Data Science - bezplatný kurz od School of Data Analysis, školenie 4 semestre, dátum 2. decembra 2023.
Rôzne / / December 05, 2023
Pre tých, ktorí chcú robiť problémy pomocou analýzy dát, navrhovať riešenia a vyhodnocovať ich efektivitu nielen v syntetickom experimente, ale aj v reálnych podmienkach.
Štatistiky, strojové učenie a práca s rôznymi typmi údajov.
Údaje sú základom najmodernejších služieb a produktov, od aplikácií na predpovedanie počasia až po autonómne autá. Data Scientist vykonáva experimenty, vytvára metriky, vie, ako optimalizovať prevádzku služieb, a chápe, kde sú body ich rastu.
Každý študent musí počas semestra úspešne absolvovať aspoň tri predmety. Napríklad, ak sú v hlavnom programe dva z nich, musíte si vybrať jeden zo špeciálnych kurzov.
Vedomosti sa testujú predovšetkým prostredníctvom domácich úloh – skúšky a testy sa robia len z niektorých predmetov.
Prvý semester
Povinné
Algoritmy a dátové štruktúry, časť 1
01. Zložitosť a výpočtové modely. Analýza účtovných hodnôt (začiatok)
02. Analýza účtovných hodnôt (koniec)
03. Algoritmy Merge-Sort a Quick-Sort
04. Radová štatistika. Hromady (začiatok)
05. Hromady (koniec)
06.Hašovanie
07. Prehľadávanie stromov (začiatok)
08. Prehľadávanie stromov (pokračovanie)
09.Hľadanie stromov (koniec). Systém disjunktných množín
10. Úlohy RMQ a LCA
11. Dátové štruktúry pre geometrické vyhľadávanie
12. Problém dynamickej konektivity v neorientovanom grafe
jazyk Python
01. Základy jazyka (1. časť)
02. Základy jazyka (2. časť)
03.Objektovo orientované programovanie
04.Ošetrenie chýb
05. Návrh a testovanie kódu
06.Práca so strunami
07.Pamäťový model
08Funkčné programovanie
09. Recenzia knižnice (1. časť)
10. Recenzia knižnice (2. časť)
11. Paralelné výpočty v Pythone
12.Pokročilá práca s predmetmi
Strojové učenie, časť 1
01.Základné pojmy a príklady aplikovaných problémov
02.Metódy metrickej klasifikácie
03.Metódy logickej klasifikácie a rozhodovacie stromy
04. Gradientové lineárne klasifikačné metódy
05.Support Vector Machine
06.Viacrozmerná lineárna regresia
07. Nelineárna a neparametrická regresia, neštandardné stratové funkcie
08. Prognóza časových radov
09.Bayesovské metódy klasifikácie
10.Logistická regresia
11.Vyhľadajte pravidlá asociácie
Druhý termín
Povinné
Základy štatistiky v strojovom učení
01.Úvod
02. Hlavné úlohy a metódy teórie štatistickej inferencie
03. Odhad distribúcie a štatistické funkcionály
04. Simulácia Monte Carlo, bootstrap
05.Parametrický odhad
06. Testovanie hypotéz
07. Zníženie rozmerov viacrozmerných údajov
08.Posúdenie citlivosti modelu
09. Lineárna a logistická regresia
10.Metódy navrhovania experimentov
11. Rôzne typy regularizácie v lineárnej regresii
12. Nelineárne metódy konštrukcie regresných závislostí
13. Neparametrický odhad
14.Bayesovský prístup k odhadu
15.Bayesovský prístup k regresii
16. Bayesovský prístup k regresii a optimalizácii
17.Využitie modelu náhodného Gaussovho poľa v problémoch analýzy dát
18.Využitie štatistických modelov a metód v náhradnom modelovaní a optimalizačných problémoch
Strojové učenie, časť 2
01. Metódy klasifikácie a regresie neurónových sietí
02. Kompozičné metódy klasifikácie a regresie
03. Kritériá výberu modelov a metódy výberu prvkov
04.Rebríček
05. Posilňovacie učenie
06.Učenie bez učiteľa
07.Problémy s čiastočným tréningom
08. Spoločné filtrovanie
09. Modelovanie tém
Tretí semester
Vybrať si z
Automatické spracovanie textu
01 Materiál kurzu
alebo
Počítačové videnie
Kurz je venovaný metódam a algoritmom počítačového videnia, t.j. extrahovať informácie z obrázkov a videí. Pozrime sa na základy spracovania obrázkov, klasifikáciu obrázkov, vyhľadávanie obrázkov podľa obsahu, rozpoznávanie tváre, segmentáciu obrázkov. Potom budeme hovoriť o algoritmoch spracovania a analýzy videa. Posledná časť kurzu je venovaná 3D rekonštrukcii. Pre väčšinu problémov budeme diskutovať o existujúcich modeloch neurónových sietí. V kurze sa snažíme venovať pozornosť len najmodernejším metódam, ktoré sa v súčasnosti využívajú pri riešení praktických a výskumných problémov. Kurz je skôr praktický ako teoretický. Preto sú všetky prednášky vybavené laboratórnymi a domácimi úlohami, ktoré umožňujú vyskúšať si väčšinu preberaných metód v praxi. Práca sa vykonáva v Pythone pomocou rôznych knižníc.
