"ניתוח נתונים ולמידת מכונה" - קורס 120,000 רובל. מ-MSU, אימון 48 שבועות. (12 חודשים), תאריך: 16 בפברואר 2023.

Miscellanea / by admin / November 27, 2023

click fraud protection

תכנית ההסבה המקצועית "ניתוח נתונים ולמידת מכונה" מיועדת להכשרת מומחים בתחום המחשבים טכנולוגיות המסוגלות לפתח מערכות תוכנה באמצעות כריית נתונים ומכונות הַדְרָכָה.

גיבוש מיומנויות מקצועיות בקרב סטודנטים הקשורות לתכנות יישומי ומאגרי מידע נתונים הנדרשים לרכישת ההסמכה "מומחה בתחום ניתוח הנתונים והמכונה הַדְרָכָה"

תהליך הלמידה משתמש בשפת התכנות Python, סביבת הפיתוח האינטראקטיבית Jupiter, ספריות תוכנה sikit-learn ללמידת מכונה ואחרות.

Machine Learning הוא תת-תחום רחב של בינה מלאכותית החוקר שיטות לבניית אלגוריתמים שיכולים ללמוד. למידת מכונה היא הגישה המודרנית העיקרית לניתוח נתונים ובניית מערכות מידע חכמות. שיטות למידת מכונה עומדות בבסיס כל שיטות הראייה הממוחשבת והן נמצאות בשימוש פעיל בעיבוד תמונה. הקורס מכיל אלגוריתמים מעשיים רבים.

דרישות יישום
מועמדים לתוכנית הסבה חייבים להיות בעלי השכלה גבוהה או תיכונית מתמחה. רצוי ניסיון בתכנות בשפות פרוצדורליות.

מצב אימון
התכנית מיועדת לשנת לימוד אחת: מה-16 בפברואר 2023 עד ה-31 בינואר 2024.
כרך 684 שעות.
קבלת מסמכים מה-20 בדצמבר עד ה-28 בפברואר.

שיעורים ללא התייחסות ללוח זמנים לפי מסלול חינוכי פרטני.

instagram viewer

כדי לקבל דיפלומה של אוניברסיטת מוסקבה בהסבה מקצועית, עליך להשלים את תוכנית הלימודים ולהכין עבודת גמר.
העבודה הסופית היא פיתוח עצמאי של מערכת תוכנה.

1. כדי להירשם לתוכנית, עליך למלא את המסמכים הבאים (ביד או אלקטרונית) ולשלוח אותם לכתובת [email protected]:

2. על סמך המסמכים שהוגשו, יוכן הסכם הדרכה.
3. לאחר חתימת החוזה נשלחים מסמכים לתשלום: אוגוסט-ספטמבר.
4. לאחר התשלום מתחילים להתאמן.

פרופסור במחלקה לאבטחת מידע, ראש. מעבדת טיפול נמרץ
תואר אקדמי: דוקטור למדעי הטכניקה. מדעים
סוקומלין ולדימיר אלכסנדרוביץ', פרופסור מכובד מאוניברסיטת מוסקבה, פרופסור, דוקטור למדעים טכניים, ראש המעבדה לטכנולוגיות מידע פתוחות (OIT).
עבודת הגמר של המועמד הוגנה בתחום מדעי הפיזיקה והמתמטיקה במועצה האקדמית של ה-VMK בשנת 1976.
בשנת 1989 הגן על עבודת הדוקטורט שלו בהתמחות 13.05.11 במועצה במכון למדעי המחשב והטכנולוגיה של האקדמיה למדעים של ברית המועצות, נושא עבודת הגמר קשור למידול של מערכות הנדסת רדיו מורכבות.
בשנת 1992 זכה בתואר האקדמי פרופסור.
זכה במדליית ההנצחה "800 שנות מוסקבה".
בשנים 2000-2002 פיתח את הרעיון והסטנדרטים הממלכתיים של כיוון מדעי וחינוכי חדש "טכנולוגיות מידע". בהתבסס על התפתחויות אלה של משרד החינוך הרוסי בשנת 2002. כיוון 511900 "טכנולוגיות מידע" נוצר ונערך ניסוי ליישומו. בשנת 2006 שונה שם הכיוון הזה ביוזמת המחבר ל"טכנולוגיות אינפורמטיקה ומידע בסיסיות" (FIIT). נכון להיום, כיוון זה מיושם ביותר מ-40 אוניברסיטאות בארץ.

Sukhomlin V.A. - מפתח תקנים ממלכתיים לתואר ראשון ושני בדור השני והשלישי לכיוון "מדעי המחשב הבסיסיים וטכנולוגיית המידע".

