Прием документов: до 15 октября 2024 года
ОПИСАНИЕ КУРСА
Программа профессиональной переподготовки.
Программа направлена на подготовку специалистов в области машинного обучения и управления большими данными
Пройдя обучение по программе, вы получите профессиональные навыки:
- прикладной разработки на платформах Java, Scala, Python
- моделирования и прототипирования моделей машинного обучения и нейронных сетей (специализация Data Scientist), а также промышленного внедрения и оптимизации алгоритмов машинного обучения на больших данных, включая нейросетевое моделирование (Big Data / Hadoop инженер)
- обработки больших данных с использованием реляционных и нереляционных распределенных баз данных на платформах Java, Scala, Python
- разработки распределенных приложений для научных исследований в естественнонаучных областях.
Содержание практических курсов регулярно обновляется для поддержания актуальности используемых методов и технологий.
После обучения вы сможете профессионально реализоваться как:
- специалист по большим данным: Big Data / Hadoop инженер
- ML разработчик: Data Scientist
- разработчик в области машинного обучения и нейронных сетей
Занятия проводятся в вечернее время, обычно с 19.00
Стоимость обучения 150 000 руб., оплата по семестрам – 75 000 в семестр.
Программа реализуется в дистанционном формате. Записи лекций будут доступны на отдельном ресурсе для повторного изучения обучающимися.
Программа имеет практическую направленность и учебные курсы содержат большое количество прикладных задач, в том числе с примерами из реальной практики.
В учебных курсах представлены теоретические материалы и практические задания для формирования современных цифровых профессиональных навыков.
Программа профессиональной переподготовки соответствует Профстандарт: 06.042 “Специалист по большим данным”.
ТРЕБОВАНИЯ К ПОСТУПАЮЩИМ
Необходимы знания высшей математики на уровне 1-2 курса технического вуза, начальные навыки программирования на любом объектно-ориентированном языке.
Проводится входное собеседование в онлайн-формате. Вам будут отправлены задания и дан час на их выполнение, далее будет обсуждение ответов.
РЕЖИМ ОБУЧЕНИЯ
Программа рассчитана на 1 учебный год: с 18 сентября 2024 по 27 июня 2025. Первое занятие: 18 сентября с 17:00-20.30.
Объем 684 часа (288 аудиторные занятия (дист. ) и 396 – самостоятельная работа).
Занятия 2 раза в неделю, онлайн-вебинары, записи лекций будут доступны для повторного изучения обучающимися.
Для получения Диплома МГУ о профессиональной переподготовке с присвоением дополнительной квалификации необходимо освоить все учебные курсы и подготовить выпускную работу.
Выпускная работа представляет собой самостоятельную разработку программной системы.
ДОКУМЕНТЫ ОБ ОКОНЧАНИИ
Диплом МГУ о профессиональной переподготовке по теме “Машинное обучение и управление большими данными”.
КОНТАКТЫ
Вы можете задать нам вопросы по удобному способу связи:
iskolbin@gmail.com ,телефон 8916 27044 41
ЗАЧИСЛЕНИЕ И ОПЛАТА
Стоимость обучения 150 000 руб., оплата по семестрам – 75 000 в семестр.
Зачисление происходит по результатам собеседования (сначала подаются документы, потом будет назначена дата собеседования):
- Для зачисления на программу необходимо заполнить следующие документы (от руки или в электронном виде) и прислать на почту mlbdm@yandex.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.
- После оплаты вы приступаете к обучению.
Документы рассматриваются в течении недели (не считая праздничные дни), если за это время не будет обратной связи, то, пожалуйста, свяжитесь по указанным выше контактам.
РАБОТЫ ВЫПУСКНИКОВ
- Габучев Д.В. Рекомендательная система недвижимости
- Долотказина В.П. Рекомендательная система книг
- Ерещенко Д.В. Сервис подбора новостей
- Перчихин О.И. Выявление аномалий в экспериментальных данных методами машинного обучения
- Дюдюкин К. Реализация интеллектуальных агентов для применения в игре жанра гонки на самолётах
Детали курса
- Лекции 75
- Тесты 0
- Учебное время 684 часа
- Навык Все уровни
- Студенты 11
- Оценки Да
-
Введение в Машинное обучение. Основы Python
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области программирования на языке высокого уровня Python. Результатом обучения является приобретение знаний и умений по: разработке программного обеспечения на языке высокого уровня Python 3; среде программирования IPython и подобных; основным принципам промышленной разработки, тестирования и документирования кода.
- 1 семестр – Изучение основ синтаксиса языка Python. Стандарты программирование на языке Python.
- 1 семестр – Окружение для программирования на Python. Установка ПО на различные системы.
- 1 семестр – Процедурный подход к написанию программ.
