Аннотация: Пособие посвящено изложению учебного материала, необходимого для освоения студентами практической части учебных курсов. В пособии описаны теоретические аспекты задач, рассмотрены примеры их решения, в том числе с применением языка программирования Python, а также дополнительных библиотек. Целью освоения дисциплины является приобретение студентами практических навыков решения задач инженерии знаний от формализации до программной реализации с применением современных технологий.Учебное пособие предназначено для студентов высших учебных заведений, обучающихся по образовательной программе «Информационно-аналитические системы финансового мониторинга» направления 10.03.01 Информационная безопасность по дисциплине «Модели и методы инженерии знаний».

Аннотация: Рассматриваются ключевые аспекты, лежащие в основе современных информационных систем и программных решений. Даны основные понятия в программировании, типы данных и управляющих конструкций, описаны нюансы взаимодействия программы с операционной системой компьютера, показано создание собственных функций, модулей и пакетов. Обучение проводится с помощью языка Python.Для студентов по направлениям группы специальностей 10.00.00 «Информационная безопасность» в рамках освоения дисциплины «Информационные технологии и программирование».

Аннотация: Показаны основы работы на Python, а также два его основных ответвления – веб-разработка на Django и область прикладного искусственного интеллекта, являющаяся частью Data Science.Для студентов и сотрудников высших технических учебных заведений, а также специалистов прикладной сферы анализа данных.

Аннотация: Представлены технологии обработки экспериментальных результатов с применением языка программирования Python и методы машинного обучения для прогнозной аналитики в метрологии, рассмотрены конкретные примеры внедрения базовых алгоритмов и методов как на языке Python, так и с использованием аналитической платформы KNIME.Для студентов, обучающихся по техническим направлениям подготовки и специальностям, приступающих к изучению курсов «Метрология», «Машинное обучение и большие данные» и «Основы искусственного интеллекта в профессиональной деятельности».

Аннотация: Рассматриваются основные методы и алгоритмы машинного обучения, которые используются в настоящее время. Даются примеры использования этих методов для решения различных задач обеспечения информационной безопасности.Для студентов вузов, обучающихся по группе специальностей (направлений) 10.00.00 «Информационная безопасность».

Аннотация: Представляет собой руководство по использованию фреймворка FastAPI, охватывающее основные концепции и практические примеры для создания веб-приложений на Python. Рассмотрены ключевые аспекты работы с FastAPI, включая маршрутизацию, обработку запросов и ответов, валидацию данных, аутентификацию, а также интеграцию с базами данных и асинхронное программирование.Предназначено для студентов 2, 3 курсов, обучающихся по направлению подготовки 09.03.02 «Информационные системы и технологии».

Аннотация: Содержит широкий перечень практических и лабораторных работ по обработке данных в среде MATLAB, а также на языке Python с использованием специализированных библиотек, с подробным теоретическим пояснением и наглядными примерами. Предназначен для студентов 1 курса направления подготовки 27.03.02, 2 курса направления подготовки 15.03.06 всех форм обучения.

Аннотация: Содержит основные сведения о машинном обучении применительно к вопросам энергоэффективности зданий мегаполиса. Рассмотрены вопросы обработки входных данных, обучения модели и интерпретации результатов ее работы, а также примеры практического применения методов машинного обучения для закрепления теоретических знаний.Предназначено для обучающихся направления 13.04.02 «Электроэнергетика и электротехника» (профиль «Цифровизация электротехнических комплексов и систем нефтегазохимических производств»).Подготовлено на кафедре электропривода и электротехники.

Аннотация: Учебник предназначен для проведения занятий по дисциплине «Машинное обучение в финансах». В учебнике описано, как работать с основными инструментами машинного обучения: Python, Pandas. Приведены примеры кода для загрузки, обработки и анализа информации с финансовых рынков. Описаны современные направления использования машинного обучения в финансовой сфере. Очерчены перспективные направления разработки средств машинного обучения на финансовых рынках.Материал учебника предоставляет читателям практические знания в области методов работы с данными и основ машинного обучения, а также того, как они используются в инвестиционном процессе. На примере виртуальных кейсов читатели получают практический опыт программирования, основанный на реалистичных сценариях, применяют концепции машинного обучения к реальным инвестиционным проблемам и учатся ясно объяснять их неспециалистам и клиентам.Учебник предназначен для магистрантов, обучающихся по направлениям подготовки «Экономика», «Финансы и кредит», слушателей сокращенных программ, программ профессиональной переподготовки финансистов. Материалы учебника могут использоваться для подготовки к экзамену на получение сертификата CFA Data Science for Investment Professionals Certificate.

