„Gépi tanulás” - tanfolyam 30 000 rubel. MSU-tól, képzés 3 hét. (1 hónap), Dátum: 2023. december 2.
Vegyes Cikkek / / December 06, 2023
A program célja – bevezetni a tanulókat a gépi tanulás alapjaiba.
A képzés időtartama – 72 óra (30 óra tantermi óra tanárral, 42 óra önálló tananyagtanulmány).
Tanulmányi forma – teljes, részmunkaidős, esti.
Osztály formátum - teljes munkaidőben, más városból érkező résztvevők számára, ha személyesen nem lehet részt venni, videokonferencián keresztül lehet kapcsolódni az órán.
Az oktatás költsége - 30 000 rubel.
Az órák kezdete - 2023 ősz.
A képzési szerződéseket magánszemélyekkel és jogi személyekkel kötik.
A tanfolyamokra való regisztráció a [email protected] e-mail címen történik, a weboldalon található regisztrációs űrlap segítségével.
A kurzus adminisztrátorához, Anton Martyanovhoz fordulhat a regisztrációhoz, illetve kérdéseikkel a WhatsApp-on vagy a Telegramon keresztül: +79264827721.
A műszaki tudományok doktora Beosztás: az M. V. Lomonoszov Moszkvai Állami Egyetem Menedzsment és Innovációs Felsőiskola professzora
1. szakasz. Bevezetés. Példák a feladatokra. Logikai módszerek: döntési fák és döntési erdők.
Logikai módszerek: objektumok osztályozása egyszerű szabályok alapján. Értelmezés és végrehajtás. Kombináció kompozícióvá. Döntő fák. Véletlen erdő.
2. szakasz. Metrikus osztályozási módszerek. Lineáris módszerek, sztochasztikus gradiens.
Metrikus módszerek. Osztályozás hasonlóság alapján. Az objektumok közötti távolság. Metrikák. A k-legközelebbi szomszédok módszere. Általánosítás regressziós problémákra kernelsimítással. Lineáris modellek. Méretezhetőség. Alkalmazhatóság nagy adatokra Sztochasztikus gradiens módszer. Alkalmazhatóság lineáris osztályozók hangolására. A regularizáció fogalma. A lineáris módszerekkel végzett munka jellemzői. Osztályozási minőségi mérőszámok.
3. szakasz. A Vector Machine (SVM) támogatása. Logisztikus regresszió. Osztályozási minőségi mérőszámok.
Lineáris modellek. Méretezhetőség. Alkalmazhatóság nagy adatokra Sztochasztikus gradiens módszer. Alkalmazhatóság lineáris osztályozók hangolására. A regularizáció fogalma. A lineáris módszerekkel végzett munka jellemzői.
4. szakasz. Lineáris regresszió. Dimenziócsökkentés, főkomponens módszer.
Lineáris modellek a regresszióhoz. Kapcsolatuk az „objektum-jellemzők” mátrix szinguláris dekompozíciójával. A jelek számának csökkentése. A funkciók kiválasztásának megközelítései. Főkomponens módszer. Dimenziócsökkentési módszerek.
5. szakasz. Algoritmusok kompozíciói, gradiensnövelés. Neurális hálózatok.
Modellek összeállítása kompozícióvá. Modellhibák kölcsönös javítása. Kompozíciókkal kapcsolatos alapfogalmak és problémafelvetések. Gradiens növelés.
Neurális hálózatok. Nemlineáris osztófelületek keresése. Többrétegű neurális hálózatok és hangolásuk backpropagation módszerrel. Mély neurális hálózatok: felépítésük és jellemzőik.
6. szakasz. Klaszterezés és vizualizáció.
A felügyelet nélküli tanulás problémái. Struktúra keresése az adatokban. A klaszterezési probléma a hasonló objektumok csoportjainak megtalálása. A vizualizációs feladat az objektumok két- vagy háromdimenziós térbe való leképezésének feladata.
7. szakasz. Alkalmazott adatelemzési problémák: megfogalmazások és megoldási módszerek.
A részleges tanulás, mint probléma a felügyelt tanulás és a klaszterezés között. Mintavételi probléma, amelyben a célváltozó értéke csak néhány objektum esetében ismert. A részleges tanulási probléma és a korábban tárgyalt megfogalmazások közötti különbség. Megoldás megközelítései.
Alkalmazott területek problémáinak elemzése: banki pontozás, biztosítás, biztosítási problémák, mintafelismerési problémák.
Cím
119991, Moszkva, st. Leninskie Gory, 1, bldg. 51, 5. emelet, 544-es szoba (Dékáni iroda)
Egyetemi