0
Bekeken
"Machine learning" - cursus 30.000 roebel. van MSU, training 3 weken. (1 maand), Datum: 2 december 2023.
Gemengde Berichten / / December 06, 2023
Doel van het programma – leerlingen kennis laten maken met de basisbeginselen van machinaal leren.
Duur van de opleiding – 72 uur (30 uur klassikale lessen met een leraar, 42 uur zelfstudie van materialen).
Vorm van studie – fulltime, parttime, avond.
Klasse-indeling - voltijds, voor deelnemers uit andere steden: als het onmogelijk is om persoonlijk aanwezig te zijn, kunt u via een videoconferentie verbinding maken met de les.
Kosten van onderwijs - 30.000 roebel.
Begin van de lessen - najaar 2023.
Met natuurlijke personen en rechtspersonen worden opleidingsovereenkomsten gesloten.
Registratie voor cursussen gebeurt per e-mail [email protected], met behulp van het registratieformulier op de website.
Voor aanmelding of vragen kunt u contact opnemen met de cursusbeheerder, Anton Martyanov, via WhatsApp of Telegram: +79264827721.
Doctor in de Technische Wetenschappen Functie: Professor aan de Hogere School voor Management en Innovatie van M.V. Lomonosov Moskouse Staatsuniversiteit
Sectie 1. Invoering. Voorbeelden van taken. Logische methoden: beslisbomen en beslisbossen.
Logische methoden: classificatie van objecten op basis van eenvoudige regels. Interpretatie en implementatie. Combinatie tot een compositie. Beslissende bomen. Willekeurig bos.
Sectie 2. Metrische classificatiemethoden. Lineaire methoden, stochastische gradiënt.
Metrische methoden. Classificatie op basis van gelijkenis. Afstand tussen objecten. Statistieken. De k-dichtstbijzijnde buren-methode. Generalisatie naar regressieproblemen met behulp van kernel-afvlakking. Lineaire modellen. Schaalbaarheid. Toepasbaarheid op big data Stochastische gradiëntmethode. Toepasbaarheid voor het afstemmen van lineaire classificatoren. Het concept van regularisatie. Kenmerken van het werken met lineaire methoden. Kwaliteitsstatistieken voor classificatie.
Sectie 3. Ondersteuning van vectormachine (SVM). Logistieke regressie. Kwaliteitsstatistieken voor classificatie.
Lineaire modellen. Schaalbaarheid. Toepasbaarheid op big data Stochastische gradiëntmethode. Toepasbaarheid voor het afstemmen van lineaire classificatoren. Het concept van regularisatie. Kenmerken van het werken met lineaire methoden.
Sectie 4. Lineaire regressie. Dimensionaliteitsreductie, hoofdcomponentenmethode.
Lineaire modellen voor regressie. Hun verband met de enkelvoudige ontbinding van de ‘objecten-kenmerken’-matrix. Het aantal borden verminderen. Benaderingen van functieselectie. Hoofdcomponentenmethode. Methoden voor het verminderen van dimensionaliteit.
Sectie 5. Composities van algoritmen, gradiëntversterking. Neurale netwerken.
Modellen combineren tot een compositie. Wederzijdse correctie van modelfouten. Basisconcepten en probleemstellingen met betrekking tot composities. Verloopversterking.
Neurale netwerken. Zoeken naar niet-lineaire scheidingsvlakken. Meerlaagse neurale netwerken en hun afstemming met behulp van de backpropagation-methode. Diepe neurale netwerken: hun architecturen en functies.
Sectie 6. Clustering en visualisatie.
Problemen met leren zonder toezicht. Structuur vinden in data. Het clusterprobleem is de taak om groepen vergelijkbare objecten te vinden. De visualisatietaak is de taak om objecten in een twee- of driedimensionale ruimte in kaart te brengen.
Sectie 7. Toegepaste data-analyseproblemen: formuleringen en oplossingsmethoden.
Gedeeltelijk leren als een probleem tussen begeleid leren en clusteren. Een steekproefprobleem waarbij de waarde van de doelvariabele alleen voor sommige objecten bekend is. Het verschil tussen het gedeeltelijke leerprobleem en de eerder besproken formuleringen. Benaderingen van oplossing.
Analyse van problemen uit toegepaste gebieden: scoren bij banken, verzekeringen, acceptatieproblemen, patroonherkenningsproblemen.
Adres
119991, Moskou, St. Leninskie Gory, 1, gebouw. 51, 5e verdieping, kamer 544 (decanaat)
Universiteit
Inschrijven
YOU MIGHT ALSO LIKE