-
Введение в Машинное обучение. Основы Python 18
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.Лекция1.104 hour
-
1 семестр – Окружение для программирования на Python. Установка ПО на различные системы.Лекция1.204 hour
-
1 семестр – Процедурный подход к написанию программ.Лекция1.304 hour
-
1 семестр – Объектно-ориентированный подход к написанию программ. Паттерны проектирования. Особенности переопределения магических методов. Области видимостиЛекция1.408 hour
-
1 семестр – Элементы функционального программирования в Python. Итераторы. Механизм comprehensions.Лекция1.504 hour
-
1 семестр – Работа с пакетами. Настройка окружения для программирования на Python.Лекция1.604 hour
-
1 семестр – Обзор стандартной библиотеки Python 3 и часто используемых сторонних модулей. Модульный подход к программированию.Лекция1.704 hour
-
1 семестр – Сериализация и хранение данных.Лекция1.804 hour
-
1 семестр – Особенности многопоточного программирования в языке Python. Оптимизация программЛекция1.904 hour
-
1 семестр – Использование Python для сбора данных. Web-scraping. Асинхронное программирование.Лекция1.1004 hour
-
1 семестр – Системы генерации документации кода. Doxygen. Sphinx.Лекция1.1104 hour
-
1 семестр – Системы тестирования. Unit тестирование в Python.Лекция1.1204 hour
-
1 семестр – Использование Python для анализа данныхЛекция1.1304 hour
-
1 семестр – Обзор инструментов для анализа данных и машинного обучения (numpy, pandex, plotly, seabum, ..)Лекция1.1404 hour
-
1 семестр – Разведочный анализ данных (EDA)Лекция1.1504 hour
-
1 семестр – Методы обучение с учителемЛекция1.1604 hour
-
1 семестр – Методы обучения без учителяЛекция1.1704 hour
-
1 семестр – ЗачетЛекция1.1801 hour
-
-
Базовый курс по методам анализа данных и машинного обучения 8
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.
-
1 семестр – ИнтерполяцияЛекция2.108 hour
-
1 семестр – Многомерная интерполяция.Лекция2.208 hour
-
1 семестр – Аппроксимация.Лекция2.308 hour
-
1 семестр – Проблемы аппроксимации.Лекция2.408 hour
-
1 семестр – Теория вероятности.Лекция2.508 hour
-
1 семестр – Классификация текстов.Лекция2.608 hour
-
1 семестр – Классификация и кластеризация изображений.Лекция2.704 hour
-
1 семестр – ЗачетЛекция2.804 hour
-
-
Основы реляционных БД и язык SQL 8
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 системеЛекция3.108 hour
-
1 семестр – Моделировани е схемы реляционной базы данных. Диаграммы сущность-связь. Практическая работа с Oracle SQL Data Modeler.Лекция3.208 hour
-
1 семестр – Архитектура реляционной СУБД на примере Oracle Database. Практическая работа c Oracle Database, создание схемы базы данных.Лекция3.308 hour
-
1 семестр – Основы языка SQL. Операции вставки, обновления, удаления и выборки данных. Загрузка данных в реляционную схему.Лекция3.408 hour
-
1 семестр – Возможности SQL для работы с несколькими таблицами: операции соединения таблиц. Агрегирующие функции.Лекция3.512 hour
-
1 семестр – Основы оптимизации выполнения SQL запросов. Планы выполнения, индексы. Практические рекомендации.Лекция3.612 hour
-
1 семестр – Подключение к базам данных и визуализация данных с помощью инструментов MS Excel и Tableau.Лекция3.712 hour
-
1 семестр – ЗачетЛекция3.804 hour
-
-
Расширения языка SQL для анализа данных 8
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.Лекция4.108 hour
-
1 семестр – Основные конструкции языка SQL для выборки данных. Агрегационные функции, вложенные запросы.Лекция4.208 hour
-
1 семестр – Аналитические расширения SQL: Оконные аналитические функции.Лекция4.308 hour
-
1 семестр – Аналитические расширения SQL: Оконные аналитические функции. Работа с временными интервалами.Лекция4.408 hour
