Анализ данных и машинное обучение

Source: https://dpo.cs.msu.ru/courses/ad_ml/ Parent: https://cs.msu.ru/en/node/135

Разделы

Дипломные программы МГУ, Искусственный интеллект и машинное обучение

Оценка

(0 отзыв)

120,000.00 ₽

• Обзор
• Учебный план
• Преподаватель
• Отзывы

120,000.00 ₽

• Обзор
• Учебный план
• Преподаватель
• Отзывы

Приём документов до 31 марта.

ОПИСАНИЕ КУРСА

Программа рассчитана на слушателей с высшим или средним специальным образованием. Содержание программы соответствует профстандарту 06.001 “Программист”.

НА ПРОГРАММЕ ВЫ НАУЧИТЕСЬ:

• работать с интерактивной средой Jupiter
• писать код на Python
• использовать методы анализа данных и машинного обучения (библиотеки scikit-learn и другие)
• создавать модели машинного обучения

Для успешного освоения программы желателен опыт программирования.

РЕЖИМ ОБУЧЕНИЯ

Программа рассчитана на 1 учебный год: с 1 марта 2026 по 31 января 2027 года\ Объем 684 часа.\ Приём документов – до 31 марта 2026 года.

Занятия без привязки к расписанию по индивидуальной образовательной траектории. Вы обучаетесь по электронным учебным курсам, разработанным преподавателями МГУ. Электронные учебные курсы содержат в себе теоретические материалы, систему заданий и итоговую отчетность по курсу. Вы обучаетесь без привязки к расписанию в свободном графике по индивидуальной образовательной траектории. Консультации с преподавателями проходят по электронной почте. Один или несколько раз в семестр мы проводим консультации для слушателей в режиме видеоконференции.

Для получения Диплома МГУ о профессиональной переподготовке необходимо выполнить учебный план и подготовить выпускную работу.\ Выпускная работа представляет собой самостоятельную разработку программной системы.

ДОКУМЕНТЫ ОБ ОКОНЧАНИИ

• сертификат МГУ (для лиц без высшего или среднего профессионального образования)
• диплом о переподготовке установленного МГУ образца (для лиц с высшим или средним профессиональным образованием)

Пример диплома

ЗАЧИСЛЕНИЕ И ОПЛАТА

Стоимость обучения 120000 руб., оплата по семестрам – 60000 в семестр

1. Для зачисления на программу необходимо заполнить следующие документы (от руки или в электронном виде) и прислать на почту dpovmk@cs.msu.ru:
2. Заявление
3. Анкета
4. Согласие на обработку персональных данных
5. копия паспорта
6. копия диплома о высшем образовании или справка о том, что вы являетесь студентом.
7. На основании представленных документов будет подготовлен Договор на обучение.
8. После подписания договора направляются документы для оплаты: январь-март.
9. После оплаты вы приступаете к обучению.

РАБОТЫ ВЫПУСКНИКОВ

• Анализ тональности сообщений на русском языке, содержащих эмодзи с использованием глубокого обучения
• Детектирование нарушения углеводного обмена при помощи методов машинного обучения

Детали курса

• Лекции 45
• Тесты 0
• Учебное время 52 недели
• Навык Все уровни
• Студенты 0

• Оценки Да

• Введение в искусственный интеллект 4

Цель курса – дать слушателям широкий обзор задач и методов искусственного интеллекта.

• Лекция1.1

  Логические методы вывода - Лекция1.2

  Поиск решений, планирование, составление расписаний - Лекция1.3

  Машинное обучение - Лекция1.4

  Человеко-машинное взаимодействие - #### Программирование на языке Python 8

Целью изучения дисциплины является освоение средств и методов разработки программного обеспечения с использованием языка Python и его библиотек.

• Лекция2.1

  Структура приложения - Лекция2.2

  Обзор наиболее важных модулей и пакетов стандартных библиотек Python - Лекция2.3

  Объекты и классы в Python - Лекция2.4

  Элементы функционального программирования в Python - Лекция2.5

  Генераторы. Итераторы - Лекция2.6

  Многопоточное программирование - Лекция2.7

  Сетевое программирование - Лекция2.8

  Работа с базой данных - #### Дискретная математика 11

Материал курса делится на пять разделов: Математический инструментарий; Последовательности; Графы; Булевы функции; Теория кодирования.

