Master i datavitenskap og dyp læring

Master i datavitenskap og big data (200 timer)

Master i dyp læring (170 timer)

Grunnleggende om datavitenskap

Introduksjon til datavitenskap. Presentasjon av den generelle referanserammen.

dyp læring

Målet med faget er å introdusere de grunnleggende konseptene for dype nevrale nettverk. I tillegg til å gi en teoretisk-praktisk omvisning, skal de lære å bruke de viktigste verktøyene og implementere løsninger fra bunnen av.

Statistikk for datavitenskap

Gjennomgang av grunnleggende statistikk som er nødvendig for å mestre datavitenskap.

datamaskin syn

Målet med kurset er å introdusere de grunnleggende konseptene innen datasynsteknikker. En praktisk teoretisk omvisning i hovedteknikkene vil bli gjennomført.

Datavitenskap med Python

Python som rammeverk for datavitenskapsspesialisten. Utvikling av bærbare PC-er, bruk av pandaer, numpy, matplotlib. Databehandling fra strukturerte kilder (CSV, REST, HSQL, Logger) og ustrukturert (Web, Spark, Cassandra).

Naturlig språkbehandling

Introduksjon til de grunnleggende konseptene for mekanismene som brukes for kommunikasjon mellom mennesker og maskiner gjennom naturlig språk. Kjenn til interaksjonene og deres anvendelse innen kunstig intelligens.

Dataforbehandling

Hvordan forhåndsbehandle dataene riktig? Anvendelse av filtre, dataanonymisering, attributtvalg, sampling og dimensjonalitetsreduksjon.

Entreprenørskap II

Diskusjon og oppdagelse av nye forretningsmodeller basert på datavitenskap.

datavisualisering

Hvordan visualisere ulike typer data? Hvilke teknikker skal brukes?

Maskinlæring II

Bruk konvolusjonelle nettverk og dype rekursive modeller med Tensorflow i praktiske applikasjoner med bilder, implementere og designe nevrale modeller for modellering/klassifiseringsproblemløsning, designe kontradiktoriske generative modeller for datahåndtering.

Databaser

• Datakilder / ETL
• Batchbehandlingsarkitekturer, streaming
• Databaser (strukturerte og ustrukturerte)

Forsterkende læring

Introduksjon til begrepene forsterkende læring. Kjenne til måtene å beregne gjennomsnitt og glidende gjennomsnitt på, Markov-beslutningsprosesser, dynamisk programmering, læretidsforskjell og tilnærmingsmetoder.

Prediktiv analyse

Introduksjon til tidsserieanalyse, gjennomgang av de beste tilgjengelige algoritmene. Utvikling av brukstilfeller for anomalideteksjon og serieprediksjon.

Maskinlæring III

Bruk konvolusjonelle nettverk og dype rekursive modeller med Tensorflow i praktiske applikasjoner med bilder, implementere og designe nevrale modeller for modellering/klassifiseringsproblemløsning, designe kontradiktoriske generative modeller for datahåndtering.

Maskinlæring I

Introduksjon til klassifiserings- og klyngeproblemer. Hvordan evaluere resultatene? Hvordan bygge datasettene? Gjennomgang av hovedalgoritmene og deres anvendelse.

Kaggle Challenge

Du vil bli en del av et team hos Kaggle hvor du skal løse en Data Science-utfordring.

Big Data for datavitenskap

Oversikt over de grunnleggende konseptene for Big Data-løsninger. Referansearkitekturer og adopsjonsmodeller vil bli gjennomgått med de viktigste aktuelle teknologiene, inkludert prosesser for inntak, analyse og visualisering av data i sanntid.

siste prosjekt

Temaet kan foreslås av studenten eller velges fra en liste levert av MIOTI.

Entreprenørskap II

Diskusjon og oppdagelse av nye forretningsmodeller basert på datavitenskap.

siste prosjekt

Temaet kan foreslås av studenten eller velges fra en liste levert av MIOTI.