privezentsev.ru

Дисциплина “Методы анализа больших данных”.
Дисциплина “Цифровые технологии визуализации данных”.

Вариант 108 – 108ч. Кибернетики. Зачет. Общая трудоемкость зачетные единицы: 3 часа.
    • 18ч. лекций = 9 занятий x 2 часа.
    • 54ч. практик = 18 занятий x 3 часа.
    • 36ч. самостоятельная работа = 18 д/з после практических занятий x 2 часа.
Вариант 36 – 36ч. Биохимики. Зачет. Общая трудоемкость зачетные единицы: 1 час.
    • 36ч. практик = 12 занятий x 3 часа.

Рабочая программа Вариант 108.

Лекции
    1. Информационные проблемы, цели и определения терминов “Большие данные”, “Наука о данных” и “Машинное обучение”.
    2. Математические основы работы с большими данными (линейная алгебра, статистика, теория вероятности).
    3. Информационные процессы сбора, хранения и анализа больших данных.
    4. Программные инструменты для работы с большими данными.
    5. Обзор и систематизация методов анализа больших данных.
    6. Методы обучения на основе наблюдений.
    7. Статистические методы обучения.
    8. Методы глубокого обучения.
    9. Методы обучения с подкреплением.

Практика.
    1. Основы программирования на языке Python.
    2. Визуализация массивов данных на языке Python.
    3. Математическое представление данных на языке Python.
    4. Статистический анализ данных на языке Python.
    5. Вероятностный анализ данных на языке Python.
    6. Сбор и подготовка данных для анализа на языке Python.
    7. Программные инструменты хранения массивов данных.
    8. Программные инструменты анализа массивов данных.
    9. Линейная регрессия.
    10. Наивный байесовский классификатор.
    11. Логистическая регрессия.
    12. Метод k-ближайших соседей.
    13. Метод деревьев решений.
    14. Методы кластеризации данных.
    15. Сверточные нейронные сети.
    16. Рекуррентные нейронные сети.
    17. Методы обработки естественного языка.
    18. Применение нейронных сетей для задач классификации в медицине.





Рабочая программа Вариант 36.

Практика.
    1. Основы программирования на языке Python.
    2. Визуализация массивов данных на языке Python.
    3. Статистический анализ данных на языке Python.
    4. Вероятностный анализ данных на языке Python.
    5. Сбор и подготовка данных для анализа на языке Python.
    6. Линейная регрессия.
    7. Наивный байесовский классификатор.
    8. Логистическая регрессия.
    9. Метод k-ближайших соседей.
    10. Метод деревьев решений.
    11. Методы кластеризации данных.
    12. Применение нейронных сетей для задач классификации в медицине.