0
dilihat
"Analisis data dan pembelajaran mesin" - kursus 120.000 rubel. dari MSU, pelatihan 48 minggu. (12 bulan), Tanggal: 16 Februari 2023.
Miscellanea / / November 27, 2023
Program pelatihan ulang profesional “Analisis Data dan Pembelajaran Mesin” ditujukan untuk melatih spesialis di bidang komputer teknologi yang mampu mengembangkan sistem perangkat lunak menggunakan penambangan data dan mesin pelatihan.
Pembentukan kompetensi profesional di kalangan mahasiswa terkait pemrograman terapan dan database data yang diperlukan untuk memperoleh kualifikasi “spesialis di bidang analisis data dan mesin pelatihan"
Proses pembelajarannya menggunakan bahasa pemrograman Python, lingkungan pengembangan interaktif Jupiter, perpustakaan perangkat lunak scikit-learn untuk pembelajaran mesin, dan lain-lain.
Pembelajaran Mesin adalah subbidang kecerdasan buatan yang luas yang mempelajari metode untuk membangun algoritma yang dapat dipelajari. Pembelajaran mesin adalah pendekatan modern utama untuk analisis data dan pembangunan sistem informasi cerdas. Metode pembelajaran mesin mendasari semua metode visi komputer dan secara aktif digunakan dalam pemrosesan gambar. Kursus ini berisi banyak algoritma yang dapat diterapkan secara praktis.
PERSYARATAN APLIKASI
Pelamar untuk program pelatihan ulang harus memiliki pendidikan khusus yang lebih tinggi atau menengah. Pengalaman pemrograman dalam bahasa prosedural sangat diharapkan.
MODE PELATIHAN
Program ini dirancang untuk 1 tahun studi: mulai 16 Februari 2023 hingga 31 Januari 2024.
Volume 684 jam.
Penerimaan dokumen mulai 20 Desember hingga 28 Februari.
Kelas tanpa mengacu pada jadwal sesuai dengan lintasan pendidikan individu.
Untuk memperoleh Diploma Universitas Negeri Moskow dalam pelatihan ulang profesional, Anda harus menyelesaikan kurikulum dan menyiapkan tesis akhir.
Pekerjaan terakhir adalah pengembangan mandiri dari sistem perangkat lunak.
1. Untuk mendaftar dalam program ini, Anda harus mengisi dokumen berikut (dengan tangan atau elektronik) dan mengirimkannya ke [email protected]:
2. Berdasarkan dokumen yang diserahkan, Perjanjian Pelatihan akan disiapkan.
3. Setelah penandatanganan kontrak, dokumen pembayaran dikirim: Agustus-September.
4. Setelah pembayaran Anda memulai pelatihan.
Profesor Departemen Keamanan Informasi, Kepala. laboratorium ICU
Gelar akademik: Doktor Ilmu Teknik. ilmu pengetahuan
Sukhomlin Vladimir Aleksandrovich, Profesor Kehormatan Universitas Negeri Moskow, Profesor, Doktor Ilmu Teknik, Kepala Laboratorium Teknologi Informasi Terbuka (OIT).
Disertasi calon dipertahankan dalam bidang ilmu fisika dan matematika pada Dewan Akademik VMK pada tahun 1976.
Pada tahun 1989 mempertahankan disertasi doktoralnya dalam spesialisasi 13/05/11 di Dewan di Institut Ilmu Komputer dan Teknologi Akademi Ilmu Pengetahuan Uni Soviet, topik disertasi terkait dengan pemodelan sistem rekayasa radio yang kompleks.
Pada tahun 1992 dianugerahi gelar akademik profesor.
Dianugerahi medali peringatan “800 Tahun Moskow”.
Pada tahun 2000-2002 mengembangkan konsep dan standar negara dari arah ilmiah dan pendidikan baru “Teknologi Informasi”. Berdasarkan perkembangan tersebut oleh Kementerian Pendidikan Rusia pada tahun 2002. arah 511900 “Teknologi Informasi” telah dibuat dan percobaan dilakukan untuk mengimplementasikannya. Pada tahun 2006, atas inisiatif penulis, arah ini diubah namanya menjadi “Teknologi Informatika dan Informasi Fundamental” (FIIT). Saat ini arahan tersebut diterapkan di lebih dari 40 universitas tanah air.