- 1 семестр – Объектно-ориентированный подход к написанию программ. Паттерны проектирования. Особенности переопределения магических методов. Области видимости
- 1 семестр – Элементы функционального программирования в Python. Итераторы. Механизм comprehensions.
- 1 семестр – Работа с пакетами. Настройка окружения для программирования на Python.
- 1 семестр – Обзор стандартной библиотеки Python 3 и часто используемых сторонних модулей. Модульный подход к программированию.
- 1 семестр – Сериализация и хранение данных.
- 1 семестр – Особенности многопоточного программирования в языке Python. Оптимизация программ
- 1 семестр – Использование Python для сбора данных. Web-scraping. Асинхронное программирование.
- 1 семестр – Системы генерации документации кода. Doxygen. Sphinx.
- 1 семестр – Системы тестирования. Unit тестирование в Python.
- 1 семестр – Использование Python для анализа данных
- 1 семестр – Обзор инструментов для анализа данных и машинного обучения (numpy, pandex, plotly, seabum, ..)
- 1 семестр – Разведочный анализ данных (EDA)
- 1 семестр – Методы обучение с учителем
- 1 семестр – Методы обучения без учителя
- 1 семестр – Зачет
-
Базовый курс по методам анализа данных и машинного обучения
Цель курса- повышение профессионального уровня в области применения методов Анализа данных и Машинного обучения для решения практических задач. Слушатели смогут расширить свои знания и навыки по применению базовых алгоритмов линейной алгебры, методов математического анализа, оптимизационных методов, методов статистического анализа и теории вероятности для построения эффективных решений в области Анализа данных и Машинного обучения. На простых примерах слушатели получат навыки программирования на языке высокого уровня( Python). Результатом обучения является приобретение знаний и умений по применению новейших технологий в области анализа различных (включая гетерогенные) данных для Машинного обучения при построении аппроксимационных моделей в области экономики, науки и промышленности.
-
Основы реляционных БД и язык SQL
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области анализа, проектирования и реализации реляционных баз данных. Основное внимание уделяется практике написания SQL запросов к данным. Результатом обучения является приобретение знаний и умений по: основным принципам построения реляционных баз данных, анализу предметной области, выделению бизнес-процессов, сущностей и связей в предметной области; использования CASE-средств для проектирования схем реляционной базы данных (Oracle SQL Data Modeler); практической работе с Oracle Database для реализации схемы базы данных и загрузки данных; языку SQL для написания запросов к данным различного уровня сложности; анализу производительности и основам оптимизации выполнения SQL запросов; выгрузке и анализу данных в инструментах MS Excel и Tableau
- 1 семестр – Обзор жизненного цикла проекта. Сбор и анализ требований. Описание и визуализация требований к информационн ой системе
- 1 семестр – Моделировани е схемы реляционной базы данных. Диаграммы сущность-связь. Практическая работа с Oracle SQL Data Modeler.
- 1 семестр – Архитектура реляционной СУБД на примере Oracle Database. Практическая работа c Oracle Database, создание схемы базы данных.
- 1 семестр – Основы языка SQL. Операции вставки, обновления, удаления и выборки данных. Загрузка данных в реляционную схему.
- 1 семестр – Возможности SQL для работы с несколькими таблицами: операции соединения таблиц. Агрегирующие функции.
- 1 семестр – Основы оптимизации выполнения SQL запросов. Планы выполнения, индексы. Практические рекомендации.
- 1 семестр – Подключение к базам данных и визуализация данных с помощью инструментов MS Excel и Tableau.
- 1 семестр – Зачет
-
Расширения языка SQL для анализа данных
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области анализа данных с помощью возможностей языка SQL. Основное внимание уделяется практике написания сложных SQL запросов к данным, аналитическим расширениям языка SQL. Результатом обучения является приобретение знаний и умений по: анализу существующих схем баз данных, восстановлению схемы по данным, профилированию данных; написанию сложных вложенных SQL запросов с агрегационными функциями; аналитическим расширениям языка SQL, оконным функциям; хранению рекурсивных структур данных, рекурсивным SQL запросам; практике работы с Oracle Database
- 1 семестр – Реляционные базы данных: основные понятия. Восстановление схемы (реверсинжиниринг), Профилирование данных.
- 1 семестр – Основные конструкции языка SQL для выборки данных. Агрегационные функции, вложенные запросы.
- 1 семестр – Аналитические расширения SQL: Оконные аналитические функции.
- 1 семестр – Аналитические расширения SQL: Оконные аналитические функции. Работа с временными интервалами.
- 1 семестр – Хранение рекурсивных структур данных (деревьев, графов) в реляционной базе данных. Рекурсивные SQL запросы. Общие табличные выражения (CTE).
