Машинное обучение в Python:
Вводный модуль

Инструмент машинного обучения для решения задач распознавания образов, кластеризации данных, компьютерного зрения.

16 000 руб.

16 часов 

Скоро старт!

Сертификат НИЯУ МИФИ об успешном завершении курса

Интенсивная подготовка

Навыки практического использования технологий

Общение с ведущими специалистами

Курс разработан и преподается специалистами НИЯУ МИФИ

Скидки для студентов и аспирантов

Расписание курса

18 июня, пн
19:00 — 22:00
Математическая модель искусственного нейрона и многослойной нейронной сети.
20 июня, ср
19:00 — 22:00
Метод обратного распространение ошибки. Обучение нейронных сетей (Часть 1).
22 июня, пт
19:00 — 22:00
Обучение нейронных сетей (Часть 2). Обобщение данных в нейронных сетях (Часть 1).
25 июня, пн
19:00 — 22:00
Обобщение данных в нейронных сетях (Часть 2). Обзор полученных знаний.
Официальный сертификат НИЯУ МИФИ об успешном завершении курса выдается в течение двух недель после выпуска

Программа курса

Тема 1
Основы языка программирования Python. Введение; типы и переменные; функции, модули и пакеты; коллекции для хранения наборов данных; декораторы; функции ввода/вывода, рабоа с файлами, обработка исключений; объекто-ориентированное программирование.

Тема 2
Использование фундаментальной библиотеки научных вычислений NumPy. 

Массив NumPy: сравнение языков научного программирования; библиотеки Python для научных вычислений, библиотека NumPy, массив NumPy (ndarray), представления массивов, создание массивов и представлений, копирование массивов, структурированные массивы, типы элементов массивов, форма массива, стратегии хранения массивов в памяти данных: row-major order и column-major order, изменение формы и страйдов, индексирование и срезы (slices) массива, fancy indexing, функция where.

Операции над массивами, конактенация, разбиение и дублирование массивов, арифметические операции с массивами, broadcasting, универсальные функции (ufunc), векторно-матричные операции, математические и статистические методы массивов, методы линейной алгебры, модуль linalg, матрицы NumPy, классы matix и ndarray, генерация случайных массивов, модуль random, загрузка и сохранение массивов в файл.

Тема 3
Использование библиотеки Matplotlib.Способы визуализации данных, типы и элементы графиков и диаграмм, правила построения графиков, цветовые палитры, форматирование, комбинирование, сохранение графиков.

Вопросы и ответы

КАКИЕ НАВЫКИ ПОЛУЧИТ СЛУШАТЕЛЬ ПОСЛЕ КУРСА?

Навыки построения нейросетевых моделей для решения прикладных задач обработки данных, в частности, задач регрессии и классификации

КАКИЕ ИНСТРУМЕНТЫ РАЗРАБОТКИ ОСВОИТ СЛУШАТЕЛЬ?

Библиотеки языка Python для построения нейросетевых моделей.

ЧЕМ ВАШИ КУРСЫ ОТЛИЧАЮТСЯ ОТ ДРУГИХ КУРСОВ НА РЫНКЕ?

Основное отличие выпускников курсов НИЯУ МИФИ — это умение понимать происходящие процессы на фундаментальной основе и применять (а часто и создавать совершенно новые) имеющиеся у него в распоряжении инструменты для решения необходимых задач. Цель курса — объяснить как работают нейронные сети, как их правильно применять и что делать, если что-то пошло не так.

КАК ПОСТРОЕНЫ ЗАНЯТИЯ? НЕ МОЖЕТ ЖЕ БЫТЬ 3 ЧАСА ТОЛЬКО ЛЕКЦИЙ.

Часть времени будет посвящена практическим занятиям на Python, т.е. преподаватель покажет, как создавать, обучать нейросети, расскажет, документацию каких библиотек Python стоит изучить. Соотношение теории и практики — 70/30

СУМЕЕТ ЛИ СЛУШАТЕЛЬ ПОСЛЕ КУРСА РАЗРАБАТЫВАТЬ ПРОСТЫЕ НЕЙРОННЫЕ СЕТИ?

Разработка нейронной сети — это вызов трех функций: создание сети, обучение сети и применение сети к имеющимся данным. Поэтому разрабатывать сети может любой, кто имеет начальные знания, а современные средства позволяют создавать и обучать их в пару кликов.

Преподаватели курсов

Институт интеллектуальных кибернетических систем

Трофимов Александр Геннадьевич
Кандидат технических наук, доцент кафедры кибернетики
Мишулина Ольга Александровна
Кандидат технических наук, доцент кафедры кибернетики
Запечников Сергей Владимирович
Доктор технических наук, доцент кафедры криптографии и кибербезовасности