Анализа података у примењеним наукама - бесплатни курс Школе за анализу података, обука 4 семестра, Датум: 05.12.2023.
мисцеланеа / / December 08, 2023
Исти програм водећих стручњака у ИТ индустрији
Шта је СхАД
Двогодишњи програм Иандек појавио се 2007. године и постао је прво место у Русији које је предавало анализу података. СхАД курсеви су чинили основу мастер програма на великим универзитетима као што су ХСЕ и МИПТ.
1. Флексибилан програм за оне који желе да истраже машинско учење и раде у ИТ индустрији
2. Ауторски курсеви руских и страних научника и специјалиста
3. Домаћи задаци блиски стварним задацима у ИТ пракси
4. Диплома која је призната не само у Русији, већ иу великим страним компанијама
Главна ствар о ШАД-у
Језик наставе: руски и енглески
Колико траје: 2 године
Подношење пријава за пријем: април - мај 2022
Када почиње школа: септембар 2022
Оптерећење: 30 сати недељно
Када: увече, 3 пута недељно
Цена: бесплатно*
За кога: За све који положе пријемни испит
Главна карактеристика предмета Анализа података у примењеним наукама је да студенти већи део друге године студија проводе радећи на примењеним истраживачким пројектима. Коначну оцену за студирање на ШАД-у у великој мери ће одредити квалитет овог пројекта.
За студенте који ће упоредо са ШАД-ом израђивати тезе (дипломске или магистарске), пројекти ШАД-а могу се користити као основа за рад на универзитету.
Обавезно
Реконструкција функционалних образаца из емпиријских података
01 Општа формулација проблема опоравка зависности
02 Метод максималне вероватноће
03 Примери специфичних проблема опоравка зависности: регресија, идентификација шаблона, препознавање образаца и њихове примене
04 Конструкција непараметарских процена дистрибуција коришћењем методе максималне вероватноће
05 Метод најмањих квадрата за процену регресије. Метода максималне вероватноће за избор модела
06 Тест односа вероватноће
07 Потражите правило одлуке које минимизира број грешака или просечну вредност функције казне на подацима обуке у проблемима препознавања образаца
08 Мултиваријантна линеарна процена
09 Перцептрон. Потенцијалне функције. Неуронске мреже
10 Узимајући у обзир априорне информације у линеарној процени
11 Метод генерализованог портрета у проблему класификације
12 Бајесова процена
13 Суппорт Вецтор Мацхине (СВМ)
14 Неке методе класификације
15 Критика емпиријске методе минимизације ризика
16 Оптимална хиперраван
17 Критеријуми за униформну конвергенцију фреквенција вероватноћама. Функција раста. ВЦ димензија
18 Дуални проблем конструисања оптималне хиперравне
19 Критеријуми за униформну конвергенцију фреквенција вероватноћама. Однос према задацима учења препознавања образаца
20 Конструкција непараметарске сплајн регресије
21 Критеријуми за равномерну конвергенцију просека према математичким очекивањима
22 Конструкција непараметарске регресије језгра
23 Проблем избора оптималне сложености модела
24 Различите врсте регресионих зависности
Основе стохастике. Стохастички модели
01 Класична дефиниција вероватноће
02 Условне вероватноће. Независност. Условно математичко очекивање.
03 Дискретне случајне променљиве и њихове карактеристике
04 Граничне теореме
05 Случајни ход
06 Мартингалес
07 Дискретни Маркови ланци. Ергодична теорема.
08 Вероватноћасни модел експеримента са бесконачним бројем догађаја. Колмогоровљева аксиоматика. Различити типови конвергенције случајних променљивих.
09 Слаба конвергенција мера вероватноће. Метода карактеристичних функција у доказу граничних теорема.
