Машинное обучение в задачах радиолокации

Курс повышения квалификации

Курс научит Вас:

создавать алгоритмы машинного обучения на профессиональном уровне с помощью языка Python;
работать с массивами разнородной информации;
формулировать различные гипотезы и идеи и составлять планы решения задач;
оценивать качество моделей обучения;
интерпретировать результаты, делать верные выводы и составлять грамотные отчеты по исследованиям;
разрабатывать алгоритмы для задач обработки радиолокационных изображений.

от 3 дней до 2 недель

в зависимости от расписания
16 академических часов

Записаться на курс

Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности

Машинное обучение
(Machine Learning, ML)

это специализированный научный подход, с помощью которого компьютер может проанализировать данные, найти закономерности и обучиться на их основе без инструкций подобно мозгу человека.
Сегодня, специалисты по машинному обучению востребованы в различных сферах, высокооплачиваемые позиции появляются ежедневно на порталах по поиску работы

Что нужно, чтобы пройти курс

Для обучения на курсе Вам необходимы знания по:

линейной алгебре
теории вероятностей и математической статистики
математическому анализу
базовые навыки программирования на языке Python

Чему вы научитесь на курсе

созданию алгоритмов машинного обучения на профессиональном уровне с помощью языка Python

1
подготавливать, очищать и преобразовывать массивы разнородной информации для создания алгоритмов машинного обучения

2
формировать гипотезы, ставить задачи, проводить эксперименты, проводить валидацию алгоритмов ML, интерпретировать результаты работы

3
разрабатывать алгоритмы для задач обработки радиолокационных изображений

4

для тех, кто хорошо владеет математическим аппаратом и хочет коммерциализировать свои знания;
для разработчиков, которые хотят повысить свой hard skills и начать работать с большими массивами информации и алгоритмами
для аналитиков и product manager, которым необходимо принимать решения на основе анализа большого объема данных с помощью продвинутых технологий;
начинающих ML-специалистов;
студентов, получающих высшее образование в области информатики и вычислительной техники, которые хотят научиться моделировать сложные процессы и выявлять закономерности и взаимосвязи в больших массивах информации

Как проходит обучение по курсу

Лекционные занятия

В режиме online проводятся лекционные занятия с трансляцией слайдов. Видеозаписи занятий будут доступны на обучающей платформе.
Практические занятия

C помощью специальных программных средств отрабатываются и закрепляются темы, рассмотренные на лекционных занятиях. Преподаватели курса дают обратную связь по вопросам слушателей, в т. ч. посредствам email-переписки.
Домашние задания

Слушатели выполняют самостоятельно домашние задания в течение недели и отсылают его на проверку преподавателю. По результатам проверки дается обратная связь.
Итоговый проект

В конце обучения слушатели выполняют индивидуальный итоговый проект по реализации алгоритма сегментирования радиолокационных изображений на основе представленных данных в течение недели и отсылают его на проверку преподавателю. По результатам проверки дается обратная связь и проводится защита проекта.
Оценка результатов

Оценка результатов обучения слушателей осуществляется по балльной системе: за каждое домашнее задание выставляется максимальный балл 6, за итоговый проект — 12. Зачет слушателю выставляется, если он набрал более 16-ти баллов.

Программа курса

Обучение длится от 3 дней до 2 недель (в зависимости от расписания). Общий объем курса составляет 16 академических часов с учетом самостоятельной работы и итоговой аттестации.
Форма обучения очно-заочная с применением дистанционных образовательных технологий. Программа может быть реализована в сетевой форме.

1. Практическая работа с базовыми инструментами машинного обучения
Практическое занятие. Практическое применение инструментов обработки и визуализации данных — 1 ак. час

2. Методы обработки данных. Метод KNN.
Практическое занятие. Практическое применение и создание инструментов для кодирования данных. Примитивные алгоритмы машинного обучения — 1 ак. час
Тест — 1 ак. час

3. Метрики и линейные модели
Практическое занятие. Практическое применение и реализация линейной модели для задачи регрессии. Построение примитивного полного цикла создания модели машинного обучения — 1 ак. час
Тест — 1 ак. час

4. Логическая регрессия и ее приложения. Кросс валидация
Практическое занятие. Практическое применение и реализация логистической регрессии — 1 ак. час
Тест — 1 ак. час

5. Методы обработки текстовых данных для задач машинного обучения
Практическое занятие. Особенности предобработки текстовых данных. Создание прототипа решения задачи классификации текстовых данных — 1 ак. час
Тест — 1 ак. час

6. Решающие деревья и их приложения
Практическое занятие. Применение алгоритма решающего дерева. Разбор особенностей реализации и применения алгоритма на практике — 1 ак. час
Тест — 1 ак. час

7. Ансамбли решений и их приложения
Практическое занятие. Применение подходов создания ансамблей решения — 1 ак. час
Тест — 1 ак. час

8. Кластеризация в задачах радиолокации
Практическое занятие. Применение подходов машинного обучения в задачах сегментации радиолокационных данных — 1 ак. час
Тест — 1 ак. час

9. Итоговая аттестация.
Выполнение итогового теста — 1 ак. час

Автор курса

Гришин Никита Александрович

МФТИ, Физтех,
Заведующий лабораторией информационных систем
авиационных комплексов,
инженер, программист, преподаватель

Какой документ выдается

При успешном завершении обучения выдается удостоверение о повышении квалификации установленного образца.

Записаться на курс