Data Science - ilmainen kurssi Data Analysis Schoolista, koulutus 4 lukukautta, päivämäärä 2.12.2023.
Miscellanea / / December 05, 2023
Niille, jotka haluavat esittää ongelmia data-analyysin avulla, ehdota ratkaisuja ja arvioi niiden tehokkuutta paitsi synteettisessä kokeessa myös todellisissa olosuhteissa.
Tilastot, koneoppiminen ja erityyppisten tietojen kanssa työskentely.
Data tukee useimpia nykyaikaisia palveluita ja tuotteita sääennustussovelluksista itseajaviin autoihin. Data Scientist tekee kokeita, rakentaa mittareita, osaa optimoida palveluiden toimintaa ja ymmärtää missä niiden kasvupisteet ovat.
Jokaisen opiskelijan tulee suorittaa vähintään kolme kurssia lukukauden aikana. Esimerkiksi, jos niitä on kaksi pääohjelmassa, sinun on valittava yksi erikoiskursseista.
Tietoa testataan ensisijaisesti kotitehtävien kautta - tentit ja kokeet suoritetaan vain joissakin aineissa.
Ensimmäinen lukukausi
Pakollinen
Algoritmit ja tietorakenteet, osa 1
01. Monimutkaisuus ja laskennalliset mallit. Kirjanpitoarvojen analyysi (alku)
02. Kirjanpitoarvojen analyysi (loppu)
03. Yhdistä-lajittelu- ja Quick-Sort-algoritmit
04. Tavallinen tilasto. Kasat (alku)
05. Kasat (loppu)
06. Hashing
07. Etsi puita (alku)
08. Hakupuut (jatkuu)
09.Etsi puita (loppu). Disjunktijoukkojen järjestelmä
10. RMQ- ja LCA-tehtävät
11. Geometrisen haun tietorakenteet
12.Dynaamisen liitettävyyden ongelma ohjaamattomassa graafissa
Python kieli
01. Kielen perusteet (Osa 1)
02. Kielen perusteet (Osa 2)
03. Olio-ohjelmointi
04. Virheiden käsittely
05. Koodin suunnittelu ja testaus
06. Työskentely jousilla
07. Muistimalli
08 Toiminnallinen ohjelmointi
09. Kirjastoarvostelu (osa 1)
10. Kirjastokatsaus (osa 2)
11.Rinnakkaislaskenta Pythonissa
12. Edistynyt työskentely esineiden kanssa
Koneoppiminen, osa 1
01. Peruskäsitteet ja esimerkit sovellettavista ongelmista
02.Metrinen luokitusmenetelmät
03.Loogiset luokitusmenetelmät ja päätöspuut
04. Gradienttilineaariset luokitusmenetelmät
05.Support Vector Machine
06. Monimuuttuja lineaarinen regressio
07.Epälineaarinen ja ei-parametrinen regressio, ei-standardihäviöfunktiot
08. Aikasarjaennuste
09. Bayesin luokittelumenetelmät
10. Logistinen regressio
11.Etsi yhdistyksen säännöt
Toinen termi
Pakollinen
Koneoppimisen tilastojen perusteet
01. Johdanto
02. Tilastollisen päättelyn teorian päätehtävät ja menetelmät
03. Jakauman estimointi ja tilastofunktiot
04.Monte Carlo -simulaatio, bootstrap
05. Parametrinen estimointi
06. Hypoteesin testaus
07. Moniulotteisen datan ulottuvuuden vähentäminen
08. Mallin herkkyyden arviointi
09. Lineaarinen ja logistinen regressio
10. Kokeiden suunnittelumenetelmät
11. Erityyppiset regularisaatiot lineaarisessa regressiossa
12. Epälineaariset menetelmät regressioriippuvuuksien muodostamiseksi
13.Ei-parametrinen estimointi
14. Bayesilainen lähestymistapa estimointiin
15. Bayesilainen lähestymistapa regressioon
16. Bayesilainen lähestymistapa regressioon ja optimointiin
17.Satunnais Gaussin kenttämallin käyttö data-analyysiongelmissa
18. Tilastollisten mallien ja menetelmien käyttö korvikemallinnus- ja optimointiongelmissa
Koneoppiminen, osa 2
01. Neuroverkkojen luokittelu- ja regressiomenetelmät
02. Luokittelun ja regression kompositiomenetelmät
03. Mallien valintakriteerit ja ominaisuuksien valintamenetelmät
04. Ranking
05. Vahvistusoppiminen
06.Oppiminen ilman opettajaa
07.Osittaisen koulutuksen ongelmia
08.Yhteistyösuodatus
09. Aihemallinnus
Kolmas lukukausi
Mistä valita
Automaattinen tekstinkäsittely
01 Kurssimateriaali
tai
Konenäkö
Kurssi on omistettu tietokonenäön menetelmille ja algoritmeille, ts. poimia tietoa kuvista ja videoista. Tutustutaan kuvankäsittelyn perusteisiin, kuvien luokitteluun, sisällön mukaan kuvahakuun, kasvojentunnistukseen, kuvien segmentointiin. Sitten puhumme videonkäsittely- ja analyysialgoritmeista. Kurssin viimeinen osa on omistettu 3D-rekonstruktiolle. Useimpien ongelmien osalta keskustelemme olemassa olevista neuroverkkomalleista. Kurssilla pyrimme kiinnittämään huomiota vain nykyaikaisimpiin menetelmiin, joita tällä hetkellä käytetään käytännön ja tutkimusongelmien ratkaisemisessa. Kurssi on pitkälti käytännöllinen kuin teoreettinen. Siksi kaikki luennot on varustettu laboratorio- ja kotitehtävillä, joiden avulla voit kokeilla useimpia käsiteltyjä menetelmiä käytännössä. Työ suoritetaan Pythonilla käyttämällä erilaisia kirjastoja.
