Adatelemzés az alkalmazott tudományokban - ingyenes tanfolyam az Adatelemző Iskolától, képzés 4 félév, Időpont: 2023. december 5.
Vegyes Cikkek / / December 08, 2023
Ugyanez a program az IT-ipar vezető szakértőitől
Mi az a ShaD
A kétéves Yandex program 2007-ben jelent meg, és Oroszországban az első hely lett, ahol adatelemzést tanítottak. A ShaD kurzusok képezték a mesterképzés alapját olyan nagy egyetemeken, mint a HSE és a MIPT.
1. Rugalmas program azoknak, akik szeretnék felfedezni a gépi tanulást és az IT-iparban dolgozni
2. Szerzői tanfolyamok orosz és külföldi tudósoktól és szakemberektől
3. A valós feladatokhoz közeli házi feladat az informatikai gyakorlatban
4. Olyan oklevél, amelyet nemcsak Oroszországban, hanem nagy külföldi vállalatoknál is elismernek
A legfontosabb dolog a ShaD-ről
Az oktatás nyelve: orosz és angol
Mennyi ideig tart: 2 év
Felvételi jelentkezések benyújtása: 2022. április-május
Mikor kezdődik az iskola: 2022 szeptember
Terhelhetőség: 30 óra/hét
Mikor: Este, heti 3 alkalommal
Költség: ingyenes*
Kinek: Mindenkinek, aki sikeres felvételi vizsgát tesz
Az alkalmazott tudományok adatelemzése fő jellemzője, hogy a hallgatók a második tanulmányi év nagy részét alkalmazott kutatási projektekkel töltik. A ShaD-ben való tanulás végső osztályzatát nagyrészt ennek a projektnek a minősége határozza meg.
Azon hallgatók számára, akik a ShaD-vel párhuzamosan szakdolgozatokat készítenek (baccalaureus vagy mesterszak), a ShaD projektek az egyetemi munkájuk alapjául szolgálhatnak.
Kötelező
Funkcionális minták rekonstrukciója empirikus adatokból
01 A függőségi helyreállítás problémájának általános megfogalmazása
02 Maximum likelihood módszer
03 Példák konkrét függőségi helyreállítási problémákra: regresszió, minta azonosítás, minta felismerés és ezek alkalmazásai
04 Eloszlások nem paraméteres becsléseinek felépítése a maximum likelihood módszerrel
05 Legkisebb négyzetek módszere a regressziós becsléshez. Maximális valószínűség módszere a modell kiválasztásához
06 Valószínűségi arány teszt
07 Olyan döntési szabály keresése, amely minimalizálja a hibák számát vagy a büntetőfüggvény átlagos értékét a betanítási adatokon mintafelismerési problémák esetén
08 Többváltozós lineáris becslés
09 Perceptron. Potenciális funkciók. Neurális hálózatok
10 A priori információk figyelembevétele a lineáris becslésben
11 Általánosított portré módszer osztályozási feladatban
12 Bayesi becslés
13 Support Vector Machine (SVM)
14 Néhány osztályozási módszer
15 Az empirikus kockázatminimalizálási módszer kritikája
16 Optimális hipersík
17 A gyakoriságok valószínűségekhez való egyenletes konvergenciájának kritériumai. Növekedési funkció. VC méret
18 Az optimális hipersík megalkotásának kettős problémája
19 A gyakoriságok valószínűségekhez való egyenletes konvergenciájának kritériumai. Kapcsolódás a tanulási mintafelismerés feladataihoz
20 Nemparaméteres spline regresszió felépítése
21 Az átlagok matematikai elvárásokhoz való egységes konvergenciájának kritériumai
22 Nemparaméteres kernelregresszió felépítése
23 Az optimális modellkomplexitás kiválasztásának problémája
24 A regressziós függőségek különböző típusai
A sztochasztika alapjai. Sztochasztikus modellek
01 A valószínűség klasszikus meghatározása
02 Feltételes valószínűségek. Függetlenség. Feltételes matematikai elvárás.
03 Diszkrét valószínűségi változók és jellemzőik
04 Határérték tételek
05 Véletlenszerű séta
06 Martingales
07 Diszkrét Markov láncok. Ergodikus tétel.
08 Egy végtelen számú eseménnyel végzett kísérlet valószínűségi modellje. Kolmogorov axiomatikája. A valószínűségi változók különböző típusú konvergenciája.
09 A valószínűségi mérőszámok gyenge konvergenciája. A karakterisztikus függvények módszere a határértéktételek bizonyításában.
