«Анализ данных и машинное обучение»

2.9

48 нед. (12 мес.)

Сложность

Начинающий

Тип обучения

Курс

Формат обучения

С проверкой домашнего задания

Сертификат

Да

Стоимость курса

120 000 ₽

есть рассрочка

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 на процедурных языках.

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

1. 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.

2. На основании представленных документов будет подготовлен Договор на обучение.
3. После подписания договора направляются документы для оплаты: август-сентябрь.
4. После оплаты вы приступаете к обучению.

Вас будут обучать

Сухомлин Владимир Александрович

курсов

д.т.н., профессор

Профессор кафедры ИБ, зав. лабораторией ОИТ
Ученая степень: д-р техн. наук
Сухомлин Владимир Александрович, заслуженный профессор МГУ, профессор, доктор технических наук, заведующий лабораторией открытых информационных технологий (ОИТ).
Кандидатская диссертация защищена по профилю физико-математических наук на Ученом Совете ВМК в 1976 г.
В 1989 г. защищена докторская диссертация по специальности 05.13.11 на Совете в ИТМиВТ РАН СССР, тема диссертации связана с моделированием сложных радиотехнических систем.
В 1992 г. присвоено ученое звание профессора.
Награжден памятной медалью “800 лет Москвы”.
В 2000-2002 гг. разработал концепцию и государственные стандарты нового научно-образовательного направления «Информационные Технологии». На основе данных разработок министерством образования России в 2002 г. создано направление 511900 «Информационные Технологии» и проведен эксперимент по его реализации. В 2006 данное направление переименовано по инициативе автора в «Фундаментальную информатику и информационные технологии» (ФИИТ). В настоящее время данное направление реализуется более, чем 40 университетах страны.

Сухомлин В.А. - разработчик государственных стандартов бакалавра и магистра 2-го и 3-го поколения для направления «Фундаментальная информатика и информационные технологии».

Образовательная организация

MSU

0 отзывов

Общая информация

Программы дополнительного образования МГУ
Открытые лектории в Московском университете
«МГУ — школе»
«Университет без границ»
Подготовка к поступлению
Школы юных, кружки и образовательные курсы для школьников при факультетах МГУ
Общеуниверситетские подготовительные курсы
Подготовительные курсы факультетов МГУ (бакалавриат, специалитет, магистратура)
Мероприятия для школьников в музеях МГУ

Нормативные документы

Приказ Минобрнауки России от 1 июля 2013 г. №499 «Об утверждении Порядка организации и осуществления образовательной деятельности по дополнительным профессиональным программам»
Положение о повышении квалификации работников МГУ

Программа курса

ВВЕДЕНИЕ В ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Цель курса – дать слушателям широкий обзор задач и методов искусственного интеллекта.

Лекция 1.1
Логические методы вывода
Лекция 1.2
Поиск решений, планирование, составление расписаний
Лекция 1.3
Машинное обучение
Лекция 1.4
Человеко-машинное взаимодействие

ПРОГРАММИРОВАНИЕ НА ЯЗЫКЕ PYTHON
Целью изучения дисциплины является освоение средств и методов разработки программного обеспечения с использованием языка Python и его библиотек.

Лекция 2.1
Структура приложения
Лекция 2.2
Обзор наиболее важных модулей и пакетов стандартных библиотек Python
Лекция 2.3
Объекты и классы в Python
Лекция 2.4
Элементы функционального программирования в Python
Лекция 2.5
Генераторы. Итераторы
Лекция 2.6
Многопоточное программирование
Лекция 2.7
Сетевое программирование
Лекция 2.8
Работа с базой данных

ДИСКРЕТНАЯ МАТЕМАТИКА11
Материал курса делится на пять разделов: Математический инструментарий; Последовательности; Графы; Булевы функции; Теория кодирования.

Лекция 3.1
Тема 1.1. Язык математической логики
Лекция 3.2
Тема 1.2. Множества
Лекция 3.3
Тема 1.3. Бинарные отношения
Лекция 3.4
Тема 1.4. Метод математической индукции
Лекция 3.5
Тема 1.5. Комбинаторика
Лекция 3.6
Тема 2.1. Рекуррентные соотношения
Лекция 3.7
Тема 3.1. Виды графов
Лекция 3.8
Тема 3.2. Взвешенные графы
Лекция 3.9
Тема 4.1. Представление булевых функций
Лекция 3.10
Тема 4.2. Классы булевых функций
Лекция 3.11
Тема 5.1. Теория кодирования

ТЕОРИЯ ВЕРОЯТНОСТЕЙ И МАТЕМАТИЧЕСКАЯ СТАТИСТИКА
Лекция 4.1
Тема 1.1. Понятие вероятности
Лекция 4.2
Тема 1.2. Элементарные теоремы
Лекция 4.3
Тема 1.3. Случайные величины
Лекция 4.4
Тема 2.1. Обработка статистических данных
Лекция 4.5
Тема 2.2. Задачи математической статистики

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.

Лекция 6.1
Математические основы машинного обучения
Лекция 6.2
Основные понятия и примеры прикладных задач
Лекция 6.3
Линейный классификатор и стохастический градиент
Лекция 6.4
Нейронные сети: градиентные методы оптимизации
Лекция 6.5
Метрические методы классификации и регрессии
Лекция 6.6
Метод опорных векторов
Лекция 6.7
Многомерная линейная регрессия
Лекция 6.8
Нелинейная регрессия
Лекция 6.9
Критерии выбора моделей и методы отбора признаков
Лекция 6.10
Логические методы классификации
Лекция 6.11
Кластеризация и частичное обучение
Лекция 6.12
Прикладные модели машинного обучения
Лекция 6.13
Нейронные сети с обучением без учителя
Лекция 6.14
Векторные представления текстов и графов
Лекция 6.15
Обучение ранжированию
Лекция 6.16
Рекомендательные системы
Лекция 6.17
Адаптивные методы прогнозирования