Набор на программу ЗАКРЫТ
ОПИСАНИЕ КУРСА
Программа профессиональной переподготовки «Анализ данных и машинное обучение» направлена на подготовку специалистов в области компьютерных технологий, способных способных разрабатывать программные системы с использованием интеллектуального анализа данных и методов машинного обучения.
Формирование у слушателей профессиональных компетенций, связанных с прикладным программированием и базами данных, необходимых для приобретения квалификации «специалист в области анализа данных и машинного обучения»
В процессе обучения используется язык программирования Python, интерактивная среда разработки Jupiter, программные библиотеки для машинного обучения scikit-learn и другие.
Машинное обучение (MachineLearning) — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Машинное обучение является основным современным подходом к анализу данных и построению интеллектуальных информационных систем. Методы машинного обучения лежат в основе всех методов компьютерного зрения, активно используются в обработке изображений. В курсе множество практически применимых алгоритмов.
ТРЕБОВАНИЯ К ПОСТУПАЮЩЕМУ
Поступающие на программу переподготовки должны иметь высшее или средне специальное образование. Желателен опыт программирования.
РЕЖИМ ОБУЧЕНИЯ
Программа рассчитана на 1 год обучения: с 16 февраля 2023 по 31 января 2024.
Объем 684 часа.
Прием документов с 20 декабря по 28 февраля.
Занятия без привязки к расписанию по индивидуальной образовательной траектории.
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
При наличии высшего (неполного высшего: студент старших курсов) или среднеспециального образования выдается Диплом МГУ о профессиональной переподготовке.
Для лиц, не имеющих высшего образования выдается Сертификат МГУ об успешном освоении программы.
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: август-сентябрь.
- После оплаты вы приступаете к обучению.
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