Профессия Научное программирование от ФПМИ МФТИ

    ФПМИ МФТИ
    Стоимость курса
    232 000 Р
    Длительность
    16 месяцев
    Сертификат
    Да
    Начало курса
    В любой момент
    Трудоустройство
    Нет

    Кому подойдет

    • Для успешного освоения необходимы базовые знания любого языка программирования, линейной алгебры, аналитической геометрии и теории вероятности.

    Чему Вы научитесь

    • Понимать, как работают стандартные алгоритмы численных методов. Самостоятельно строить эффективные в смыслах алгоритмов и производительности реализации методов, используемых в вычислительных приложениях.
    • Изучите фундаментальные понятия и методы, используемые в анализе данных. Освоите основную методологию, используемую при построении точечных и интервальных оценок, а также проверке гипотез. Кроме того, в курс входят основы теории принятия решений и ряд дополнительных лекций по специфическим плохо описанным в литературе разделам (например, систематические погрешности и байесовский анализ).

    Программа обучения

    КУРС ВЫЧИСЛИТЕЛЬНЫЕ МЕТОДЫ

    1 семестр

    • Векторные и матричные нормы. Унитарные матрицы. SVD разложение. Проекторы. Задача о наименьших квадратах. QR факторизация.
    • Вычисления с плавающей точкой. Вычислительная устойчивость.
    • Матричный ранг. Приближение низкого ранга и приложения SVD.
    • Системы линейных уравнений. Число обусловленности.
    • Собственные вектора и собственные значения. Методы решения симметричной задачи на собственные значения.
    • Разреженные матрицы. Библиотеки numpy и scipy. Итеративные методы линейной алгебры.
    • Решение систем нелинейных уравнений. Введение в методы оптимизации

    2 семестр

    • Численное интегрирование и дифференцирование. Методы интерполяции. Решение линейных интегральных уравнений.
    • Основные численные методы решения обыкновенных дифференциальных уравнений и уравнений в частных производных.
    • Введение в методы Монте-Карло. Методы сэмплирования.
    • Марковские цепи Монте-Марло. Алгоритм Метрополиса — Гастингса. Сэмплирование по Гиббсу. Гамильтонов Монте-Карло.
    • Модели пространства состояний. Линейные динамические системы. Фильтр Калмана.

    КУРС СТАТИСТИЧЕСКИЕ МЕТОДЫ И АНАЛИЗ ДАННЫХ

    1 семестр

    Теория принятия статистических решений.
    • Решения в детерминированных задачах.
    • Решения в недетерминированных задачах, функция риска.
    • Условная вероятность, стратегии принятия решений.
    Основные понятия теории вероятности.
    • Определения вероятности.
    • Функция правдоподобия.
    • Точечные и интервальные оценки параметров распределений.
    • Доверительные интервалы.
    Погрешности в физическом эксперименте.
    • Статистические и систематические погрешности.
    • Свойства распределений при замене переменных.
    • Сложение погрешностей.
    • Сложение результатов различных экспериментов.
    Свойства распределений.
    • Биномиальное распределение и распределение Пуассона.
    • Нормальное распределение и его свойства.
    • Средние значения, моменты распределений.
    Проверка статистических гипотез.
    • Функции случайных переменных.
    • Статистические критерии и их свойства.
    • Методики построения критериев.
    • Критерии согласия данных с теорией.
    Оценка параметров.
    • Параметрические критерии.
    • Метод максимума правдоподобия и хи-квадрат.
    • Использование функции правдоподобия для построения интервальных оценок.
    • Интервальные оценки в случае нормального распределения.
    Современные методы анализа данных (дополнительно).
    • Фитирование экспериментальных кривых. Критерии качества фита. Компьютерные методы решения задач оптимизации.
    • Многопараметрический анализ. Анализ корреляций.
    • Информация Фишера и ее применение. Максимальная информация и граница Рао — Крамера.
    • Два подхода к вероятности: частотный подход и субъективная вероятность. Проблема уникальных событий.
    • Использование компьютера для анализа данных эксперимента.

    2 семестр

    Посвящен работе над проектом.

    Примеры тем проектов:

    • Байесовское глубокое обучение
    • Информация Фишера и активное обучение
    • Машинное обучение на Котлине, KotlinDL
    • Глубокое обучение в кино
    • Байесовская оптимизация
    • MCMC на Джулии

    По итогам работы возможна публикация статьи.

    На лекциях приглашаются специалисты из разных областей и рассматриваются продвинутые темы. Их список меняется ежегодно.

    Отзывы о школе 1

    5 из 5
    1
    0
    0
    0
    0
    Сортировать:
    Дате публикации
    • Дата публикации
    • Популярности
    • Сначала положительные
    • Сначала отрицательные
    • Милена 15 июня 2023

      С октября прошлого года я прохожу курс Data Scientist на факультете ФПМИ в МФТИ, который включает в себя три блока обучения: Python с уклоном в анализ данных, математику для анализа больших данных и методы программирования машинного обучения (МАДМО). Ранее у меня не было опыта программирования или применения аналитических инструментов в работе с данными. Я приняла решение пройти данный курс, чтобы улучшить свои знания и навыки с целью ускорения обработки финансовых данных на практике. Оказалось, что система машинного обучения и методы анализа данных - это увлекательно и интересно! Я с удовольствием прохожу курс. Главное преимущество данной программы - высокое качество обучения, фокусированное на понимании концепций, значимости и создании своих решений. Больше всего мне нравится то, что курс предоставляет множество материалов для самообучения и визуализаций, что помогает проще получить знания. Преподаватели очень открыты и доступны для конструктивного диалога. Я рекомендую данный курс всем, основываясь на своем личном опыте.

      Был ли отзыв полезен?
    Посмотреть все отзывы о ФПМИ МФТИ