ОПИСАНИЕ КУРСА
Программа рассчитана на слушателей с высшим или средним специальным образованием и соответствует профстандарту 06.001 “Программист”.
НА ПРОГРАММЕ ВЫ НАУЧИТЕСЬ:
- работать с интерактивной средой Jupiter
- писать код на Python
- использовать методы анализа данных и машинного обучения (библиотеки scikit-learn и другие)
- создавать модели машинного обучения
Для успешного освоения программы желателен опыт программирования.
РЕЖИМ ОБУЧЕНИЯ
Программа рассчитана на 1 год обучения: с 1 марта 2025 по 1 января 2026 года
Объем 684 часа.
Занятия без привязки к расписанию по индивидуальной образовательной траектории. Вы обучаетесь по электронным учебным курсам, разработанным преподавателями МГУ. Электронные учебные курсы содержат в себе теоретические материалы, систему заданий и итоговую отчетность по курсу. Вы обучаетесь без привязки к расписанию в свободном графике по индивидуальной образовательной траектории. Консультации с преподавателями проходят по электронной почте. Один или несколько раз в семестр мы проводим консультации для слушателей в режиме видеоконференции.
Для получения Диплома МГУ о профессиональной переподготовке необходимо выполнить учебный план и подготовить выпускную работу.
Выпускная работа представляет собой самостоятельную разработку программной системы.
ДОКУМЕНТЫ ОБ ОКОНЧАНИИ
- сертификат МГУ (для лиц без высшего или среднего профессионального образования)
- диплом о переподготовке установленного МГУ образца (для лиц с высшим или средним профессиональным образованием)
ЗАЧИСЛЕНИЕ И ОПЛАТА
Стоимость обучения 120000 руб., оплата по семестрам – 60000 в семестр
- Для зачисления на программу необходимо заполнить следующие документы (от руки или в электронном виде) и прислать на почту dpovmk@cs.msu.ru:
- Заявление
- Анкета
- Согласие на обработку персональных данных
- копия паспорта
- копия диплома о высшем образовании или справка о том, что вы являетесь студентом.
- На основании представленных документов будет подготовлен Договор на обучение.
- После подписания договора направляются документы для оплаты: январь-февраль.
- После оплаты вы приступаете к обучению.
РАБОТЫ ВЫПУСКНИКОВ
Детали курса
- Лекции 45
- Тесты 0
- Учебное время 52 недели
- Навык Все уровни
- Студенты 0
- Оценки Да
-
Введение в искусственный интеллект
Цель курса – дать слушателям широкий обзор задач и методов искусственного интеллекта.
-
Программирование на языке Python
Целью изучения дисциплины является освоение средств и методов разработки программного обеспечения с использованием языка Python и его библиотек.
-
Дискретная математика
Материал курса делится на пять разделов: Математический инструментарий; Последовательности; Графы; Булевы функции; Теория кодирования.
- Тема 1.1. Язык математической логики
- Тема 1.2. Множества
- Тема 1.3. Бинарные отношения
- Тема 1.4. Метод математической индукции
- Тема 1.5. Комбинаторика
- Тема 2.1. Рекуррентные соотношения
- Тема 3.1. Виды графов
- Тема 3.2. Взвешенные графы
- Тема 4.1. Представление булевых функций
- Тема 4.2. Классы булевых функций
- Тема 5.1. Теория кодирования
-
Теория вероятностей и математическая статистика
-
Методы машинного обучения
В курсе рассматриваются основные задачи обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Теоремы в основном приводятся без доказательств.
- Математические основы машинного обучения
- Основные понятия и примеры прикладных задач
- Линейный классификатор и стохастический градиент
- Нейронные сети: градиентные методы оптимизации
- Метрические методы классификации и регрессии
- Метод опорных векторов
- Многомерная линейная регрессия
- Нелинейная регрессия
- Критерии выбора моделей и методы отбора признаков
- Логические методы классификации
- Кластеризация и частичное обучение
- Прикладные модели машинного обучения
- Нейронные сети с обучением без учителя
- Векторные представления текстов и графов
- Обучение ранжированию
- Рекомендательные системы
- Адаптивные методы прогнозирования
