+7 (960) 18-70-555
Все программы
0

главная

ПОИСК КУРСА ПО ФИЛЬТРАМ

ВСЕ КУРСЫ ПО НАПРАВЛЕНИЯМ

ПОСТРОЙТЕ ПУТЬ К КАРЬЕРЕ

КАЛЕНДАРЬ КУРСОВ

ПОРЯДОК ЗАЧИСЛЕНИЯ

НОРМАТИВНЫЕ ДОКУМЕНТЫ

+7 (960) 18-70-555

Машинное обучение и анализ данных (повышение квалификации)

  • Начало обучения

    Февраль 2025 года

  • Продолжительность курса

    4,5 месяца

  • Стоимость

    - стоимость обучения - 35 000 ⃏
    - для школьников, студентов, аспирантов или выпускников курсов ФПКиПП ННГУ (не в текущем учебном году) - 28 000 ⃏

  • График занятий

    Обучение проходит по субботам и 1-2 раза в будние дни, с 18:00 до 21:00.

  • Документ об окончании

    Слушателям с высшим или средним специальным образованием выдается Удостоверение о повышении квалификации. Остальным — Сертификат.

  • Место проведения

    пр. Гагарина 23, 2 корпус, 4 этаж, 408 ауд.

  • Контакты

    Telegram / WhatsApp / +7 (960) 18-70-555
    462-34-31 - деканат, email: info@fpk.unn.ru

Прием заявок открыт
0 дней : 0 часов : 0 минут : 0 секунд
Оставить заявку

О курсе

Курс машинное обучение и анализ данных подходит для студентов, специалистов с высшим или средним проф. образованием и всех желающих, кто знает Python.

Требование к поступающим: необходимы знания в рамках курса "Программирование на Python" (в том числе знания Математики - линейная алгебра, теория вероятностей, математический анализ)

Что мы изучаем на курсе

● Обзор курса
● Определение Data Science
● Средства для анализа данных и ML (настройка окружения)
● Данные в машинном обучении (признаковое пространство)
● Избранные вопросы статистики и теории вероятностей (плотность распределения, основные статистики, гистограмма)
● Введение в pandas
● Средства визуализации (seaborn, matplotlib)

● Классификация методов машинного обучения
● Постановка задачи машинного обучения с учителем
● Сведение к задаче оптимизации (МНК)
● Линейные методы регрессии и классификации
● Примеры задач машинного обучения
● Валидация с помощью отложенной выборки

● Избранные вопросы мат. анализа и лин. алгебры
● Введение в numpy
● Градиентный спуск (на примере лин. регрессии)

● Логистическая регрессия
● Метрики качества регрессии и классификации
● Метод максимума правдоподобия

● Переобучение
● Кросс-валидация
● Регуляризация
● Подбор параметров

● Подготовка и отбор признаков
● Обработка пропусков
● Понижение размерности (PCA)

● Метод опорных векторов
● Подходы и метрики для многоклассовой классификации

● Решающие деревья
● Критерий Джини\Энтропийный критерий
● Смещение и разброс

● Бутстрап
● Бэггинг
● Метод случайных подпространств
● Случайный лес
● Мета-обучение

● Алгоритм градиентного бустинга
● Обзор CatBoost и XGBoost

● Постановка задачи кластеризации
● Метрики кластеризации
● Метрики близости
● K-means
● Иерархическая кластеризация
● DBSCAN

● Напоминание производной сложной функции
● Обобщение логистической регрессии
● Back propagation
● Обзор методов оптимизации
● Введение в PyTorch

Преподаватели

Вильданов Вадим Кадирович

Data Scientist / Python разработчик, кандидат физико-математических наук.Бизнес-Информатика

Камскова Инна Дмитриевна

Доцент кафедры математического моделирования экономических процессов ННГУ им. Н.И. Лобачевского, кандидат экономических наук.

ОСТАВЬТЕ
ЗАЯВКУ
НА КУРС

Или позвоните
по телефону

+7 (960) 18-70-555
  • Диплом о высшем или среднем проф. образовании при наличии (без вкладыша с оценками)
  • Личный листок (скачайте) и заполните
  • Cогласие на обработку персональных данных (скачайте) и заполните
  • Свидетельство о браке (в случае смены фамилии)
› Машинное обучение и анализ данных (повышение квалификации)