Машинное обучение и управление большими данными
Source: https://dpo.cs.msu.ru/courses/ml_bigdata/ Parent: https://cs.msu.ru/en/node/135
Разделы
Дипломные программы МГУ, Искусственный интеллект и машинное обучение, Программирование, Цифровая экономика
Оценка
(0 отзыв)
150,000.00 ₽
150,000.00 ₽
Приём документов до 4 марта.
ОПИСАНИЕ КУРСА
Программа профессиональной переподготовки.
Программа направлена на подготовку специалистов в области машинного обучения и управления большими данными
Пройдя обучение по программе, вы получите профессиональные навыки:
- прикладной разработки на платформах Java, Scala, Python
- моделирования и прототипирования моделей машинного обучения и нейронных сетей (специализация Data Scientist), а также промышленного внедрения и оптимизации алгоритмов машинного обучения на больших данных, включая нейросетевое моделирование (Big Data / Hadoop инженер)
- обработки больших данных с использованием реляционных и нереляционных распределенных баз данных на платформах Java, Scala, Python
- разработки распределенных приложений для научных исследований в естественнонаучных областях.
Содержание практических курсов регулярно обновляется для поддержания актуальности используемых методов и технологий.
После обучения вы сможете профессионально реализоваться как:
- специалист по большим данным: Big Data / Hadoop инженер
- ML разработчик: Data Scientist
- разработчик в области машинного обучения и нейронных сетей
Занятия проводятся в вечернее время, обычно с 19.00
Стоимость обучения 150 000 руб., оплата по семестрам – 75 000 в семестр.
Программа реализуется в дистанционном формате. Записи лекций будут доступны на отдельном ресурсе для повторного изучения обучающимися.
Программа имеет практическую направленность и учебные курсы содержат большое количество прикладных задач, в том числе с примерами из реальной практики.
В учебных курсах представлены теоретические материалы и практические задания для формирования современных цифровых профессиональных навыков.
Содержание программы профессиональной переподготовки соответствует профстандарту 06.042 “Специалист по большим данным”.
ТРЕБОВАНИЯ К ПОСТУПАЮЩИМ
Необходимы знания высшей математики на уровне 1-2 курса технического вуза, начальные навыки программирования на любом объектно-ориентированном языке.
Проводится входное собеседование в онлайн-формате. Вам будут отправлены задания и дан час на их выполнение, далее будет обсуждение ответов.
РЕЖИМ ОБУЧЕНИЯ
Программа рассчитана на 1 учебный год: обучение с 4 марта 2026 по 31 января 2027.\ Объем 684 часа (288 аудиторные занятия (дист. ) и 396 – самостоятельная работа).
Занятия 2 раза в неделю, онлайн-вебинары, записи лекций будут доступны для повторного изучения обучающимися.
Для получения Диплома МГУ о профессиональной переподготовке необходимо освоить все учебные курсы и подготовить выпускную работу.\ Выпускная работа представляет собой самостоятельную разработку программной системы.
ДОКУМЕНТЫ ОБ ОКОНЧАНИИ
Диплом МГУ о профессиональной переподготовке по теме “Машинное обучение и управление большими данными”.
КОНТАКТЫ
Вы можете задать нам вопросы по удобному способу связи:
iskolbin@gmail.com ,телефон 8916 27044 41
ЗАЧИСЛЕНИЕ И ОПЛАТА
Стоимость обучения 150 000 руб., оплата по семестрам – 75 000 в семестр.
Зачисление происходит по результатам собеседования (сначала подаются документы, потом будет назначена дата собеседования):
- Для зачисления на программу необходимо заполнить следующие документы (от руки или в электронном виде) и прислать на почту mlbdm@yandex.ru:
- Заявление
- Анкета
- Согласие на обработку персональных данных
- копия паспорта
- копия диплома о высшем образовании или справка о том, что вы являетесь студентом.
- На основании представленных документов будет подготовлен Договор на обучение.
- После подписания договора направляются документы для оплаты.