01.Digitálna korekcia obrazu a tónov.
02.Základy spracovania obrazu.
03.Kombinovanie obrázkov.
04. Klasifikácia obrázkov a vyhľadávanie podobných.
05. Konvolučné neurónové siete na klasifikáciu a vyhľadávanie podobných obrázkov.
06.Detekcia objektov.
07. Sémantická segmentácia.
08.Prenos štýlu a syntéza obrazu.
09. Rozpoznávanie videa.
10. Riedka 3D rekonštrukcia.
11. Hustá trojrozmerná rekonštrukcia.
12. Rekonštrukcia z jedného rámu a mračna bodov, parametrické modely.
Štvrtý semester
Odporúčané špeciálne kurzy
Hlboké učenie
01.Materiál kurzu
Posilňovacie učenie
01.Materiál kurzu
Samoriadiace autá
Kurz pokrýva základné komponenty technológie autonómneho riadenia: lokalizáciu, vnímanie, predikciu, úroveň správania a plánovanie pohybu. Pre každý komponent budú opísané hlavné prístupy. Okrem toho sa študenti zoznámia so súčasnými trhovými podmienkami a technologickými výzvami.
01.Prehľad hlavných komponentov a snímačov bezpilotného prostriedku. Úrovne autonómie. Drive by Wire. Samoriadiace autá ako obchodný produkt. Spôsoby hodnotenia pokroku pri vytváraní dronov. Základy lokalizácie: gnss, odometria kolesa, Bayesovské filtre.
02.Metódy lokalizácie lidaru: ICP, NDT, LOAM. Úvod do vizuálneho SLAMu s použitím príkladu ORB-SLAM. Vyhlásenie o probléme GraphSLAM. Redukcia problému GraphSLAM na nelineárnu metódu najmenších štvorcov. Výber správnej parametrizácie. Systémy so špeciálnou štruktúrou v GraphSLAM. Architektonický prístup: frontend a backend.
03. Úloha rozpoznávania v samoriadiacom aute. Statické a dynamické prekážky. Senzory pre rozpoznávací systém. Znázornenie statických prekážok. Detekcia statických prekážok pomocou lidaru (VSCAN, metódy neurónových sietí). Použitie lidaru v spojení s obrazmi na detekciu statiky (sémantická segmentácia obrazu, dokončenie hĺbky). Stereo kamera a získavanie hĺbky z obrázka. Svet Stixel.
04.Predstavovanie si dynamických prekážok v samoriadiacom aute. Metódy neurónových sietí na detekciu objektov v 2D. Detekcia založená na zobrazení ľudarového oblaku z vtáčej perspektívy. Používanie lidaru so snímkami na detekciu dynamických prekážok. Detekcia áut v 3D na základe obrázkov (montáž 3D boxov, CAD modely). Dynamická detekcia prekážok založená na radare. Sledovanie objektu.
05. Spôsoby jazdy: zadné koleso, predné koleso. Plánovanie cesty. Koncept konfiguračného priestoru. Grafové metódy konštrukcie trajektórií. Trajektórie, ktoré minimalizujú trhnutie. Optimalizačné metódy konštrukcie trajektórií.
06. Plánovanie rýchlosti v dynamickom prostredí. plánovanie ST. Predvídanie správania ostatných účastníkov cestnej premávky.