מבוא לבינה מלאכותית
מטרת הקורס היא לתת לסטודנטים סקירה רחבה של בעיות ושיטות של בינה מלאכותית.

הרצאה 1.1
שיטות הסקה לוגיות
הרצאה 1.2
מציאת פתרונות, תכנון, תזמון
הרצאה 1.3
למידת מכונה
הרצאה 1.4
אינטראקציה בין אדם למכונה

תכנות ב-PYTHON
מטרת לימוד הדיסציפלינה היא לשלוט בכלים ובשיטות של פיתוח תוכנה באמצעות שפת Python וספריותיה.

הרצאה 2.1
מבנה יישום
הרצאה 2.2
סקירה כללית של המודולים והחבילות החשובות ביותר של ספריית Python
הרצאה 2.3
אובייקטים ומחלקות ב- Python
הרצאה 2.4
אלמנטים של תכנות פונקציונלי ב- Python
הרצאה 2.5
גנרטורים. איטרטורים
הרצאה 2.6
תכנות מרובה חוטים
הרצאה 2.7
תכנות רשת
הרצאה 2.8
עבודה עם מסד הנתונים

מתמטיקה בדידה11
חומר הקורס מחולק לחמישה חלקים: כלים מתמטיים; רצפים; גרפים; פונקציות בוליאניות; תורת הקידוד.

הרצאה 3.1
נושא 1.1. שפת ההיגיון המתמטי
הרצאה 3.2
נושא 1.2. סטים
הרצאה 3.3
נושא 1.3. מערכות יחסים בינאריות
הרצאה 3.4
נושא 1.4. שיטת אינדוקציה מתמטית
הרצאה 3.5
נושא 1.5. קומבינטוריקה
הרצאה 3.6
נושא 2.1. יחסים חוזרים
הרצאה 3.7
נושא 3.1. סוגי גרפים
הרצאה 3.8
נושא 3.2. גרפים משוקללים
הרצאה 3.9
נושא 4.1. ייצוג של פונקציות בוליאניות
הרצאה 3.10
נושא 4.2. שיעורי פונקציה בוליאנית
הרצאה 3.11
נושא 5.1. תורת הקידוד

תורת ההסתברות וסטטיסטיקה מתמטית
הרצאה 4.1
נושא 1.1. מושג הסתברות
הרצאה 4.2
נושא 1.2. משפטים יסודיים
הרצאה 4.3
נושא 1.3. משתנים אקראיים
הרצאה 4.4
נושא 2.1. עיבוד נתונים סטטיסטיים
הרצאה 4.5
נושא 2.2. בעיות של סטטיסטיקה מתמטית

שיטות למידת מכונה
הקורס בוחן את המשימות העיקריות של למידה לפי תקדים: סיווג, אשכולות, רגרסיה, הפחתת מימד. שיטות לפתרון אותן נחקרות, הן קלאסיות והן חדשות, שנוצרו במהלך 10-15 השנים האחרונות. מושם דגש על הבנה מעמיקה של היסודות המתמטיים, הקשרים, החוזקות והמגבלות של השיטות הנדונות. משפטים ניתנים לרוב ללא הוכחה.

הרצאה 6.1
יסודות מתמטיים של למידת מכונה
הרצאה 6.2
מושגי יסוד ודוגמאות לבעיות יישומיות
הרצאה 6.3
מסווג ליניארי ושיפוע סטוכסטי
הרצאה 6.4
רשתות עצביות: שיטות אופטימיזציה של גרדיאנט
הרצאה 6.5
שיטות סיווג מטרי ורגרסיה
הרצאה 6.6
תמיכה במכונה וקטורית
הרצאה 6.7
רגרסיה לינארית רב-משתנית
הרצאה 6.8
רגרסיה לא לינארית
הרצאה 6.9
קריטריונים לבחירת מודל ושיטות בחירת תכונות
הרצאה 6.10
שיטות סיווג לוגיות
הרצאה 6.11
מקבץ ואימון חלקי
הרצאה 6.12
מודלים יישומיים של למידת מכונה
הרצאה 6.13
רשתות עצביות עם למידה ללא פיקוח
הרצאה 6.14
ייצוגים וקטוריים של טקסטים וגרפים
הרצאה 6.15
אימון דירוג
הרצאה 6.16
מערכות ממליצים
הרצאה 6.17
שיטות חיזוי אדפטיביות

ענן תגיות

Miscellanea

דֵרוּג

צפיות

תגובות