10 Случајни процеси
Алгоритми и структуре података, 1. део
01 Сложеност и рачунски модели. Анализа рачуноводствених вредности (почетак)
02 Анализа рачуноводствених вредности (крај)
03 Алгоритми за сортирање спајањем и брзо сортирање
04 Редна статистика. Хрпе (почетак)
05 Хрпе (крај)
06 Хеширање
07 Дрвеће претраге (почетак)
08 Стабла претраге (наставак)
09 Стабла претраге (крај). Систем дисјунктних скупова
10 Циљеви РМК и ЛЦА
11 Структуре података за геометријско претраживање
12 Проблем динамичке повезаности у неусмереном графу
01 Основни појмови и примери примењених проблема
02 Методе метричке класификације
03 Методе логичке класификације и стабла одлучивања
04 Градијентне методе линеарне класификације
05 Суппорт Вецтор Мацхине
06 Мултиваријантна линеарна регресија
07 Нелинеарна и непараметарска регресија, нестандардне функције губитка
08 Предвиђање временских серија
09 Бајесове методе класификације
10 Логистичка регресија
11 Потражите правила асоцијације
Основи статистике у машинском учењу
01 Увод
02 Основни задаци и методе теорије статистичког закључивања
03 Процена дистрибуције и статистичке функције
04 Монте Карло симулација, боотстрап
05 Параметријска процена
06 Тестирање хипотеза
07 Смањење димензионалности вишедимензионалних података
08 Процена осетљивости модела
09 Линеарна и логистичка регресија
10 Дизајн експеримената
11 Различити типови регуларизације у линеарној регресији
12 Нелинеарне методе за конструисање регресионих зависности
13 Непараметријска процена
14 Бајесов приступ процени
15 Бајесовски приступ регресији
16 Бајесов приступ регресији и оптимизацији
17 Коришћење модела случајног Гаусовог поља у проблемима анализе података
18 Употреба статистичких модела и метода у проблемима сурогатног моделирања и оптимизације
01 Конвексне функције и скупови
02 Услови оптималности и дуалност
03 Увод у методе оптимизације
04 Сложеност за класе конвексних глатких и конвексних неглатких задатака
05 Техника заглађивања
06 Казнене функције. Метода баријере. Метод модификоване Лагранжове функције
07 АДММ
08 Увод у технике наметања огледала
09 Њутнова метода и квази-Њутнове методе. БФГС
10 Увод у робусну оптимизацију
11 Увод у стохастичку оптимизацију
12 Рандомизованих алгоритама оптимизације
13 Увод у онлајн оптимизацију
Машинско учење, 2. део
01 Методе неуронске мреже класификације и регресије
02 Композицијска класификација и методе регресије
03 Критеријуми за избор модела и методе за избор карактеристика
04 Рангирање
05 Учење са појачањем
06 Учење без наставника
07 Проблеми са делимичном обуком
08 Колаборативно филтрирање
09 Моделирање тема
Пројектни рад
Најновија верзија Мицрософт Оффице 2021 има уграђени програмски језик под називом Висуал Басиц за апликације (ВБА). и даље остаје главно најважније средство аутоматизације рада корисника са канцеларијом апликације. Највећи број примењених задатака који се не могу реализовати без макроа настаје при раду са Екцел табелама.
4,1
Овај курс је намењен почетној обуци стручњака за конфигурацију у систему 1Ц: Ентерприсе 8 (управљана апликација, верзија платформе 8.3). Током процеса обуке упознаћете се са основама конфигурације и програмирања у систему 1Ц: Ентерприсе 8, стећи ћете практичне вештине у раду са конфигурационим објектима и писању програмских модула на језику система.
4,1
Тродневни курс Макрои у ВБА. Екцел 20КСКС. дизајниран за професионалце који стално користе Екцел у свом свакодневном раду и желе да науче ВБА код и самостално програмски макрои, који ће вам омогућити да аутоматски извршите рутинске радње које се понављају, уштедите време и повећате ефикасност рад. Канцеларијски производи имају одличан алат који помаже да се аутоматизују рутинске операције, као и да се раде ствари које иначе нису могуће. Овај алат је уграђени програмски језик ВБА (Висуал Басиц за апликације). Макрои курса у ВБА. Екцел 20КСКС ће вам помоћи да савладате вештине аутоматизације рада у Екцел-у. Програм курса обухвата теоретски и практични део и доступан је онлајн и на часовима у Софтлине тренинг центру у градовима Русија (Москва, Санкт Петербург, Јекатеринбург, Казањ, Краснојарск, Нижњи Новгород, Новосибирск, Омск, Ростов на Дону и Хабаровск).
3,6