26 апреля 2019 814

Приглашаем на семинар «Машинное обучение для всех»

Приглашаем на семинар «Машинное обучение для всех»

Институт информационных и телекоммуникационных технологий, кафедра программной инженерии организует Цикл научно-образовательных семинаров под руководством проф. Мухамедиева Р.И. «Методы машинного обучения в обработке данных» или «Машинное обучение для всех».

Начало цикла 22 Мая 2019.

Цикл состоит из двух частей. В первой части слушатели ознакомятся с основами теории и практики машинного обучения. Во второй части курса состоится обсуждение вопросов, важных в практическом применении машинного обучения и некоторых проектов, связанных с его применением.

Цикл будет полезен для тех, кто хочет ознакомится с машинным обучением, понять, годится ли оно для решения специфических задач, возникающих в процессе научного поиска и в практических приложениях.

В семинарах могут участвовать все желающие.  Для успешного участия в семинарах крайне желательно иметь ноутбук с установленной Anaconda поскольку предусматривается разбор текстов программ и решение слушателями элементарных задач.

Мы не рассчитываем сделать из слушателей программистов, мы поможем увидеть возможности искусственного интеллекта в решении ваших задач.

Обязательная онлайн-регистрация

Программа цикла

Часть 1. Основы машинного обучения.

  1. Введение в машинное обучение. Python для задач обработки данных. Задачи предсказания. Линейная регрессия.
  2. Обучение с учителем. Полиномиальная и другие формы регрессий
  3. Задачи классификации. Логистическая регрессия.
  4. Классификатор K nearest neighbors. Основные метрики оценки классификаторов.
  5. Support Vector Machines и его применение.
  6. Искусственные нейронные сети, алгоритм обучения, реализация классификаторов на основе многослойного персептрона.

Часть 2. Вопросы прикладного применения машинного обучения.

  1. Снижение размерности, Principal Component Analysis.
  2. Бустинг. "Серебряная пуля" машинного обучения XGBoost. Boosting.
  3. Введение в глубокое обучение и применение keras.
  4. Анализ данных каротажа скважин.
  5. Оценка "черных ящиков" машинного обучения.
Наверх

Произошла ошибка!

Попробуйте заполнить поля правильно.

Ваши данные были успешно отправлены!

Мы свяжемся с Вами в ближайшее время.

Перевод не доступен


Перейти на главную страницу