10 Véletlenszerű folyamatok
Algoritmusok és adatstruktúrák, 1. rész
01 Komplexitás és számítási modellek. Számviteli értékek elemzése (eleje)
02 Számviteli értékek elemzése (vége)
03 Merge-Sort és Quick-Sort algoritmusok
04 Rendes statisztika. Halmok (eleje)
05 kupacok (vége)
06 Kivonatolás
07 Keresőfák (eleje)
08 Search Trees (folytatás)
09 Fák keresése (vége). Diszjunkt halmazok rendszere
10 Az RMQ és az LCA céljai
11 Adatszerkezetek geometriai kereséshez
12 A dinamikus kapcsolódás problémája irányítatlan gráfban
01 Alapfogalmak és példák alkalmazott problémákra
02 Metrikus osztályozási módszerek
03 Logikai osztályozási módszerek és döntési fák
04 Gradiens lineáris osztályozási módszerek
05 Support Vector Machine
06 Többváltozós lineáris regresszió
07 Nemlineáris és nem paraméteres regresszió, nem szabványos veszteségfüggvények
08 Idősoros előrejelzés
09 Bayesi osztályozási módszerek
10 Logisztikus regresszió
11 Társítási szabályok keresése
Statisztikák alapjai a gépi tanulásban
01 Bevezetés
02 A statisztikai következtetés elméletének alapvető feladatai és módszerei
03 Eloszlásbecslés és statisztikai függvények
04 Monte Carlo szimuláció, bootstrap
05 Paraméteres becslés
06 Hipotézisek tesztelése
07 A többdimenziós adatok dimenziósságának csökkentése
08 Modellérzékenység értékelése
09 Lineáris és logisztikus regresszió
10 Kísérletek tervezése
11. A lineáris regresszió különböző típusai
12 Nemlineáris módszerek regressziós függőségek létrehozására
13 Nem paraméteres becslés
14 Bayes-féle becslési megközelítés
15 A regresszió bayesi megközelítése
16 A regresszió és optimalizálás Bayes-féle megközelítése
17 A véletlenszerű Gauss-mezőmodell használata adatelemzési feladatokban
18 Statisztikai modellek és módszerek alkalmazása helyettesítő modellezési és optimalizálási problémákban
01 Konvex függvények és halmazok
02 Optimalitási feltételek és kettősség
03 Bevezetés az optimalizálási módszerekbe
04 Bonyolultság a konvex sima és konvex nem sima problémák osztályaihoz
05 Simító technika
06 Büntető funkciók. Gát módszer. Módosított Lagrange függvénymódszer
07 ADMM
08 Bevezetés a tükörbehelyezési technikákba
09 Newton-módszer és kvázi-Newton-módszerek. BFGS
10 Bevezetés a robusztus optimalizálásba
11 Bevezetés a sztochasztikus optimalizálásba
12 Véletlenszerű optimalizálási algoritmus
13 Bevezetés az online optimalizálásba
Gépi tanulás, 2. rész
01 Neurális hálózat osztályozási és regressziós módszerei
02 Kompozíciós osztályozási és regressziós módszerek
03 A modellek kiválasztásának kritériumai és a funkciók kiválasztásának módszerei
04 Rangsor
05 Megerősítő tanulás
06 Tanulás tanár nélkül
07 Problémák a részleges edzéssel
08 Együttműködési szűrés
09 Témamodellezés
Projekt munka
A Microsoft Office 2021 legújabb verziója a Visual Basic for Applications (VBA) nevű beépített programozási nyelvvel rendelkezik. továbbra is az irodai felhasználók munkájának automatizálásának fő legfontosabb eszköze alkalmazások. A makrók nélkül nem megvalósítható alkalmazott feladatok legnagyobb száma Excel-táblázatokkal való munka során merül fel.
4,1
Ez a kurzus az 1C: Enterprise 8 rendszerben (felügyelt alkalmazás, platform 8.3-as verzió) történő konfigurációs szakemberek kezdeti képzésére szolgál. A képzési folyamat során megismerkedhet az 1C: Enterprise 8 rendszer konfigurációjának és programozásának alapjaival, gyakorlati készségeket sajátít el a konfigurációs objektumokkal való munkavégzésben és a programmodulok nyelven történő írásában rendszerek.
4,1
Három napos kurzus Makrók VBA-ban. Excel 20XX. azoknak a szakembereknek készült, akik napi munkájuk során folyamatosan használják az Excelt, és önállóan szeretnének megtanulni VBA kódot programmakrók, amelyek lehetővé teszik az ismétlődő rutinműveletek automatikus végrehajtását, időt takaríthat meg és növelheti a hatékonyságot munkaerő. Az irodai termékek nagyszerű eszközzel rendelkeznek, amely segít automatizálni a rutinműveleteket, valamint olyan dolgokat is elvégezni, amelyek általában nem lehetségesek. Ez az eszköz a beépített VBA (Visual Basic for Application) programozási nyelv. Tanfolyammakrók VBA-ban. Az Excel 20XX segít elsajátítani az Excelben végzett munka automatizálásának készségeit. A kurzusprogram elméleti és gyakorlati részeket tartalmaz, és elérhető online és a városi Softline Képzési Központ órákon. Oroszország (Moszkva, Szentpétervár, Jekatyerinburg, Kazany, Krasznojarszk, Nyizsnyij Novgorod, Novoszibirszk, Omszk, Rosztov-Don és Habarovszk).
3,6