О курсе
  • Курс посвящен рассмотрению современных адаптивных методов анализа данных (в т. ч. алгоритмов машинного обучения), т.е. таких методов, которые в работе с данными опираются не на априорные знания об исследуемом объекте и заранее разработанные модели, а исключительно на свойства самих данных, описывающих объект.

  • Подобный подход позволяет с успехом решать задачи прогнозирования, оценки, классификации (распознавания), кластеризации данных из самых разнообразных областей человеческой деятельности: от науки и техники до экономики и бизнеса, от естественных до гуманитарных областей знания.

  • Обучение платное. Стоимость обучения в 2026 году составляет 50 000 рублей

Изображение сгенерировано нейронной сетью mid journey

Регистрация
В процессе обучения вы сможете

Получить теоретическую базу, необходимую для занятий анализом данных с помощью методов машинного обучения.

В рамках практикумов применить полученные на лекциях знания, научиться решать стандартные типы задач, применять наиболее популярные методы и алгоритмы.

Сдать зачет по окончании курса и получить удостоверение МГУ установленного образца о повышении квалификации.
Направление научных работ ЛАМОД связано с разработкой и использованием современных адаптивных методов обработки и анализа данных для математической обработки экспериментальных данных. Основные из используемых методов – искусственные нейронные сети (ИНС), деревья решений и алгоритмы на их основе, линейная и логистическая регрессия в нелинейных базисах, генетические алгоритмы, метод группового учёта аргументов, нечёткая логика, анализ главных компонент, вейвлет-анализ и другие. Среди решаемых задач – задачи прогнозирования, классификации и распознавания образов, кластеризации данных, обратные задачи из областей космической физики, оптической и гамма-спектроскопии, геологоразведки и другие.
Лаборатория Адаптивных Методов Обработки Данных
(ЛАМОД) НИИЯФ МГУ
Преподавательский состав
The smartest people work every day to provide the best service and make our clients happy
  • Доленко Сергей Анатольевич
    Заведующий лабораторией ЛАМОД НИИЯФ МГУ, к.ф.-м.н. (2002)
    Образование: физический факультет МГУ имени М.В.Ломоносова, кафедра квантовой радиофизики, диплом с отличием (1985).
    Автор более 300 научных статей, руководитель или участник 26 НИР, научный руководитель 23 дипломных работ, эксперт научных фондов, эксперт РАН.
  • Исаев Игорь Викторович
    Научный сотрудник ЛАМОД НИИЯФ МГУ.
    Образование: физический факультет МГУ, кафедра физики наносистем (2015).
    Автор 77 научных статей, участник 16 НИР.
  • Владимиров Роман Дмитриевич
    Data Scientist с опытом более 5 лет, инженер АО "Лаборатория Касперского", инженер ЛАМОД НИИЯФ МГУ.
    Образование: физический факультет МГУ, кафедра физики атомного ядра и квантовой теории столкновений (2022).
    Автор 12 научных статей, участник 3 НИР.
  • Гаджиев Исмаил Маратович
    Аналитик, программист ЛАМОД НИИЯФ МГУ, аспирант физического факультета МГУ
    Образование: физический факультет МГУ, кафедра квантовой теории и физики высоких энергий (2021).
    Автор 13 научных статей, участник 6 НИР.
  • Широкий Владимир Романович
    Аналитик-разработчик ООО "ВК", инженер ЛАМОД НИИЯФ МГУ.
    Образование: химический факультет МГУ, кафедра физической химии (2014).
    Автор около 50 научных статей, участник 19 НИР.
  • Гуськов Артём Алексеевич
    Младший научный сотрудник ЛАМОД НИИЯФ МГУ, аспирант физического факультета МГУ.

    Образование: физический факультет МГУ, кафедра оптики, спектроскопии и физики наносистем (2024).
    Автор 6 научных статей, участник 4 НИР.
Программа лекций
  • Часть 1. Основы машинного обучения (МО) (2 лекции)
    Основные понятия. Типология задач, решаемых методами МО: задачи регрессии, классификации, оптимизации, кластеризации. Бинарная, многоклассовая и многометочная классификация. Анализ данных (data mining) и МО. МО и искусственный интеллект. Краткая историческая справка. Обучение с учителем, с подкреплением и без учителя. Методы оценки качества моделей. Общая схема МО. Базовые методы МО: линейная и логистическая рагрессия, регуляризация L1 и L2, машины опорных векторов, метод k ближайших соседей. Деревья решений. Алгоритм случайного леса. Градиентный бустинг.
  • Часть 2. Искусственные нейронные сети (ИНС) (4 лекции)
    Модель нейрона. Многослойные персептроны. Алгоритм обратного распространения ошибки и его модификации. Глубокие нейронные сети (НС). Рекуррентные НС. Свёрточные НС. Механизм внимания. Трансформеры. Автоассоциативная память. НС Кохонена и самоорганизующиеся карты Кохонена. НС с общей регрессией. Вероятностная НС. НС с функциями радиального базиса. НС Хопфилда. НС Хэмминга. Машина Больцмана. Генеративные состязательные сети, вариационные автоэнкодеры.
  • Часть 3. Основы предобработки и анализа данных (3 лекции)