Аннотация: В учебнике последовательно излагаются основы языка программирования R с постепенным углублением по мере продвижения по осваиваемым навыкам в применении к высшей математике первого курса. Для комфортного программирования на R практикум ориентирован на популярную оболочку RStudio.Структурно учебник представляет собой 17 компьютерных практикумов по изучению и применению вычислительных возможностей языка R в решении базовых задач математического анализа и линейной алгебры и календарно соответствует программе дисциплины «Цифровая математика на языке R и Excel», читаемой в Финансовом университете при Правительстве РФ на первом курсе общеэкономических специальностей.Учебник будет полезен студентам широкого спектра направлений подготовки: от экономики (38.03.01), менеджмента (38.03.02), социологии (39.03.01) и других гуманитарных направлений до прикладной математики и информатики (01.03.02), бизнес-информатики (38.03.05), математики и компьютерных наук (02.03.01) и др.Учебник будет полезен аспирантам, научным сотрудникам и преподавателям.

Аннотация: Представлены необходимые инструменты для программной и математической разработки моделей прикладного машинного и глубокого обучения. Показаны базовые принципы и аспекты, которыми оперирует область Data Science. Дан ознакомительный экскурс по теоретической составляющей курса, для каждой рассмотренной модели машинного/глубокого обучения поставлена в соответствие её прикладная реализация.Для студентов, обучающихся по направлению подготовки «Искусственный интеллект». Может быть полезно специалистам в области искусственного интеллекта.

Аннотация: В данном учебнике представлен обзор различных направлений машинного обучения: классическое обучение с учителем, обучение с подкреплением, ансамбли и глубокое обучение. Значительное внимание уделено методам анализа данных и обучения без учителя, включая статистические методы, ядерные методы, методы снижения размерности, поиска паттернов и правил. Рассмотрены различные виды кластеризации, бикластеризации и трикластеризации. Теоретический материал сопровождается практическими заданиями и лабораторными работами, выполнение которых предполагает использование библиотеки scikit-learn на языке Python, а также индивидуальными домашними заданиями.

Аннотация: Показана разработка и аналитика прикладных моделей глубокого обучения, применяемых в высоконагруженных интеллектуальных системах промышленного уровня. Изучение математических архитектур моделей глубокого обучения позволит не только разрабатывать, но и внедрять разработанные решения без помощи сторонних программных библиотек, что увеличивает быстродействие всего программного решения в целом.Для студентов и сотрудников высших технических учебных заведений, а также специалистов прикладной сферы анализа данных.

Аннотация: Пособие посвящено рассмотрению подходов по применению методов обработки естественного языка sentiment analysis для обнаружения угроз информационной безопасности в сети интернет, а также выявлению мошеннических транзакций с помощью методов машинного обучения.Пособие предназначено для студентов высших учебных заведений, обучающихся по специальности 10.05.04 − Информационно-аналитические системы безопасности (специализация: «Автоматизация информационно-аналитической деятельности») по курсу «Математические методы анализа больших данных» и направлению 10.03.01 − Информационная безопасность (направленность: «Информационно-аналитические системы безопасности») по курсу «Модели и методы инженерии знаний».

Аннотация: Представлена разработка и аналитика прикладных моделей машинного обучения, применяемых в высоконагруженных интеллектуальных системах промышленного уровня. Для студентов, изучающих информационные технологии. Может быть полезно специалистам прикладной сферы анализа данных.

Аннотация: Рассмотрен полный каскад разработки моделей искусственного интеллекта. Проанализирована область Data Science, из которой выделены все необходимые для прикладной сферы алгоритмы машинного обучения, расположенные по уровню возрастания сложности работы с ними. Для студентов, изучающих информационные технологии. Может быть полезно как начинающим программистам, так и специалистам высокого уровня.

Аннотация: Рассмотрены общие сведения об интеллектуальных системах, подходы к представлению знаний, методы машинного обучения. Приводятся примеры реализации методов машинного обучения на языке Python.Предназначено для бакалавров направления 09.03.01 «Информатика и вычислительная техника» и магистрантов направления 09.04.01 «Информатика и вычислительная техника».

Аннотация: Изложены основы машинного обучения, а также история его появления. Даны определения основным понятиям: выборка, объекты выборки, параметры, функционал ошибки и прочее. Описаны основы градиентного спуска и его модификаций, основные алгоритмы обучения с учителем и обучения без учителя.

Аннотация: Пособие содержит описание подходов, принципов, методов и средств идентификации личности по биометрическим параметрам. Рассмотрены вопросы: использования биометрических характеристик личности в системах аутентификации; построения биометрических систем контроля доступа и скрытного клавиатурного мониторинга; классификации образов динамической биометрии; точности и безопасности биометрических систем контроля доступа.