0
צפיות
"למידה במכונה" - קורס 30,000 רובל. מ-MSU, אימון 3 שבועות. (חודש), תאריך: 30 בנובמבר, 2023.
Miscellanea / / December 02, 2023
מטרת התוכנית - להכיר לתלמידים את היסודות של למידת מכונה.
משך האימון – 72 שעות (30 שעות שיעורים בכיתה עם מורה, 42 שעות לימוד עצמאי של חומרים).
צורת לימוד - משרה מלאה, חלקית, ערב.
פורמט הכיתה - במשרה מלאה, למשתתפים מערים אחרות, אם אי אפשר להגיע באופן אישי, תוכל להתחבר לשיעור באמצעות ועידת וידאו.
עלות חינוך - 30,000 רובל.
תחילת השיעורים - סתיו 2023.
הסכמי הדרכה נכרתים עם יחידים וישויות משפטיות.
ההרשמה לקורסים מתבצעת בדוא"ל [email protected], באמצעות טופס ההרשמה באתר.
ניתן ליצור קשר עם מנהל הקורס, אנטון מרטיאנוב, להרשמה או בשאלות באמצעות WhatsApp או טלגרם: +79264827721.
תפקיד דוקטור למדעים טכניים: פרופסור בבית הספר הגבוה לניהול וחדשנות של M.V. Lomonosov אוניברסיטת מוסקבה
מחלקה 1. מבוא. דוגמאות למשימות. שיטות לוגיות: עצי החלטה ויערות החלטה.
שיטות לוגיות: סיווג אובייקטים על סמך כללים פשוטים. פרשנות ויישום. שילוב לכדי קומפוזיציה. עצים מכריעים. יער אקראי.
סעיף 2. שיטות סיווג מטריות. שיטות ליניאריות, שיפוע סטוכסטי.
שיטות מטריות. סיווג מבוסס על דמיון. מרחק בין אובייקטים. מדדים. שיטת k-nearest neighbours. הכללה לבעיות רגרסיה באמצעות החלקת ליבה. מודלים ליניאריים. מדרגיות. ישימות על ביג דאטה שיטת גרדיאנט סטוכסטית. ישימות לכוונון מסווגים ליניאריים. המושג רגוליזציה. תכונות של עבודה בשיטות ליניאריות. מדדי איכות סיווג.
סעיף 3. תמיכה ב-Vector Machine (SVM). רגרסיה לוגיסטית. מדדי איכות סיווג.
מודלים ליניאריים. מדרגיות. ישימות על ביג דאטה שיטת גרדיאנט סטוכסטית. ישימות לכוונון מסווגים ליניאריים. המושג רגוליזציה. תכונות של עבודה בשיטות ליניאריות.
סעיף 4. רגרסיה לינארית. הפחתת מימדיות, שיטת הרכיב העיקרי.
מודלים ליניאריים לרגרסיה. הקשר שלהם עם הפירוק היחיד של מטריצת "אובייקטים-תכונות". צמצום מספר השלטים. גישות לבחירת תכונה. שיטת הרכיב העיקרי. שיטות הפחתת ממדיות.
סעיף 5. קומפוזיציות של אלגוריתמים, הגברת שיפוע. רשתות עצביות.
שילוב דגמים לקומפוזיציה. תיקון הדדי של טעויות דגם. מושגי יסוד והצהרות בעיות הקשורות לקומפוזיציות. הגברת שיפוע.
רשתות עצביות. חפש משטחי חלוקה לא ליניאריים. רשתות עצביות רב-שכבתיות והכוונן שלהן בשיטת ההפצה האחורית. רשתות עצביות עמוקות: הארכיטקטורות והתכונות שלהן.
סעיף 6. אשכול והדמיה.
בעיות של למידה ללא פיקוח. מציאת מבנה בנתונים. בעיית האשכולות היא המשימה של מציאת קבוצות של עצמים דומים. משימת ההדמיה היא המשימה של מיפוי אובייקטים למרחב דו או תלת מימדי.
סעיף 7. בעיות ניתוח נתונים יישומיות: ניסוחים ושיטות פתרון.
למידה חלקית כבעיה בין למידה מפוקחת לאשכולות. בעיית דגימה שבה הערך של משתנה המטרה ידוע רק עבור אובייקטים מסוימים. ההבדל בין בעיית הלמידה החלקית לבין הניסוחים שנדונו קודם לכן. גישות לפתרון.
ניתוח בעיות מתחומים יישומיים: ניקוד בבנקים, ביטוח, בעיות חיתום, בעיות בזיהוי תבניות.
כתובת
119991, מוסקבה, st. לנינסקי גורי, 1, דירה 51, קומה 5, חדר 544 (משרד הדיקן)
אוּנִיבֶרְסִיטָה
הירשם
YOU MIGHT ALSO LIKE
-
-
19/12/2019 -
19/12/2019