Регистрация до 3 ноября
ОПИСАНИЕ КУРСА
Программа повышения квалификации направлена на подготовку специалистов в области компьютерных технологий, способных разрабатывать программные системы с использованием интеллектуального анализа данных и методов машинного обучения.
На программе вы научитесь:
- настраивать ПО и разрабатывать программные компоненты систем искусственного интеллекта;
- разрабатывать приложения систем искусственного интеллекта;
- разрабатывать концептуальную модель проблемной области системы искусственного интеллекта.
В процессе обучения используется язык программирования Python, интерактивная среда разработки Jupiter, программные библиотеки для машинного обучения scikit-learn и другие.
РЕЖИМ ОБУЧЕНИЯ
Программа рассчитана на 2 месяца.
Объем – 48 часов.
Начало учебы – 3 ноября.
Завершение обучения – 21 декабря.
Занятия 2 раза в неделю (пн, пт с 18:30).
ДОКУМЕНТЫ ОБ ОКОНЧАНИИ
Удостоверение о повышении квалификации МГУ (при наличии диплома о высшем или среднем профессиональном образовании).
ЗАЧИСЛЕНИЕ И ОПЛАТА
Стоимость обучения 60000 руб.
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.
Детали курса
- Лекции 44
- Тесты 0
- Учебное время 10 недель
- Навык Все уровни
- Студенты 0
- Оценки Да
-
1. Введение в искусственный интеллект.
-
2. Программирование на языке Python.
- Основные методы и средства представления данных в языке Python.
- Методы обогащения данных методом связывания по ключевым полям в языке Python.
- Визуализация различных срезов данных в различном формате в языке Python.
- Применение на практике некоторые базовых алгоритмов классификации данных.
- Понятие динамической типизации. Обзор популярных языков с динамической типизацией.
- Структура приложения. Типы, переменные. Управление потоком выполнения. Отладка. Стиль написания кода. Документирование и оценка производительности.
- Наиболее важные модули и пакеты стандартных библиотек Python. Пакет Numeric для осуществления численных расчетов и выполнения матричных вычислений.
- Объекты и классы в Python. Особенности объектно ориентированного подходы в Python. Концепция полностью объектно-ориентированного языка. Особенности наследования и полиморфизма в Python.
- Элементы функционального программирования в Python.
- Генераторы. Итераторы.
- Многопоточное программирование. Создание и завершение потоков. Методы их синхронизации. Замки. Семафоры.
- Сетевое программирование. Сокеты. Http-клиент. Анализ Url
- Работа с базой данных. DB-API 2.0. Язык запросов SQL. Библиотека Sqlite. Настройка web-сервера. Принципы написания приложений баз данных на Питоне.
-
3. Методы машинного обучения.
- 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.
-
4. Введение в нейросети.
- Основные принципы построения и использования глубоких нейронных сетей для задач компьютерного зрения, обработки текстов и обучения с подкреплением.
- Подходы объединения нейросетевых моделей с классическими алгоритмами.
- Простейшие методы обучения без учителя (PCA, k-средних, разреженное кодирование).
- Минимизация эмпирического риска, стандартные функции потерь, линейная классификация, стохастический градиентный спуск и его варианты.
- Скрытые слои, глубокие сети прямого распространения, обратное распространени ошибки, регуляризация, нормализация по пакету.
- Автоэнкодеры и вариационные автоэнкодеры.
- Сверточные нейросети (СН), классификация при помощи СН, популярные архитектуры и принципы их построения Представления внутри СН: визуализация сетей, перенос знаний, поиск изображений при помощи НС.
- “Глубокое” компьютерное зрение за пределами классификации: верификация, обнаружение объектов, семантическая сегментация.
- Генерация изображений: генериративные СН, обучение с соперником, глубокая генерация текстур и перенос художественного стиля.
- Представления слов, word2vec, сверточные нейронные сети для обработки естественного языка.
