Машинное обучение Big Data Искусственный интеллект Математическое моделирование для анализа данных [Московский Физико-Технический Институт]
Краткое описание программы:
При обучении по данной программе слушателям курса предстоит освоить три модуля: 1. Применение методов анализа данных в машинном обучении. 2. Основные элементы прикладной математической статистики 3. Применение методов машинного обучения при анализе временных рядов Данный курс содержит множество примеров и кейсов, направленных на практическое применение рассматриваемых алгоритмов.
Задачи программы: Целью курса является ознакомление слушателей с современными методами математического моделирования для анализа данных, а также со спецификой работы с большими объемами данных.
Форма обучения: Очная/заочная, с применением электронных технологий
Режим обучения: дистанционно – 12-15 часов в неделю
Краткое описание программы:
При обучении по данной программе слушателям курса предстоит освоить три модуля: 1. Применение методов анализа данных в машинном обучении. 2. Основные элементы прикладной математической статистики 3. Применение методов машинного обучения при анализе временных рядов Данный курс содержит множество примеров и кейсов, направленных на практическое применение рассматриваемых алгоритмов.
Задачи программы: Целью курса является ознакомление слушателей с современными методами математического моделирования для анализа данных, а также со спецификой работы с большими объемами данных.
Форма обучения: Очная/заочная, с применением электронных технологий
Режим обучения: дистанционно – 12-15 часов в неделю
Содержание программы:
В результате освоения первого модуля слушатели приобретают навыки работы с популярными моделями для анализа данных, такими как решающие деревья, линейные модели, ансамбли алгоритмов. Кроме того, изучают прикладные инструменты для их реализации, в частности, язык программирования Python, его библиотеки для анализа данных, среди которых NumPy, SciPy, Pandas, Matplotlib, Scikit-learn, среду Jupyter Notebook. Во втором модуле слушатели изучают средства современной математической статистики для работы с данными, такие как множественная проверка гипотез, критерии согласия, методы построения оценок. Третий модуль посвящен изучению алгоритмов, специфичных для прогнозирования временных рядов, с использованием моделей из предыдущих модулей.
В результате освоения первого модуля слушатели приобретают навыки работы с популярными моделями для анализа данных, такими как решающие деревья, линейные модели, ансамбли алгоритмов. Кроме того, изучают прикладные инструменты для их реализации, в частности, язык программирования Python, его библиотеки для анализа данных, среди которых NumPy, SciPy, Pandas, Matplotlib, Scikit-learn, среду Jupyter Notebook. Во втором модуле слушатели изучают средства современной математической статистики для работы с данными, такие как множественная проверка гипотез, критерии согласия, методы построения оценок. Третий модуль посвящен изучению алгоритмов, специфичных для прогнозирования временных рядов, с использованием моделей из предыдущих модулей.
https://mipt.ru/cdpo/programs/software/supervised_learning.php?ELEMENT_ID=1855779&clear_cache=Y