"मशीन लर्निंग" - पाठ्यक्रम 30,000 रूबल। एमएसयू से, 3 सप्ताह का प्रशिक्षण। (1 माह), दिनांक: 30 नवंबर, 2023।
अनेक वस्तुओं का संग्रह / / December 02, 2023
कार्यक्रम का उद्देश्य - छात्रों को मशीन लर्निंग की बुनियादी बातों से परिचित कराएं।
प्रशिक्षण की अवधि - 72 घंटे (शिक्षक के साथ कक्षा पाठ के 30 घंटे, सामग्री का स्वतंत्र अध्ययन के 42 घंटे)।
अध्ययन का स्वरूप - पूर्णकालिक, अंशकालिक, शाम।
कक्षा प्रारूप - पूर्णकालिक, अन्य शहरों के प्रतिभागियों के लिए, यदि व्यक्तिगत रूप से भाग लेना असंभव है, तो आप वीडियो कॉन्फ्रेंस के माध्यम से पाठ से जुड़ सकेंगे।
शिक्षा की लागत - 30,000 रूबल।
कक्षाओं का प्रारम्भ - शरद ऋतु 2023.
प्रशिक्षण समझौते व्यक्तियों और कानूनी संस्थाओं के साथ संपन्न होते हैं।
पाठ्यक्रमों के लिए पंजीकरण वेबसाइट पर पंजीकरण फॉर्म का उपयोग करके ईमेल [email protected] द्वारा किया जाता है।
आप पंजीकरण के लिए या प्रश्नों के लिए व्हाट्सएप या टेलीग्राम के माध्यम से पाठ्यक्रम प्रशासक, एंटोन मार्त्यानोव से संपर्क कर सकते हैं: +79264827721।
डॉक्टर ऑफ टेक्निकल साइंसेज पद: एम.वी. लोमोनोसोव मॉस्को स्टेट यूनिवर्सिटी के हायर स्कूल ऑफ मैनेजमेंट एंड इनोवेशन के प्रोफेसर
खंड 1। परिचय। कार्यों के उदाहरण. तार्किक तरीके: निर्णय वृक्ष और निर्णय वन।
तार्किक विधियाँ: सरल नियमों के आधार पर वस्तुओं का वर्गीकरण। व्याख्या एवं कार्यान्वयन. एक रचना में संयोजन. निर्णायक पेड़. बेतरतीब जंगल.
धारा 2। मीट्रिक वर्गीकरण विधियाँ। रैखिक तरीके, स्टोकेस्टिक ग्रेडिएंट।
मीट्रिक विधियाँ. समानता के आधार पर वर्गीकरण. वस्तुओं के बीच की दूरी. मेट्रिक्स. K-निकटतम पड़ोसी विधि. कर्नेल स्मूथिंग का उपयोग करके प्रतिगमन समस्याओं का सामान्यीकरण। रैखिक मॉडल. स्केलेबिलिटी। बड़े डेटा स्टोचैस्टिक ग्रेडिएंट विधि के लिए प्रयोज्यता। रैखिक क्लासिफायर ट्यूनिंग के लिए प्रयोज्यता। नियमितीकरण की अवधारणा. रैखिक तरीकों से काम करने की विशेषताएं। वर्गीकरण गुणवत्ता मेट्रिक्स.
धारा 3। समर्थन वेक्टर मशीन (एसवीएम)। संभार तन्त्र परावर्तन। वर्गीकरण गुणवत्ता मेट्रिक्स.
रैखिक मॉडल. स्केलेबिलिटी। बड़े डेटा स्टोचैस्टिक ग्रेडिएंट विधि के लिए प्रयोज्यता। रैखिक क्लासिफायर ट्यूनिंग के लिए प्रयोज्यता। नियमितीकरण की अवधारणा. रैखिक तरीकों से काम करने की विशेषताएं।
धारा 4. रेखीय प्रतिगमन। आयामीता में कमी, प्रमुख घटक विधि।
प्रतिगमन के लिए रैखिक मॉडल. "ऑब्जेक्ट्स-फीचर्स" मैट्रिक्स के एकल अपघटन के साथ उनका संबंध। चिन्हों की संख्या कम करना। सुविधा चयन के लिए दृष्टिकोण. प्रमुख घटक विधि. आयामीता में कमी के तरीके।
धारा 5. एल्गोरिदम की संरचनाएं, ग्रेडिएंट बूस्टिंग। तंत्रिका - तंत्र।
मॉडलों को एक रचना में संयोजित करना। मॉडल त्रुटियों का पारस्परिक सुधार। रचनाओं से संबंधित बुनियादी अवधारणाएँ और समस्या कथन। ग्रेडिएंट बूस्टिंग.
तंत्रिका - तंत्र। अरैखिक विभाजक सतहों की खोज करें। बहुपरत तंत्रिका नेटवर्क और बैकप्रॉपैगेशन विधि का उपयोग करके उनकी ट्यूनिंग। गहरे तंत्रिका नेटवर्क: उनकी वास्तुकला और विशेषताएं।
धारा 6. क्लस्टरिंग और विज़ुअलाइज़ेशन.
बिना पर्यवेक्षण के सीखने की समस्याएँ. डेटा में संरचना ढूँढना। क्लस्टरिंग समस्या समान वस्तुओं के समूहों को खोजने का कार्य है। विज़ुअलाइज़ेशन कार्य वस्तुओं को दो या तीन आयामी स्थान में मैप करने का कार्य है।
धारा 7. अनुप्रयुक्त डेटा विश्लेषण समस्याएं: सूत्रीकरण और समाधान विधियां।
पर्यवेक्षित शिक्षण और क्लस्टरिंग के बीच एक समस्या के रूप में आंशिक शिक्षण। एक नमूनाकरण समस्या जिसमें लक्ष्य चर का मान केवल कुछ वस्तुओं के लिए जाना जाता है। आंशिक सीखने की समस्या और पहले चर्चा किए गए फॉर्मूलेशन के बीच अंतर। समाधान के लिए दृष्टिकोण.
लागू क्षेत्रों से समस्याओं का विश्लेषण: बैंकों में स्कोरिंग, बीमा, अंडरराइटिंग समस्याएं, पैटर्न पहचान समस्याएं।
पता
119991, मॉस्को, सेंट। लेनिन्स्की गोरी, 1, भवन। 51, 5वीं मंजिल, कमरा 544 (डीन का कार्यालय)
विश्वविद्यालय