Sukhomlin V.A. - pengembang standar negara untuk sarjana dan magister generasi ke-2 dan ke-3 untuk jurusan “Fundamental ilmu komputer dan teknologi informasi”.
PENGANTAR KECERDASAN BUATAN
Tujuan dari kursus ini adalah untuk memberikan siswa gambaran luas tentang masalah dan metode kecerdasan buatan.
Kuliah 1.1
Metode inferensi logis
Kuliah 1.2
Menemukan solusi, perencanaan, penjadwalan
Kuliah 1.3
Pembelajaran mesin
Kuliah 1.4
Interaksi manusia-mesin
PEMROGRAMAN DALAM PYTHON
Tujuan mempelajari disiplin ini adalah untuk menguasai alat dan metode pengembangan perangkat lunak menggunakan bahasa Python dan perpustakaannya.
Kuliah 2.1
Struktur aplikasi
Kuliah 2.2
Ikhtisar modul dan paket perpustakaan standar Python yang paling penting
Kuliah 2.3
Objek dan Kelas dengan Python
Kuliah 2.4
Elemen Pemrograman Fungsional dengan Python
Kuliah 2.5
Generator. Iterator
Kuliah 2.6
Pemrograman Multithread
Kuliah 2.7
Pemrograman jaringan
Kuliah 2.8
Bekerja dengan basis data
MATEMATIKA DISKRIT11
Materi kursus dibagi menjadi lima bagian: Alat matematika; Urutan; Grafik; fungsi Boolean; Teori pengkodean.
Kuliah 3.1
Topik 1.1. Bahasa logika matematika
Kuliah 3.2
Topik 1.2. Set
Kuliah 3.3
Topik 1.3. Hubungan biner
Kuliah 3.4
Topik 1.4. Metode induksi matematika
Kuliah 3.5
Topik 1.5. Kombinatorik
Kuliah 3.6
Topik 2.1. Hubungan berulang
Kuliah 3.7
Topik 3.1. Jenis grafik
Kuliah 3.8
Topik 3.2. Grafik berbobot
Kuliah 3.9
Topik 4.1. Representasi Fungsi Boolean
Kuliah 3.10
Topik 4.2. Kelas Fungsi Boolean
Kuliah 3.11
Topik 5.1. Teori pengkodean
TEORI PROBABILITAS DAN STATISTIK MATEMATIKA
Kuliah 4.1
Topik 1.1. Konsep probabilitas
Kuliah 4.2
Topik 1.2. Teorema dasar
Kuliah 4.3
Topik 1.3. Variabel acak
Kuliah 4.4
Topik 2.1. Pemrosesan data statistik
Kuliah 4.5
Topik 2.2. Masalah statistik matematika
METODE PEMBELAJARAN MESIN
Kursus ini membahas tugas utama pembelajaran berdasarkan preseden: klasifikasi, pengelompokan, regresi, reduksi dimensi. Metode untuk menyelesaikannya sedang dipelajari, baik klasik maupun baru, yang diciptakan selama 10-15 tahun terakhir. Penekanannya ditempatkan pada pemahaman menyeluruh tentang landasan matematika, hubungan, kekuatan, dan keterbatasan metode yang dibahas. Teorema kebanyakan diberikan tanpa bukti.
Kuliah 6.1
Landasan Matematika Pembelajaran Mesin
Kuliah 6.2
Konsep dasar dan contoh permasalahan terapan
Kuliah 6.3
Pengklasifikasi linier dan gradien stokastik
Kuliah 6.4
Jaringan saraf: metode optimasi gradien
Kuliah 6.5
Klasifikasi Metrik dan Metode Regresi
Kuliah 6.6
Mendukung Mesin Vektor
Kuliah 6.7
Regresi Linier Multivariat
Kuliah 6.8
Regresi nonlinier
Kuliah 6.9
Kriteria pemilihan model dan metode pemilihan fitur
Kuliah 6.10
Metode klasifikasi logis
Kuliah 6.11
Pengelompokan dan pelatihan parsial
Kuliah 6.12
Model Pembelajaran Mesin Terapan
Kuliah 6.13
Jaringan saraf dengan pembelajaran tanpa pengawasan
Kuliah 6.14
Representasi vektor teks dan grafik
Kuliah 6.15
Pelatihan pemeringkatan
Kuliah 6.16
Sistem pemberi rekomendasi
Kuliah 6.17
Metode peramalan adaptif
Berlangganan
YOU MIGHT ALSO LIKE
