spinner-it

Big Data

Старт обучения
Дату уточните у администрации
36 час. по 2-3 раза в неделю

Описание курса

В результате прохождения курса студенты овладеют современными методами и алгоритмами теории интеллектуального анализа больших данных и машинного обучения. Цель курса — формирование реальных навыков в анализе, обработке, поиске шаблонов и построении прогнозов на основе данных.

После курса вы сможете:

  • Анализировать и обрабатывать большие и сверхбольшие данные в различных форматах с целью поддержки принятия решений
  • Находить шаблоны в больших и сверхбольших базах данных и массивах текста
  • Строить прогнозы с использованием современных методов и алгоритмов интеллектуального анализа данных
  • Использовать программное обеспечение для интеллектуального анализа данных в практической работе.

Программа курса:

1. Общие сведения о интеллектуальный анализ данных (ИАД) и машинное обучение

  • Общие сведения о крупных данных и интеллектуальный анализ данных.
  • Задачи ИАД. Обзор методов ИАД и машинного обучения
  • Процесс ИАД. Подготовка данных.
  • Практическое применение ИАД.

2. Методы и алгоритмы классификации

  • Методы построения деревьев решений. Методика «разделяй и властвуй».
  • Алгоритм покрытия. Алгоритм CART.
  • Байесовские методы классификации.
  • Построение математических функций классификации. Метод опорных векторов: линейный и нелинейный случаи.
  • Системы с нечеткой логикой. Нечетко-нейронные системы. Настройка нечетко-нейронных систем.
  • Решение практических задач классификации.

3. Методы и алгоритмы кластеризации

  • Иерархическая кластеризация: агломеративный и дивизимный алгоритмы. Методы соседства. Понятие дендрограммы.
  • Статистические методы k-средних, ЭМ и их модификации.
  • Методы кластеризации на основе теории графов. Алгоритмы нахождения минимального покрывающего дерева. Алгоритм Борувки.
  • Алгоритм Форел и его модификации.
  • Метод самоорганизующихся карт Кохонена. Метод стохастического градиента. Интерпретация карт.
  • Анализ результатов кластеризации. Решение практических задач.

4. Методы и алгоритмы построения ассоциативных правил. Секвенциальный анализ

  • Общие сведения. Показатели полезности ассоциативных правил.
  • Алгоритмы Apriori и FP-роста. Понятие FP-дерева (префиксного дерева).
  • Шаблоны последовательностей. Алгоритм AprioriAll.
  • Поиск ассоциативных правил в иерархиях данных. Алгоритм GSP.
  • Решение практических задач поиска ассоциативных правил и шаблонов последовательностей.

5. Ансамбли моделей ИАД

  • Виды ансамблей. Понятие бэггинга. Смесь моделей ИАД.
  • Комбинирование результатов прогнозов, полученных моделями ИАД.
  • Методы расчета коэффициентов относительной важности (весов) моделей в ансамбле.
  • Понятие бустинга. Алгоритм AdaBoost. Обоснование бустинга. Градиентный бустинг.
  • Сравнение моделей ИАД. Оценки эффективности и ошибок моделей. Lift- и Profit-кривые. ROC-анализ.

6. Методы и алгоритмы анализа текстовой информации (text mining)

  • Этапы text mining. Предварительная обработка документов. Выявление ключевых понятий. Аннотирование текстов.
  • Методы категоризации (рубрикации) текстов.
  • Методы поиска релевантных документов на основе множества запросов. Методы обучения ранжированию.
  • Решение практических задач text mining.

Минимальные требования:

  • Очень желательно (но не обязательно) владение знаниями теории вероятностей: дискретная и непрерывная случайная величина, математическое ожидание, дисперсия, условное математическое ожидание;
  • Владение на начальном уровне языком программирования Python.

* Примечание: указанные скидки не суммируются с другими действующими акциями и специальными предложениями. Скидка применяется только к новым заявкам и при условии полной оплаты. Если у Вас возникли вопросы, обращайтесь за консультацией к нашим менеджерам!