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 17
- Тесты 0
- Учебное время 10 недель
- Навык Все уровни
- Студенты 0
- Оценки Да
-
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.