    Кодирование и нормировка данных. Оценка значимости входов. Методы анализа данных, направленные на определение и уменьшение размерности задачи (анализ главных компонент, кластер-анализ, оценка фрактальной размерности и пр.). Методы нелинейного преобразования входных данных, способствующие выделению отличительных свойств (спектральные методы обработки сигналов, вейвлет-анализ, нелинейный анализ главных компонент). Анализ временных рядов. Вейвлет нейронные сети.
  • Часть 4. Генетические алгоритмы (ГА). Метод группового учета аргументов (3 лекции)

    Генетические алгоритмы. Многоагентные методы. Генетическое программирование. Метод группового учета аргументов.
  • Часть 5. Нечеткая логика (1 лекция)

    Основные понятия нечёткой логики. Проектирование контроллеров. Нечёткая логика и вероятность. Нечёткая логика и нейронные сети. Нейро-нечёткие системы.
  • Часть 6. Другие алгоритмы анализа данных. Решение практических задач (2 лекции)

    Обучение с подкреплением. Алгоритмы построения НС оптимальной сложности. Методики комбинирования различных моделей ИНС. Иерархические системы. Комитеты экспертов (ансамбли предикторов). Гибридные методы. Основные области применения ИНС и ГА. Практические приемы использования ИНС и ГА для решения задач в спектроскопии, космической физике, геофизике, обработке сигналов и изображений, обработке текстовой информации. Решение обратных задач в физике с помощью ИНС и ГА.

План практических занятий
  • Часть 1. Основные модели ИНС (2 занятия)
    Наглядная демонстрация основных нейросетевых алгоритмов. "Нейропрактикум".
  • Часть 2. Современный инструментарий для практической работы с ИНС (2 занятия)
    Языки R и Python. Обзор современных программных средств и библиотек для решения задач анализа данных. Основные приемы работы. Решение простых практических задач.
  • 18 марта, 17:00–18:30
    Часть 3. Решение практических задач анализа данных на языке R (1 занятие)
    Работа с ИНС на языке R. Анализ данных в R.
  • Часть 4. Решение практических задач анализа данных на языке Python (3 занятия)
    Технология работы с ИНС. Технология работы с временными рядами. Технология работы с вейвлет-преобразованием. Решение задач обработки изображений. Решение задач обработки текстовой информации.
  • Часть 5. Генетические алгоритмы (1 занятие)
    Наглядная демонстрация работы ГА. Решение практических задач оптимизации с помощью ГА.
  • Часть 6. Самостоятельная работа под руководством преподавателя
    Самостоятельное решение задачи, интересующей слушателя (3 занятия).
Что Вы получите после прохождения курса
Удостоверение
Удостоверение установленного образца о повышении квалификации на бланке строгого учёта с подписью проректора и гербовой печатью МГУ.
(Нажмите сюда, чтобы посмотреть шаблон удостоверения)
Знания
Фундаментальное понимание алгоритмов и их внутреннего устройства, что позволяет грамотно выбирать инструменты для решения конкретных практических задач
Материалы
Доступ по всем материалам курса (Презентации, записи лекций, jupyter ноутбуки)
Организационная информация
  • Занятия проводятся в формате семестрового курса (3,5 месяца по 2 раза в неделю по 3 часа, по вторникам и пятницам, официальный объём курса - 72 часа)

  • Начало занятий в 19.00, окончание не позднее 22.00
  • Занятия включают лекции, практические занятия и работу над собственными проектами (задачами) слушателей
  • Курс содержит - 15 лекций, 12 практических занятий и зачёт.
  • Первое занятие 27 февраля, последнее (зачёт) - 5 июня
  • Место проведения очных занятий - Физический факультет МГУ
  • Есть возможность участвовать в курсе дистанционно
    (каждое занятие сопровождается онлайн-конференцией в Zoom), что позволяет пройти обучение лицам из любого региона РФ
  • Стоимость обучения 50 000 р.
Регистрируйтесь, чтобы успеть к началу курса
Повысить квалификацию!
Иконки взяты с Tilda Publishing
Изображение сгенерировано нейросетью MidJourney
Made on
Tilda