- 1 семестр – Понятия нормализации и денормализац ии в реляционной модели. Представления и материализованные представления . Трансформация данных в SQL для формирования витрин данных
- 1 семестр – Практика работы с аналитическим SQL
- 1 семестр – Зачет
-
Введение в CUDA
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области параллельного программирования. под архитектуру графических процессоров (GPU) с применением технологии CUDA, ознакомление с практикой разработки прикладных программ различного назначения (программирование в среде Nsight под операционной системой Linux с использованием разносторонних параллельных библиотек) и способами их оптимизации. Основное внимание уделяется изучению принципов разработки параллельных программ под архитектуру графических процессоров, соответствующим современным алгоритмам, методам программирования и способам повышения эффективности параллельных программ.. Результатом обучения является приобретение знаний и умений по: базовым принципам параллельного программирования под архитектуру графических процессоров; среде программирования Nsight; основным API CUDA; базовым библиотекам, которые используют графические процессоры; фундаментальным параллельным алгоритмам; оптимизации параллельных программ.
- 2 семестр – Арихитектура GPU. Поколения. Основные положения и программная модель CUDA. Среда разработки Nsight.
- 2 семестр – Встроенные типы данных и функции. Атомарные операции.
- 2 семестр – Виды памяти GPU.
- 2 семестр – Модели эффективного взаимодействия с памятью
- 2 семестр – Фильтры изображений. Размытие по Гауссу. Билинейная интерполяция. Медианный фильтр. Сглаживание SSAA. Метод Робертса. Метод Превитта. Метод Собеля.
- 2 семестр – Классификация и кластеризация. Метод максимального правдоподобия . Метод расстояния Махаланобиса. Метод минимального расстояния. Метод спектрального угла. Метод kсредних
- 2 семестр – Алгоритм reduction. Алгоритм scan. Алгоритм histogram. Алгоритм compact.
- 2 семестр – Битоническая сортировка. Сортировка подсчетом. Сортировка чет-нечет. Карманная сортировка. Поразрядная сортировка.
- 2 семестр – Параллельный метод Гаусса. Параллельный метод прогонки. Редукция.
- 2 семестр – Приемы и методы оптимизации программ
- 2 семестр – Готовые библиотеки алгоритмов
- 2 семестр – Зачет
-
Хранение и обработка больших данных на платформе Hadoop и Apache Spark
Цель программы: качественное изменение профессиональных компетенций, направленных на повышение профессионального уровня в рамках имеющейся у слушателей квалификации в области работы с большими данными и распараллеливанию обработки данных с помощью современных технологий. Результатом обучения является приобретение знаний и умений по: работе с данными в распределенных отказоустойчивых системах на примере дистрибутива Cloudera Hadoop; применимости технологий больших данных в реальных проектах; основам настройки и администрирования кластера Cloudera Hadoop; работе с распределенной файловой системой HDFS, загрузке данных из внешних файлов и баз данных; трансформации и анализу данных с помощью SQL-интерфейса Apache Hive; обзору фреймворков MapReduce, Apache Spark, Apache Kafka, Apache AirFlow и других популярных компонентов современных архитектур для работы с большими данными
- 2 семестр – Понятие «больших данных». Обзор экосистемы Apache Hadoop и дистрибутива Cloudera Hadoop
- 2 семестр – Платформа Apache Hadoop. Файловая система HDFS. Форматы хранения данных. Компрессия данных.
- 2 семестр – Планировщик Apache Hadoop YARN. Управление и настройка ресурсов кластера.
- 2 семестр – SQL-интерфейс к данным Apache Hive. Архитектура, движки выполнения, особенности работы.
- 2 семестр – Фреймворк Map Reduce: обзор паттернов обработки данных. Оптимизация соединений таблиц.
- 2 семестр – Обзор движка Apache Spark. Spark SQL. Преимущества и недостатки.
- 2 семестр – Обзор современной экосистемы работы с большими объемами данных: виды инструментов и примеры архитектур
- 2 семестр – Зачет
-
Машинное обучение на больших данных
- 2 семестр – Работа с изображениями.Общие принципы. Конвейр обработки изображений. Основные библиотеки: cv2, dlib, scikit-image
- 2 семестр – Работа с лицами. Распознавание лиц. 3D-features. Перенос стиля.
- 2 семестр – Определение местоположения объектов. SLAM.
- 2 семестр – Сегментация изображений при помощи ИНН
- 2 семестр – Современные архитектуры ИНН. Сервисные слои.
- 2 семестр – Структурная оптимизация ИНН
- 2 семестр – Нечеткие методы кластеризации. Fuzzy kNN, Gaussian Mixture Models.
- 2 семестр – RBM и DBN.
- 2 семестр – Обучение без учителя. Генеративные модели. GAN / DCGAN
- 2 семестр – Основные принципы обучения с подкреплением. MDP.
- 2 семестр – Глубокое обучение с подкреплением
- 2 семестр – Структура проектов, использующих машинное обучение. MLOps.
- 2 семестр – Зачет
