Курсы информатики Киев

Решение математических задач Численные методы программирования Требования Понимание общих принципов информатики... Курс «Функциональное программирование на языке Haskell» направлений на формирование у розробника програмного забезпечення функціонального підходу до розробки програм. Він буде корисний для розширення кругозору програміста, для зламу парадигми та підвищення загальної кваліфікації розробника. Після проходження курсу програміст зможе використовувати нові ідіоми програмування, будувати більш якісні програмні конструкції та реалізовувати більш ефективний програмний код. Курс складається з 20 лекцій та додаткових матеріалів до них презентацій та короткого опису теорії та методу рішення поставленої задачі на мові Haskell. Перші кілька занять присвячені тому, як розгорнути необхідний інструментарій та як вирішувати базові задачі програмування на мові Haskell. Решта лекцій присвячені рішенню окремих прикладних задач. Крізь таке рішення даються різні ідіоми мови.

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Курс складається з трьох частин. Спочатку ми розберемо, як розраховувати відсотки за депозитами та платежі за кредитами і потренуємося в кредитному аналізі. Потім вивчимо підходи для вирішення інвестиційних задач: дисконтування, амортизація, ексцес, внутрішня ставка доходності та оцінка інвестицій. Проведемо інвестиційний аналіз. На завершення трохи займемося статистичним апаратом та навчимося точно прогнозувати дохідність тих чи інших інвестицій та будувати тенденції. Для проходження курсу потрібен Microsoft Excel версії не нижче 2010. Розрахунок простих та складних відсотків Розрахунок диференційованих та аннуїтетних платежів Переплата та погашення кредиту Розрахунок амортизації Внутрішня ставка доходності та приведена вартість грошей Аналіз акцій та облігацій Ймовірності та розподіли Персентилі та довірчі інтервали Лінійний та нелінійний прогноз Довірчий інтервал для прогнозу Оцінка фінансових ринків Оцінка інвестиційних стратегій

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Курс розрахований на аналітиків Python, які вивчають машинне навчання. У курсі розглядаються фундаментальні та прикладні підходи до класифікації даних з використанням машинного навчання для страхового скорингу Prudential в змаганні на Kaggle. Курс складається з двох частин. У першій частині розглядаються всі етапи роботи з даними, від видів задач та їх постановки до роботи з моделями машинного навчання для мінімізації помилок передбачення. У другій частині на практиці розглядаються метрики класифікації, очищення даних, кластеризація даних, метод ближніх сусідів, метод опорних векторів, дерево прийняття рішень, градієнтний бустинг, ансамбль стекінгу для голосування та вибору кращого результату. Курс містить 9 відеоуроків, повний пожиттєвий доступ та сертифікат.

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Курс розрахований на аналітиків Python, які вивчають машинне навчання. В курсі розглядаються теоретичні та практичні аспекти використання лінійної регресії для передбачення числових показників споживання енергії ASHRAE в конкурсі на Kaggle. Курс складається з двох частин. У першій частині розглядаються всі етапи роботи з даними, від постановки задачі до роботи з моделями машинного навчання для мінімізації помилки передбачення. У другій частині курсу розглядаються практичні аспекти аналізу даних, включаючи ETL-процес, EDA, лінійну регресію, оптимізацію та ансамблювання моделей. Курс містить 7,5 годин відео та надає повний пожиттєвий доступ до матеріалів. Також передбачений сертифікат про успішне завершення курсу.

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Курс розрахований на аналітиків Python, які вивчають машинне навчання. У курсі розглядається сегментація та класифікація зображень хмар за допомогою згорткових, пірамідальних, залишкових та повнозв'язних нейронних мереж у змаганні на Kaggle. Курс поділений на 2 частини. У першій частині ми послідовно пройдемо всі етапи роботи з даними: від видів задач та їх постановки до роботи з моделями машинного навчання для мінімізації передбачувальної помилки. У другій частині розглянемо на практичних прикладах проведення дослідницького аналізу даних для пошуку залежностей, метрики точності, очищення даних та обробки зображень, завантаження та збереження моделей та даних в HDF5, нейронні мережі зі згортковими шарами та шарами підвибірки, функції активації, ініціалізація та оптимізатори нейронних мереж, перетворення та доповнення (аугментація) бінарних даних, ансамбль нейронних мереж тощо. Курс містить 11,5 годин відео та дає можливість отримати сертифікат.

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Курс розглядає задачу хакатона 2020 року з виділення факторів, що найбільше впливають на тривалість життя в Росії, з точки зору фундаментальних та прикладних підходів до зменшення розмірності даних. Курс розбито на 4 частини, де розглядаються різні методи машинного навчання та їх застосування для розв'язання задачі. Після проходження курсу студенти зможуть використовувати різні методи машинного навчання для вирішення задачі виокремлення факторів та побудови моделі для прогнозування тривалості життя в Росії.

