Сложность
Сложность
Начинающий
Тип обучения
Тип обучения
Курс
Формат обучения
Формат обучения
Записанные лекции

Стоимость курса

30 000 ₽
нет рассрочки

Цель программы – ознакомить слушателей с основами машинного обучения.

По результатам программы слушатели будут обладать:

  • Знанием принципов машинного обучения
  • Способностью проводить самостоятельный подбор классификаторов под конкретную задачу.
  • Знанием механизмов линейной и логистической регрессий.
  • Знанием методов машинного обучения без учителя.   
  • Способностью разработать собственную модель машинного обучения под конкретную прикладную задачу.  

Продолжительность обучения – 72 часа (30 часов аудиторных занятий с преподавателем, 42 часа самостоятельного изучения материалов).

Форма обучения – очно-заочная, вечерняя.

Формат занятий - очный, для участников из других городов, в случае невозможности очного посещения вы сможете подключиться к занятию через видеоконференцию.

Стоимость обучения - 30 000 рублей.

Начало занятий - осень 2023 года.

Договоры на обучение заключаются с физическими и с юридическими лицами.

Запись на курсы проводится по электронной почте hsmi-dopobr@mail.ru, с помощью формы регистрации на сайте.

Вы можете обратиться для записи или с вопросами к администратору курса Мартьянову Антону по WhatsApp или Telegram: +79264827721.

Телефон деканата факультета: +74959328073

Вас будут обучать

Доктор технических наук Должность: Профессор Высшей школы управления и инноваций МГУ имени М.В.Ломоносова

Образовательная организация

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

Раздел 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса. 

Логические методы: классификация объектов на основе простых правил. Интерпретация и реализация. Объединение в композицию. Решающие деревья. Случайный лес.

Раздел 2.  Метрические методы классификации. Линейные методы, стохастический градиент. 

Метрические методы. Классификация на основе сходства. Расстояние между объектами. Метрика. Метод k ближайших соседей. Обобщение на задачи регрессии с помощью ядерного сглаживания. Линейные модели. Масштабируемость. Применимость к большим данным Метод стохастического градиента. Применимость  для настойки линейных классификаторов. Понятие регуляризации. Особенности работы с линейными методами. Метрики качества классификации.

Раздел 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации.

Линейные модели. Масштабируемость. Применимость к большим данным Метод стохастического градиента. Применимость  для настойки линейных классификаторов. Понятие регуляризации. Особенности работы с линейными методами.

Раздел 4. Линейная регрессия. Понижение размерности, метод главных компонент.

Линейные модели для регрессии. Их связь с сингулярным разложением матрицы "объекты-признаки". Уменьшении количества признаков. Подходы к отбору признаков. Метод главных компонент. Методы понижения размерности.

Раздел 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети.

Объединение моделей в композицию. Взаимное исправление ошибок моделей. Основные понятия и постановки задач, связанные с композициями. Градиентный бустинг.
Нейронные сети. Поиск нелинейных разделяющих поверхностей. Многослойные нейронные сети и их настройка с помощью метода обратного распространения ошибки. Глубокие нейронные сети: их архитектурах и особенности.

Раздел 6. Кластеризация и визуализация.

Задачи обучения без учителя. Поиск структуры в данных. Задача кластеризации как задача поиска групп схожих объектов. Задача визуализации как задача отображения объектов в двух- или трехмерное пространство.

Раздел 7.  Прикладные задачи анализа данных: постановки и методы решения. 

Частичное обучение как задача, находящаяся между обучением с учителем и кластеризацией. Задача для выборки, в которой значение целевой переменной известно лишь для части объектов. Отличие задачи частичного обучения от рассмотренных ранее постановок. Подходы к решению.
Разбор задач из прикладных областей: скорринг в банках, страховании, задачи андеррайтинга, задачи распознавания образов.

Учебный офис

Очно-заочное обучение
Адрес
119991, Москва, ул. Ленинские Горы, д.1, стр. 51, 5-й этаж, аудитория 544 (Деканат)
Университет

Рейтинг курса

2.7
рейтинг
0
0
0
0
0

Может быть интересно

обновлено 08.10.2024 09:49
«Машинное обучение»

«Машинное обучение»

Оставить отзыв
Поделиться курсом с друзьями