- После оплаты вы приступаете к обучению.
Документы рассматриваются в течение недели (не считая праздничные дни), если за это время не будет обратной связи, то, пожалуйста, свяжитесь по указанным выше контактам.
РАБОТЫ ВЫПУСКНИКОВ
- Рекомендательная система книг
- Сервис подбора новостей
- Выявление аномалий в экспериментальных данных методами машинного обучения
Детали курса
- Лекции 83
- Тесты 0
- Учебное время 684 часа
- Навык Все уровни
- Студенты 11
-
Оценки Да
-
Введение в Машинное обучение. Основы Python 18
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области программирования на языке высокого уровня Python. Результатом обучения является приобретение знаний и умений по: разработке программного обеспечения на языке высокого уровня Python 3; среде программирования IPython и подобных; основным принципам промышленной разработки, тестирования и документирования кода.
-
Лекция1.1
1 семестр – Изучение основ синтаксиса языка Python. Стандарты программирование на языке Python.
04 hour - Лекция1.2
1 семестр – Окружение для программирования на Python. Установка ПО на различные системы.
04 hour - Лекция1.3
1 семестр – Процедурный подход к написанию программ.
04 hour - Лекция1.4
08 hour - Лекция1.5
1 семестр – Элементы функционального программирования в Python. Итераторы. Механизм comprehensions.
04 hour - Лекция1.6
1 семестр – Работа с пакетами. Настройка окружения для программирования на Python.
04 hour - Лекция1.7
04 hour - Лекция1.8
1 семестр – Сериализация и хранение данных.
04 hour - Лекция1.9
1 семестр – Особенности многопоточного программирования в языке Python. Оптимизация программ
04 hour - Лекция1.10
1 семестр – Использование Python для сбора данных. Web-scraping. Асинхронное программирование.
04 hour - Лекция1.11
1 семестр – Системы генерации документации кода. Doxygen. Sphinx.
04 hour - Лекция1.12
1 семестр – Системы тестирования. Unit тестирование в Python.
04 hour - Лекция1.13
1 семестр – Использование Python для анализа данных
04 hour - Лекция1.14
04 hour - Лекция1.15
1 семестр – Разведочный анализ данных (EDA)
04 hour - Лекция1.16
1 семестр – Методы обучение с учителем
04 hour - Лекция1.17
1 семестр – Методы обучения без учителя
04 hour - Лекция1.18
01 hour - #### Базовый курс по методам анализа данных и машинного обучения 8
Цель курса- повышение профессионального уровня в области применения методов Анализа данных и Машинного обучения для решения практических задач. Слушатели смогут расширить свои знания и навыки по применению базовых алгоритмов линейной алгебры, методов математического анализа, оптимизационных методов, методов статистического анализа и теории вероятности для построения эффективных решений в области Анализа данных и Машинного обучения. На простых примерах слушатели получат навыки программирования на языке высокого уровня( Python). Результатом обучения является приобретение знаний и умений по применению новейших технологий в области анализа различных (включая гетерогенные) данных для Машинного обучения при построении аппроксимационных моделей в области экономики, науки и промышленности.
-
Лекция2.1
08 hour - Лекция2.2
1 семестр – Многомерная интерполяция.
08 hour - Лекция2.3
08 hour - Лекция2.4
1 семестр – Проблемы аппроксимации.
08 hour - Лекция2.5
1 семестр – Теория вероятности.
08 hour - Лекция2.6
1 семестр – Классификация текстов.
08 hour - Лекция2.7
1 семестр – Классификация и кластеризация изображений.