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Це додатковий курс програми Машинного навчання від ITtensive з аналізу часових рядів. Курс складається з трьох практичних завдань, які дозволяють прогнозувати ціни на ф'ючерси на зерно, курс долара до рубля та активність споживачів електроенергії. Курс надає теоретичні знання про базові техніки, моделі та методологію аналізу часових рядів, а також про рекурентні нейронні мережі, LSTM, GRU, ConvLSTM та BiLSTM. Курс містить 4 відео та сертифікат про успішне завершення.

Закончив 11 класс, поступил в университет на специальность "прикладная информатика".... Маркус Перссон создал свою первую игру в 9 лет! А спустя время получил миллиарды долларов с продаж другого его творения - Minecraft. Но во времена его детства написать программу на компьютере было довольно трудной задачей, в противовес сегодняшнему дню.В 21 веке с приходом новых цифровых технологий программирование стало доступно каждому. Даже ребёнок может спустя несколько часов изучения простых и понятных инструментов создать небольшое приложение. Одним из таких инструментов является образовательный язык и одновременно среда программирования Scratch (разработчик MIT Media Lab). Написание кода происходит с помощью перетягивания блоков-команд из списка с возможностью менять им значения. Таким образом обучающимся не нужно полностью печатать скрипт с клавиатуры, что сильно облегчает жизнь и исключает множество ошибок. Результат выполнения программы сразу можно посмотреть на экране.Видеокурс записан в актуальной версии Scratch 3.0. Для её использования онлайн достаточно зайти на официальный сайт и перейти в редактор проектов. Также есть возможность скачать Scratch себе на компьютер и пользоваться им без подключения к интернету. Об этом будет рассказано в вводной лекции курса. В течение остальной части курса мы познакомимся с такими важными разделами программирования, как переменные, циклы, процедуры, которые используются и во "взрослых" языках программирования, создадим множество интересных проектов и игр. Если же в итоге вы поймёте, что писать программы - это не ваше, ничего страшного! Полученные знания вряд ли окажутся бесполезным, ведь мы затронем и некоторые математические темы, например сетку координат и градусную меру, также узнаем о структурном подходе (то есть разбиении больших задач на подзадачи), что поможет в жизни! Если же вы наоборот захотите двигаться дальше в изучении кода, то сможете присоединиться к продолжению данного курса для продвинутых пользователей, где мы затронем более глубокие темы и переход другим языкам программирования.

языков4,5 рейтинг6 отзывов190 студентов3 курса- получил высшие педагогические образования по математике и информатике... Тренінг допоможе тим, хто відчуває, що пора щось змінювати в своєму житті, але постійно стикається з тим, що зробити це складно, страшно і незрозуміло як. Ви дізнаєтеся про розвиток себе через пізнання, фінансову незалежність, правила та методики досягнення цілей та мотивацію. Автор курсу та спікер Ніколай Ягодкін, спеціаліст з технології навчання та вивчення мов. Курс містить 3 відео, 15 статей, 1 ресурс для скачування, повний пожиттєвий доступ та сертифікат.

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Перший курс серії Машинне зріння присвячений розпізнаванню зображень за допомогою нейронних мереж на Python. Курс складається з трьох великих частин: Введення в нейронні мережі, Розпізнавання цифр та Розпізнавання автомобільних номерів. Після проходження курсу ви зможете розробляти та навчати нейронні мережі на Python, використовуючи Keras/TensorFlow. Курс містить 5 відеоуроків, а також курсовий проект, під час якого ви створите власну навчену нейронну мережу, яка зможе розпізнавати номери автомобілів на фотографіях.

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Курс присвячений роботі з кластеризацією даних та пошуку аномалій на прикладі задачі хакатона Яндекс.Недвижимости по прогнозу срока экспозиции объявлений. Курс розбитий на 4 частини, в яких вивчаються основні моделі кластеризації, розширені моделі кластеризації, пошук аномалій та класифікація через кластеризацію. Курс призначений для аналітиків Python, які вивчають машинне навчання.

В школе мне очень нравилась информатика и меня посетили мысли об изучении программирования.... Курс по изучению Jetpack Compose для начинающих и опытных Android разработчиків, які хочуть перейти на сучасний Jetpack Compose зі старого підходу до побудови UI на XML. Курс є практичним і включає в себе створення мобільного клієнта VK з використанням Jetpack Compose. Після проходження курсу ви зможете створювати власні інтерфейси користувача для Android з меншою кількістю коду, використовуючи Kotlin.

