„Анализа података и машинско учење“ - курс 120.000 рубаља. из МСУ, обука 48 недеља. (12 месеци), Датум: 16. фебруар 2023.
мисцеланеа / / November 27, 2023
Програм професионалне преквалификације „Анализа података и машинско учење“ намењен је обучавању стручњака из области рачунарства. технологије способне за развој софтверских система коришћењем рударења података и машина обука.
Формирање професионалних компетенција код ученика везаних за примењено програмирање и базе података подаци потребни за стицање квалификације „специјалиста у области анализе података и машина обука"
Процес учења користи програмски језик Питхон, интерактивно развојно окружење Јупитер, софтверске библиотеке сцикит-леарн за машинско учење и друге.
Машинско учење је широко подпоље вештачке интелигенције које проучава методе за конструисање алгоритама који могу да уче. Машинско учење је главни савремени приступ анализи података и изградњи интелигентних информационих система. Методе машинског учења су у основи свих метода компјутерског вида и активно се користе у обради слике. Курс садржи много практично применљивих алгоритама.
ЗАХТЕВИ ЗА ПРИЈАВУ
Кандидати за програм преквалификације морају имати више или средње специјализовано образовање. Пожељно је искуство у програмирању на процедуралним језицима.
ТРЕНИНГ МОДЕ
Програм је предвиђен за 1 годину студија: од 16. фебруара 2023. до 31. јануара 2024. године.
Обим 684 сата.
Пријем докумената од 20. децембра до 28. фебруара.
Настава без позивања на распоред према индивидуалној образовној путањи.
Да бисте стекли диплому Московског државног универзитета у стручној преквалификацији, морате завршити наставни план и програм и припремити завршни рад.
Завршни рад је самостална израда софтверског система.
1. Да бисте се уписали у програм, морате попунити следеће документе (ручно или електронски) и послати их на дповмк@цс.мсу.ру:
2. На основу достављене документације биће припремљен Уговор о обуци.
3. Након потписивања уговора шаљу се документи за плаћање: август-септембар.
4. Након уплате почињете са обуком.
Професор Катедре за информациону безбедност, гл. ИЦУ лабораторија
Академски степен: доктор техничких наука. науке
Сукхомлин Владимир Александрович, почасни професор Московског државног универзитета, професор, доктор техничких наука, руководилац Лабораторије отворених информационих технологија (ОИТ).
Кандидатска дисертација је одбрањена из области физичко-математичких наука на Наставном већу ВМК 1976. године.
Године 1989 одбранио докторску дисертацију на специјалности 05.13.11 на Савету при Институту за рачунарство и технологију АН СССР, тема дисертације је везана за моделовање сложених радиотехничких система.
Године 1992 додељено је академско звање професора.
Одликован спомен медаљом „800 година Москве“.
У 2000-2002 развио концепт и државне стандарде новог научног и образовног правца „Информационе технологије”. На основу ових дешавања руско Министарство просвете 2002. креиран је смер 511900 „Информационе технологије” и спроведен је експеримент за његову имплементацију. 2006. године овај смер је на иницијативу аутора преименован у „Фундаментална информатика и информационе технологије” (ФИИТ). Тренутно се овај смер спроводи на више од 40 универзитета у земљи.
Сукхомлин В.А. - израђивач државних стандарда за бачелор и мастер 2. и 3. генерације за смер „Основне рачунарске науке и информационе технологије“.
УВОД У ВЕШТАЧКУ ИНТЕЛИГЕНЦИЈУ
Циљ предмета је да студентима пружи широки преглед проблема и метода вештачке интелигенције.
Предавање 1.1
Методе логичког закључивања
Предавање 1.2
Проналажење решења, планирање, заказивање
Предавање 1.3
Машинско учење
Предавање 1.4
Интеракција човек-машина
ПРОГРАМИРАЊЕ У ПИТХОН-у
Сврха изучавања дисциплине је овладавање алатима и методама развоја софтвера коришћењем језика Питхон и његових библиотека.
Предавање 2.1
Структура апликације
Предавање 2.2
Преглед најважнијих модула и пакета стандардне Питхон библиотеке
Предавање 2.3
Објекти и класе у Питхон-у
Предавање 2.4
Елементи функционалног програмирања у Питхон-у
Предавање 2.5
Генератори. Итератори
Предавање 2.6
Вишенитно програмирање
Предавање 2.7
Мрежно програмирање
Предавање 2.8
Рад са базом података
ДИСКРЕТНА МАТЕМАТИКА11
Материјал курса је подељен у пет секција: Математички алати; Секуенцес; Графови; Булове функције; Теорија кодирања.
Предавање 3.1
Тема 1.1. Језик математичке логике
Предавање 3.2
Тема 1.2. Сетови
Предавање 3.3
Тема 1.3. Бинарни односи
Предавање 3.4
Тема 1.4. Метода математичке индукције
Предавање 3.5
Тема 1.5. Комбинаторика
Предавање 3.6
Тема 2.1. Релације рецидива
Предавање 3.7
Тема 3.1. Врсте графикона
Предавање 3.8
Тема 3.2. Пондерисани графови
Предавање 3.9
Тема 4.1. Репрезентација Булових функција
Предавање 3.10
Тема 4.2. Класе Булове функције
Предавање 3.11
Тема 5.1. Теорија кодирања
ТЕОРИЈА ВЕРОВАТНОЋА И МАТЕМАТИЧКА СТАТИСТИКА
Предавање 4.1
Тема 1.1. Концепт вероватноће
Предавање 4.2
Тема 1.2. Елементарне теореме
Предавање 4.3
Тема 1.3. Случајне променљиве
Предавање 4.4
Тема 2.1. Статистичка обрада података
Предавање 4.5
Тема 2.2. Проблеми математичке статистике
МЕТОДЕ МАШИНСКОГ УЧЕЊА
Курс испитује главне задатке учења по преседану: класификација, груписање, регресија, смањење димензионалности. Проучавају се методе за њихово решавање, како класичне тако и нове, настале у последњих 10–15 година. Нагласак је стављен на темељно разумевање математичких основа, односа, предности и ограничења метода о којима се расправља. Теореме се углавном дају без доказа.
Предавање 6.1
Математичке основе машинског учења
Предавање 6.2
Основни појмови и примери примењених проблема
Предавање 6.3
Линеарни класификатор и стохастички градијент
Предавање 6.4
Неуронске мреже: методе оптимизације градијента
Предавање 6.5
Метричка класификација и методе регресије
Предавање 6.6
Суппорт Вецтор Мацхине
Предавање 6.7
Мултиваријантна линеарна регресија
Предавање 6.8
Нелинеарна регресија
Предавање 6.9
Критеријуми за избор модела и методе избора обележја
Предавање 6.10
Методе логичке класификације
Предавање 6.11
Груписање и делимична обука
Предавање 6.12
Примењени модели машинског учења
Предавање 6.13
Неуронске мреже са учењем без надзора
Предавање 6.14
Векторски прикази текстова и графикона
Предавање 6.15
Тренинг за рангирање
Предавање 6.16
Системи препорука
Предавање 6.17
Адаптивне методе предвиђања