMÁTICA
Aula 4.1
Tópico 1.1. Conceito de probabilidade
Aula 4.2
Tópico 1.2. Teoremas elementares
Aula 4.3
Tópico 1.3. Variáveis aleatórias
Aula 4.4
Tópico 2.1. Processamento de dados estatísticos
Aula 4.5
Tópico 2.2. Problemas de estatística matemática
MÉTODOS DE APRENDIZAGEM DE MÁQUINA
O curso examina as principais tarefas de aprendizagem por precedentes: classificação, agrupamento, regressão, redução de dimensionalidade. Estão sendo estudados métodos para resolvê-los, tanto clássicos quanto novos, criados nos últimos 10-15 anos. A ênfase é colocada em uma compreensão completa dos fundamentos matemáticos, relacionamentos, pontos fortes e limitações dos métodos discutidos. Os teoremas são dados principalmente sem prova.
Aula 6.1
Fundamentos Matemáticos do Aprendizado de Máquina
Aula 6.2
Conceitos básicos e exemplos de problemas aplicados
Aula 6.3
Classificador linear e gradiente estocástico
Aula 6.4
Redes Neurais: métodos de otimização de gradiente
Aula 6.5
Classificação Métrica e Métodos de Regressão
Aula 6.6
Máquina de vetores de suporte
Aula 6.7
Regressão Linear Multivariada
Aula 6.8
Regressão não linear
Aula 6.9
Critérios de seleção de modelo e métodos de seleção de recursos
Aula 6.10
Métodos de classificação lógica
Aula 6.11
Clustering e treinamento parcial
Aula 6.12
Modelos de aprendizado de máquina aplicados
Aula 6.13
Redes neurais com aprendizagem não supervisionada
Aula 6.14
Representações vetoriais de textos e gráficos
Aula 6.15
Treinamento de classificação
Aula 6.16
Sistemas de recomendação
Aula 6.17
Métodos de previsão adaptativos