04 hour - Лекция2.8
04 hour - #### Основы реляционных БД и язык SQL 8
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области анализа, проектирования и реализации реляционных баз данных. Основное внимание уделяется практике написания SQL запросов к данным. Результатом обучения является приобретение знаний и умений по: основным принципам построения реляционных баз данных, анализу предметной области, выделению бизнес-процессов, сущностей и связей в предметной области; использования CASE-средств для проектирования схем реляционной базы данных (Oracle SQL Data Modeler); практической работе с Oracle Database для реализации схемы базы данных и загрузки данных; языку SQL для написания запросов к данным различного уровня сложности; анализу производительности и основам оптимизации выполнения SQL запросов; выгрузке и анализу данных в инструментах MS Excel и Tableau
-
Лекция3.1
08 hour - Лекция3.2
08 hour - Лекция3.3
08 hour - Лекция3.4
08 hour - Лекция3.5
12 hour - Лекция3.6
12 hour - Лекция3.7
1 семестр – Подключение к базам данных и визуализация данных с помощью инструментов визуализации.
12 hour - Лекция3.8
04 hour - #### Расширения языка SQL для анализа данных 8
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области анализа данных с помощью возможностей языка SQL. Основное внимание уделяется практике написания сложных SQL запросов к данным, аналитическим расширениям языка SQL. Результатом обучения является приобретение знаний и умений по: анализу существующих схем баз данных, восстановлению схемы по данным, профилированию данных; написанию сложных вложенных SQL запросов с агрегационными функциями; аналитическим расширениям языка SQL, оконным функциям; хранению рекурсивных структур данных, рекурсивным SQL запросам; практике работы с Oracle Database
-
Лекция4.1
08 hour - Лекция4.2
08 hour - Лекция4.3
1 семестр – Аналитические расширения SQL: Оконные аналитические функции.
08 hour - Лекция4.4
08 hour - Лекция4.5
12 hour - Лекция4.6
12 hour - Лекция4.7
1 семестр – Практика работы с аналитическим SQL
12 hour - Лекция4.8
04 hour - #### Введение в CUDA 12
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области параллельного программирования. под архитектуру графических процессоров (GPU) с применением технологии CUDA, ознакомление с практикой разработки прикладных программ различного назначения (программирование в среде Nsight под операционной системой Linux с использованием разносторонних параллельных библиотек) и способами их оптимизации. Основное внимание уделяется изучению принципов разработки параллельных программ под архитектуру графических процессоров, соответствующим современным алгоритмам, методам программирования и способам повышения эффективности параллельных программ.. Результатом обучения является приобретение знаний и умений по: базовым принципам параллельного программирования под архитектуру графических процессоров; среде программирования Nsight; основным API CUDA; базовым библиотекам, которые используют графические процессоры; фундаментальным параллельным алгоритмам; оптимизации параллельных программ.
-
Лекция5.1
2 семестр – Встроенные типы данных и функции. Атомарные операции. - Лекция5.3
2 семестр – Виды памяти GPU. - Лекция5.4
2 семестр – Модели эффективного взаимодействия с памятью - Лекция5.5
2 семестр – Алгоритм reduction. Алгоритм scan. Алгоритм histogram. Алгоритм compact. - Лекция5.8
2 семестр – Параллельный метод Гаусса. Параллельный метод прогонки. Редукция. - Лекция5.10
2 семестр – Приемы и методы оптимизации программ - Лекция5.11
2 семестр – Готовые библиотеки алгоритмов - Лекция5.12
2 семестр – Зачет - #### Хранение и обработка больших данных на платформе Hadoop и Apache Spark 8
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области работы с большими данными и распараллеливанию обработки данных с помощью современных технологий. Результатом обучения является приобретение знаний и умений по: работе с данными в распределенных отказоустойчивых системах на примере дистрибутива Cloudera Hadoop; применимости технологий больших данных в реальных проектах; основам настройки и администрирования кластера Cloudera Hadoop; работе с распределенной файловой системой HDFS, загрузке данных из внешних файлов и баз данных; трансформации и анализу данных с помощью SQL-интерфейса Apache Hive; обзору фреймворков MapReduce, Apache Spark, Apache Kafka, Apache AirFlow и других популярных компонентов современных архитектур для работы с большими данными
-
Лекция7.1
2 семестр – Понятие «больших данных». Обзор экосистемы Apache Hadoop и дистрибутива Cloudera Hadoop - Лекция7.2
2 семестр – Платформа Apache Hadoop. Файловая система HDFS. Форматы хранения данных. Компрессия данных. - Лекция7.3
2 семестр – Планировщик Apache Hadoop YARN. Управление и настройка ресурсов кластера. - Лекция7.4
2 семестр – SQL-интерфейс к данным Apache Hive. Архитектура, движки выполнения, особенности работы. - Лекция7.5
2 семестр – Фреймворк Map Reduce: обзор паттернов обработки данных. Оптимизация соединений таблиц. - Лекция7.6
2 семестр – Обзор движка Apache Spark. Spark SQL. Преимущества и недостатки. - Лекция7.7
2 семестр – Зачет - #### Машинное обучение на больших данных 13
-
Лекция8.1
02 hour - Лекция8.2
2 семестр – Работа с лицами. Распознавание лиц. 3D-features. Перенос стиля.