• Лекция3.1

  Тема 1.1. Язык математической логики - Лекция3.2

  Тема 1.2. Множества - Лекция3.3

  Тема 1.3. Бинарные отношения - Лекция3.4

  Тема 1.4. Метод математической индукции - Лекция3.5

  Тема 1.5. Комбинаторика - Лекция3.6

  Тема 2.1. Рекуррентные соотношения - Лекция3.7

  Тема 3.1. Виды графов - Лекция3.8

  Тема 3.2. Взвешенные графы - Лекция3.9

  Тема 4.1. Представление булевых функций - Лекция3.10

  Тема 4.2. Классы булевых функций - Лекция3.11

  Тема 5.1. Теория кодирования - #### Теория вероятностей и математическая статистика 5

• Лекция4.1

  Тема 1.1. Понятие вероятности - Лекция4.2

  Тема 1.2. Элементарные теоремы - Лекция4.3

  Тема 1.3. Случайные величины - Лекция4.4

  Тема 2.1. Обработка статистических данных - Лекция4.5

  Тема 2.2. Задачи математической статистики - #### Методы машинного обучения 17

В курсе рассматриваются основные задачи обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Теоремы в основном приводятся без доказательств.

• Лекция6.1

  Математические основы машинного обучения - Лекция6.2

  Основные понятия и примеры прикладных задач - Лекция6.3

  Линейный классификатор и стохастический градиент - Лекция6.4

  Нейронные сети: градиентные методы оптимизации - Лекция6.5

  Метрические методы классификации и регрессии - Лекция6.6

  Метод опорных векторов - Лекция6.7

  Многомерная линейная регрессия - Лекция6.8

  Нелинейная регрессия - Лекция6.9

  Критерии выбора моделей и методы отбора признаков - Лекция6.10

  Логические методы классификации - Лекция6.11

  Кластеризация и частичное обучение - Лекция6.12

  Прикладные модели машинного обучения - Лекция6.13

  Нейронные сети с обучением без учителя - Лекция6.14

  Векторные представления текстов и графов - Лекция6.15

  Обучение ранжированию - Лекция6.16

  Рекомендательные системы - Лекция6.17

  Адаптивные методы прогнозирования

Владимир Александрович Сухомлин

Профессор кафедры ИБ, зав. лабораторией ОИТ\ Ученая степень:\ д-р техн. наук\ Сухомлин Владимир Александрович, заслуженный профессор МГУ, профессор, доктор технических наук, заведующий лабораторией открытых информационных технологий (ОИТ).\ Кандидатская диссертация защищена по профилю физико-математических наук на Ученом Совете ВМК в 1976 г.\ В 1989 г. защищена докторская диссертация по специальности 05.13.11 на Совете в ИТМиВТ РАН СССР, тема диссертации связана с моделированием сложных радиотехнических систем.\ В 1992 г. присвоено ученое звание профессора.\ Награжден памятной медалью “800 лет Москвы”.\ В 2000-2002 гг. разработал концепцию и государственные стандарты нового научно-образовательного направления «Информационные Технологии». На основе данных разработок министерством образования России в 2002 г. создано направление 511900 «Информационные Технологии» и проведен эксперимент по его реализации. В 2006 данное направление переименовано по инициативе автора в «Фундаментальную информатику и информационные технологии» (ФИИТ). В настоящее время данное направление реализуется более, чем 40 университетах страны.

Сухомлин В.А. - разработчик государственных стандартов бакалавра и магистра 2-го и 3-го поколения для направления «Фундаментальная информатика и информационные технологии».

Отзывы

Средний рейтинг

0

0 оценок

Подробный рейтинг

5

0%

4

0%

3

0%

2

0%

1

0%

ПОДЕЛИТЬСЯ:

Вам может понравиться

Основы кибербезопасности

Студенты

0

0

120,000.00 ₽

Математические модели и методы управления банковскими рисками

Студенты

0

0

70,000.00 ₽

Прикладное программирование (языки С и С++)

Студенты

20

0

120,000.00 ₽

Программирование и базы данных

Студенты

20

0

120,000.00 ₽

Машинное обучение и управление большими данными

Студенты

11

0

150,000.00 ₽