01.Digitaalinen kuva ja sävyn korjaus.
02.Kuvankäsittelyn perusteet.
03. Kuvien yhdistäminen.
04. Kuvien luokittelu ja vastaavien haku.
05. Konvoluutiohermoverkot samankaltaisten kuvien luokitteluun ja etsimiseen.
06. Esineiden tunnistus.
07. Semanttinen segmentointi.
08. Tyylin siirto ja kuvan synteesi.
09.Videontunnistus.
10. Harva 3D-rekonstruktio.
11.Tiheä kolmiulotteinen rekonstruktio.
12. Rekonstruktio yhdestä kehyksestä ja pistepilvistä, parametriset mallit.
Neljäs lukukausi
Suositeltavat erikoiskurssit
Syvä oppiminen
01. Kurssimateriaali
Vahvistusoppiminen
01. Kurssimateriaali
Itseajavat autot
Kurssi kattaa itseohjautuvan tekniikan ydinkomponentit: lokalisoinnin, havainnon, ennustamisen, käyttäytymisen tason ja liikkeen suunnittelun. Jokaisen komponentin osalta kuvataan tärkeimmät lähestymistavat. Lisäksi opiskelija perehtyy ajankohtaisiin markkinaolosuhteisiin ja teknologisiin haasteisiin.
01. Yleiskatsaus miehittämättömän ajoneuvon pääkomponenteista ja antureista. Autonomian tasot. Drive by Wire. Itseajavat autot yritystuotteena. Tapoja arvioida droonien luomisen edistymistä. Lokalisoinnin perusteet: gnss, pyörän matkamittari, Bayes-suodattimet.
02. Lidar-paikannusmenetelmät: ICP, NDT, LOAM. Johdatus visuaaliseen SLAM: iin käyttämällä esimerkkinä ORB-SLAM: ia. Ilmoitus GraphSLAM-ongelmasta. GraphSLAM-ongelman pelkistäminen epälineaariseksi pienimmän neliösumman menetelmäksi. Oikean parametroinnin valinta. Järjestelmät, joissa on erityinen rakenne GraphSLAMissa. Arkkitehtoninen lähestymistapa: frontend ja backend.
03. Tunnistustehtävä itseajavassa autossa. Staattiset ja dynaamiset esteet. Tunnistusjärjestelmän anturit. Staattisten esteiden esitys. Staattisten esteiden havaitseminen lidarin avulla (VSCAN, hermoverkkomenetelmät). Lidarin käyttö kuvien yhteydessä staattisen vaikutuksen havaitsemiseen (semanttinen kuvan segmentointi, syvyyden täydennys). Stereokamera ja syvyyden saaminen kuvasta. Stixel World.
04.Dynaamisten esteiden kuvitteleminen itseajavassa autossa. Hermoverkkomenetelmät kohteiden havaitsemiseen 2D: ssä. Havaitseminen perustuu lidar-pilviesityksen lintuperspektiiviin. Lidarin käyttäminen kuvien kanssa dynaamisten esteiden havaitsemiseen. Autontunnistus 3D: ssä kuvien perusteella (3D-laatikoiden asennus, CAD-mallit). Tutkapohjainen dynaaminen esteentunnistus. Objektin seuranta.
05. Auton ajotavat: takapyörä, etupyörä. Reitin suunnittelu. Konfigurointitilan käsite. Graafiset menetelmät lentoratojen rakentamiseen. Liikeradat, jotka minimoivat nykimisen. Optimointimenetelmät lentoratojen rakentamiseen.
06. Nopeussuunnittelu dynaamisessa ympäristössä. ST suunnittelu. Muiden tienkäyttäjien käyttäytymisen ennustaminen.