02 hour - Лекция8.3
2 семестр – Определение местоположения объектов. SLAM.
02 hour - Лекция8.4
2 семестр – Сегментация изображений при помощи ИНН
02 hour - Лекция8.5
2 семестр – Современные архитектуры ИНН. Сервисные слои.
02 hour - Лекция8.6
2 семестр – Структурная оптимизация ИНН
02 hour - Лекция8.7
2 семестр – Нечеткие методы кластеризации. Fuzzy kNN, Gaussian Mixture Models.
02 hour - Лекция8.8
02 hour - Лекция8.9
2 семестр – Обучение без учителя. Генеративные модели. GAN / DCGAN
02 hour - Лекция8.10
2 семестр – Основные принципы обучения с подкреплением. MDP.
02 hour - Лекция8.11
2 семестр – Глубокое обучение с подкреплением
02 hour - Лекция8.12
2 семестр – Структура проектов, использующих машинное обучение. MLOps.
02 hour - Лекция8.13
04 hour - #### Машинное обучение на больших данных (рекомендательные системы: от классических моделей до промышленной эксплуатации) 8
-
Лекция9.1
2 семестр – Введение в рекомендательные системы. Подходы и метрики оценки. - Лекция9.2
2 семестр – Коллаборативная фильтрация: ембэддинги и матричные разложения в рекомендациях. - Лекция9.3
2 семестр – Content-based рекомендательные системы. - Лекция9.4
2 семестр – Гибридные рекомендательные системы и матричная факторизация. - Лекция9.5
2 семестр – A/B тестирование и онлайн рекомендации. - Лекция9.6
2 семестр – Упаковка и деплой моделей. Web-сервисы (Flask/Fast Api). - Лекция9.7
2 семестр – Средства автоматизации процессов подготовки данных и жизненного цикла моделей (Airflow/Mlflow). - Лекция9.8
Руководитель программы "Машинное обучение и управление большими данными"\ д.ф.-м.н., зав. отделом ФИЦ ИУ РАН, автор более 100 научных публикаций в российских и зарубежных изданиях, в том числе 2-х монографий
Ведущий разработчик крупного международного банка, научный сотрудник ФИЦ ИУ РАН, старший преподаватель ВМК МГУ и МАИ, более 14 лет опыта разработки и проектирования ПО
Сотрудник ФИЦ ИУ РАН, специалист по машинному обучению на больших данных компании Газпром-Медиа
Научный сотрудник ФИЦ ИУ РАН, к.ф.-м.н., инженер-программист АО "ИнфоРус", сооснователь проекта idChess
Сотрудник ФИЦ ИУ РАН
Инженер АО "НИИ ТП"
Старший преподаватель ВМК МГУ, ведущий архитектор ПАО Сбербанк
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 ₽
Анализ данных и машинное обучение
Студенты
0
0
120,000.00 ₽
Прикладное программирование (языки С и С++)
Студенты
20
0
120,000.00 ₽
Программирование и базы данных
Студенты
20
0
120,000.00 ₽