-
1 семестр – Хранение рекурсивных структур данных (деревьев, графов) в реляционной базе данных. Рекурсивные SQL запросы. Общие табличные выражения (CTE).Лекция4.512 hour
-
1 семестр – Понятия нормализации и денормализац ии в реляционной модели. Представления и материализованные представления . Трансформация данных в SQL для формирования витрин данныхЛекция4.612 hour
-
1 семестр – Практика работы с аналитическим SQLЛекция4.712 hour
-
1 семестр – ЗачетЛекция4.804 hour
-
-
Введение в CUDA 12
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.Лекция5.1
-
2 семестр – Встроенные типы данных и функции. Атомарные операции.Лекция5.2
-
2 семестр – Виды памяти GPU.Лекция5.3
-
2 семестр – Модели эффективного взаимодействия с памятьюЛекция5.4
-
2 семестр – Фильтры изображений. Размытие по Гауссу. Билинейная интерполяция. Медианный фильтр. Сглаживание SSAA. Метод Робертса. Метод Превитта. Метод Собеля.Лекция5.5
-
2 семестр – Классификация и кластеризация. Метод максимального правдоподобия . Метод расстояния Махаланобиса. Метод минимального расстояния. Метод спектрального угла. Метод kсреднихЛекция5.6
-
2 семестр – Алгоритм reduction. Алгоритм scan. Алгоритм histogram. Алгоритм compact.Лекция5.7
-
2 семестр – Битоническая сортировка. Сортировка подсчетом. Сортировка чет-нечет. Карманная сортировка. Поразрядная сортировка.Лекция5.8
-
2 семестр – Параллельный метод Гаусса. Параллельный метод прогонки. Редукция.Лекция5.9
-
2 семестр – Приемы и методы оптимизации программЛекция5.10
-
2 семестр – Готовые библиотеки алгоритмовЛекция5.11
-
2 семестр – ЗачетЛекция5.12
-
-
Хранение и обработка больших данных на платформе Hadoop и Apache Spark 8
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 HadoopЛекция7.1
-
2 семестр – Платформа Apache Hadoop. Файловая система HDFS. Форматы хранения данных. Компрессия данных.Лекция7.2
-
2 семестр – Планировщик Apache Hadoop YARN. Управление и настройка ресурсов кластера.Лекция7.3
-
2 семестр – SQL-интерфейс к данным Apache Hive. Архитектура, движки выполнения, особенности работы.Лекция7.4
-
2 семестр – Фреймворк Map Reduce: обзор паттернов обработки данных. Оптимизация соединений таблиц.Лекция7.5
-
2 семестр – Обзор движка Apache Spark. Spark SQL. Преимущества и недостатки.Лекция7.6
-
2 семестр – Обзор современной экосистемы работы с большими объемами данных: виды инструментов и примеры архитектурЛекция7.7
-
2 семестр – ЗачетЛекция7.8
-
-
Машинное обучение на больших данных 13
-
2 семестр – Работа с изображениями.Общие принципы. Конвейр обработки изображений. Основные библиотеки: cv2, dlib, scikit-imageЛекция8.102 hour
-
2 семестр – Работа с лицами. Распознавание лиц. 3D-features. Перенос стиля.Лекция8.202 hour
-
2 семестр – Определение местоположения объектов. SLAM.Лекция8.302 hour
-
2 семестр – Сегментация изображений при помощи ИННЛекция8.402 hour
-
2 семестр – Современные архитектуры ИНН. Сервисные слои.Лекция8.502 hour
-
2 семестр – Структурная оптимизация ИННЛекция8.602 hour
-
2 семестр – Нечеткие методы кластеризации. Fuzzy kNN, Gaussian Mixture Models.Лекция8.702 hour
-
2 семестр – RBM и DBN.Лекция8.802 hour
-
2 семестр – Обучение без учителя. Генеративные модели. GAN / DCGANЛекция8.902 hour
-
2 семестр – Основные принципы обучения с подкреплением. MDP.Лекция8.1002 hour
-
2 семестр – Глубокое обучение с подкреплениемЛекция8.1102 hour
-
2 семестр – Структура проектов, использующих машинное обучение. MLOps.Лекция8.1202 hour
-
2 семестр – ЗачетЛекция8.1304 hour
-
1 семестр – Проблемы аппроксимации.
Проблема обусловленности. Робастная сглаживающая аппроксимация.