"Машинско учење" - курс 30.000 рубаља. из МСУ, обука 3 недеље. (1 месец), Датум: 30.11.2023.

мисцеланеа / by admin / December 02, 2023

click fraud protection

Сврха програма – упознају ученике са основама машинског учења.

Трајање обуке – 72 часа (30 часова кабинетске наставе са наставником, 42 часа самосталног проучавања градива).

Форма учења – пуно радно време, хонорарно, вече.

Формат часа - са пуним радним временом, за учеснике из других градова, уколико је немогуће присуствовати лично, моћи ћете да се повежете на час путем видео конференције.

Трошкови образовања - 30.000 рубаља.

Почетак наставе - јесен 2023.

Уговори о обуци се закључују са физичким и правним лицима.

Регистрација за курсеве се врши путем е-поште хсми-допобр@маил.ру, користећи формулар за регистрацију на веб страници.

Можете контактирати администратора курса, Антона Мартјанова, да се региструјете или имате питања путем ВхатсАпп-а или Телеграма: +79264827721.

Доктор техничких наука Позиција: професор Више школе за менаџмент и иновације Московског државног универзитета М.В. Ломоносов

Секција 1. Увод. Примери задатака. Логичке методе: стабла одлучивања и шуме одлучивања.

Логичке методе: класификација објеката на основу једноставних правила. Тумачење и имплементација. Комбинација у композицију. Одлучујуће дрвеће. Случајна шума.

instagram viewer

Одељак 2. Методе метричке класификације. Линеарне методе, стохастички градијент.

Метричке методе. Класификација на основу сличности. Удаљеност између објеката. метрике. Метода к-најближих суседа. Генерализација на проблеме регресије коришћењем изравнавања кернела. Линеарни модели. Прилагодљивост. Применљивост на велике податке Стохастички градијент метод. Применљивост за подешавање линеарних класификатора. Концепт регуларизације. Особине рада са линеарним методама. метрика квалитета класификације.

Одељак 3. Суппорт Вецтор Мацхине (СВМ). Логистичка регресија. метрика квалитета класификације.

Линеарни модели. Прилагодљивост. Применљивост на велике податке Стохастички градијент метод. Применљивост за подешавање линеарних класификатора. Концепт регуларизације. Особине рада са линеарним методама.

Одељак 4. Линеарна регресија. Редукција димензионалности, метода главне компоненте.

Линеарни модели за регресију. Њихова веза са сингуларном декомпозицијом матрице „објекти-карактеристике”. Смањење броја знакова. Приступи избору обележја. Метода главне компоненте. Методе смањења димензионалности.

Одељак 5. Композиције алгоритама, повећање градијента. Неуронске мреже.

Комбиновање модела у композицију. Међусобна корекција грешака модела. Основни појмови и искази проблема у вези са композицијама. Појачавање градијента.
Неуронске мреже. Тражење нелинеарних разделних површина. Вишеслојне неуронске мреже и њихово подешавање методом повратног ширења. Дубоке неуронске мреже: њихове архитектуре и карактеристике.

Одељак 6. Груписање и визуелизација.

Проблеми ненадгледаног учења. Проналажење структуре у подацима. Проблем груписања је задатак проналажења група сличних објеката. Задатак визуелизације је задатак пресликавања објеката у дво- или тродимензионални простор.

Одељак 7. Проблеми примењене анализе података: формулације и методе решења.

Делимично учење као проблем између учења под надзором и груписања. Проблем узорковања у коме је вредност циљне променљиве позната само за неке објекте. Разлика између проблема парцијалног учења и претходно разматраних формулација. Приступи решењу.
Анализа проблема из примењених области: бодовање у банкама, осигурање, проблеми преузимања, проблеми препознавања образаца.

Адреса

119991, Москва, ул. Ленинские гори, 1, бл. 51, 5. спрат, соба 544 (деканат)

Универзитет

Ознаке облак