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Внимание: для доступа к курсам ITtensive на Udemy напишите, пожалуйста, на [email protected] с названием курса или группы курсов, которые хотите пройти.Это завершающий курс программы Машинное обучение от ITtensive., В этом курсе мы разберем 3 задачи обучения с подкреплением:1. Игра в крестики-нолики на доске 3x3. Запрограммируем среду, условия выигрыша и обучим простых и не очень агентов (игроков) сводить игру к ничье. На примере базовых стратегий рассмотрим работу уравнения Беллмана, Q-обучения и обучения с преследованием.Используя различные стратегии, включая эпсилон жадные и оптимизированные эпсилон жадные, сравним их эффективность при игре друг с другом.Проект: разработка собственного выигрышного агента для игры в крестики-нолики.2. Задача балансировка тележки в физическом окружении. Используем CartPole AI Gym и научимся балансировать тележку в зависимости от данных сенсоров. Изучим принципы построения нейросети обучения с подкреплением (DQN = Deep Q-Network) и используем ее для ускорения и стабилизации процесса обучения.Сравним обучение агента на случайных процессах, на изучении распределения состояний среды (априорные и постериорные вероятности), на эмуляции кратковременной и долговременной памяти агента, разберем проблемы обучения и оптимизации полносвязной нейросети.Проект: разработка оптимизированной DQN для балансировки тележки.3. Игра в блекджек (21 очко). Используем окружение AI Gym для расчета оптимальных ходов при игре в Блекджек. Используем методы Монте-Карло, включая одиночные и множественные касания, единую и разделенную политики, а также оптимизацию исследовательских стартов.Визуализируем оптимальную политику поведения агента через изоповерхности в пространстве состояний среды.Проект: расчет оптимальной стратегии игры в блекджек.

Методист по машинному обучению: Алена Селезнева, МГУ (прикладная математика и информатика).... Внимание: для доступа к курсам ITtensive на Udemy напишите, пожалуйста, на [email protected] с названием курса или группы курсов, которые хотите пройти.Работа с большими данными и задачами искусственного интеллекта требует особого подхода - подхода машинного обучения. В этом курсе мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки.Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели – линейную и логистическую регрессии.В курсе изучается:Классификация задач машинного обучения.Процесс машинного обучения: ETL, EDA, подготовка данных, обучение модели.Особенности обучения модели: выборки, переобучение и гиперпараметры.Оптимизация гиперпараметров жадным поиском, через гиперкуб и парзеновские деревья.Отличия переобученной модели и недообученной, практики оптимального обучения.Работа с форматов хранения данных - HDF5.«Проклятье» большой размерности.Подходы к простым моделям машинного обучения: метод максимального правдоподобия и метод наименьших квадратов, среднеквадратичная ошибка.Подходы к заполнению пропусков в данных: интерполяция и экстраполяция.Метрики задач регрессии: эвклидово расстояние, расстояние городских квадратов, Чебышева и Минковского.Линейная регрессия с регуляризацией и без.Изотоническая регрессия.Критерии выбора сложности модели: BIC и AIC.Линеаризуемая и полиномиальная регрессия.Логистическая регрессия.После завершения курса вы сможете организовывать процесс разработки моделей машинного обучения и перейти к более глубокому и прикладному изучению тему машинного обучения.Курс является вводным (базовым) и подойдет широкому кругу слушателей: от руководителей до разработчиков.Основные задачи машинного обучения:1) Задача регрессии – прогноз на основе выборки объектов с различными признаками. На выходе должно получиться вещественное число (2, 35, 76.454 и др.), к примеру цена квартиры, стоимость ценной бумаги по прошествии полугода, ожидаемый доход магазина на следующий месяц, качество вина при слепом тестировании.2) Задача классификации – получение категориального ответа на основе набора признаков. Имеет конечное количество ответов (как правило, в формате «да» или «нет»): есть ли на фотографии кот, является ли изображение человеческим лицом, болен ли пациент раком.3) Задача кластеризации – распределение данных на группы: разделение всех клиентов мобильного оператора по уровню платёжеспособности, отнесение космических объектов к той или иной категории (планета, звёзда, чёрная дыра и т. п.).4) Задача уменьшения размерности – сведение большого числа признаков к меньшему (обычно 2–3) для удобства их последующей визуализации (например, сжатие данных).5) Задача выявления аномалий – отделение аномалий от стандартных случаев. На первый взгляд она совпадает с задачей классификации, но есть одно существенное отличие: аномалии – явление редкое, и обучающих примеров, на которых можно натаскать машинно обучающуюся модель на выявление таких объектов, либо исчезающе мало, либо просто нет, поэтому методы классификации здесь не работают. На практике такой задачей является, например, выявление мошеннических действий с банковскими картами.

Когда я учился в школе, то на уроках информатики мы изучали в том числе и Microsoft Office Excel.... Курс призначений для тих, хто бажає отримати базові практичні знання та навички роботи з Excel. Microsoft Office Excel призначений для зберігання, аналізу та візуалізації даних, створення звітів та проведення складних розрахунків. У курсі ви навчитеся запускати Excel, орієнтуватися в інтерфейсі, вводити та редагувати дані, створювати формули та функції, форматувати дані, візуалізувати дані з допомогою діаграм, створювати електронну таблицю, розбиратися в настройках друку, оперувати гарячими клавішами та працювати з макетами Excel. Після курсу ви зможете впевнено та комфортно оперувати базовими знаннями по Excel в будь-якій сфері діяльності.