Soveltuvien tieteiden analyysi - ilmainen kurssi Data Analysis -korkeakoulusta, koulutus 4 lukukautta, Päivämäärä: 5.12.2023.

Soveltuvien tieteiden data-analyysin pääpiirre on, että opiskelijat työskentelevät suurimman osan toisesta opintovuodesta soveltavien tutkimusprojektien parissa. ShaD: ssa opiskelun loppuarvosana määräytyy pitkälti tämän projektin laadun perusteella.

Opiskelijoille, jotka tekevät rinnakkain opinnäytetyötä (kandidaatin tai maisterin), ShaD-projektit voivat toimia yliopistotyönsä pohjana.

Pakollinen
Toiminnallisten kuvioiden rekonstruointi empiirisen tiedon perusteella

01 Riippuvuuden palautumisongelman yleinen muotoilu
02 Suurimman todennäköisyyden menetelmä
03 Esimerkkejä erityisistä riippuvuuden palautumisongelmista: regressio, kuvioiden tunnistus, kuvioiden tunnistus ja niiden sovellukset
04 Jakaumien ei-parametristen estimaattien rakentaminen käyttämällä maksimitodennäköisyysmenetelmää
05 Pienimmän neliösumman menetelmä regressioestimointiin. Suurimman todennäköisyyden menetelmä mallin valinnassa
06 Todennäköisyyssuhdetesti
07 Etsi päätössääntö, joka minimoi virheiden määrän tai sakkofunktion keskiarvon opetustiedoista hahmontunnistusongelmissa
08 Monimuuttuja lineaarinen estimointi
09 Perceptron. Mahdolliset toiminnot. Neuroverkot
10 A priori -tietojen huomioon ottaminen lineaarisessa estimoinnissa
11 Yleistetty muotokuvamenetelmä luokittelutehtävässä
12 Bayesin arvio
13 Tuki Vector Machine (SVM)
14 Joitakin luokittelumenetelmiä
15 Empiirisen riskinminimointimenetelmän kritiikki
16 Optimaalinen hypertaso
17 Kriteerit taajuuksien ja todennäköisyyksien tasaiselle konvergenssille. Kasvutoiminto. VC-mitta
18 Optimaalisen hypertason rakentamisen kaksoisongelma
19 Kriteerit taajuuksien tasaiselle konvergenssille todennäköisyyksiin. Suhde hahmontunnistuksen oppimisen tehtäviin
20 Ei-parametrisen spline-regression rakentaminen
21 Kriteerit keskiarvojen tasaiselle lähentymiselle matemaattisiin odotuksiin
22 Ei-parametrisen ytimen regression rakentaminen
23 Optimaalisen mallin monimutkaisuuden valinnan ongelma
24 Erityyppiset regressioriippuvuudet

Stokastiikan perusteet. Stokastiset mallit

01 Klassinen todennäköisyyden määritelmä
02 Ehdolliset todennäköisyydet. Itsenäisyys. Ehdollinen matemaattinen odotus.
03 Diskreetit satunnaismuuttujat ja niiden ominaisuudet
04 Rajalauseet
05 Satunnainen kävely
06 Martingales
07 Diskreetit Markov-ketjut. Ergodinen lause.
08 Todennäköisyysmalli kokeesta, jossa on ääretön määrä tapahtumia. Kolmogorovin aksiomatiikka. Erilaiset satunnaismuuttujien konvergenssityypit.
09 Todennäköisyysmittausten heikko konvergenssi. Karakteristen funktioiden menetelmä rajalauseiden todistuksessa.
10 satunnaista prosessia

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 Hakupuut (alku)
08 Hakupuut (jatkuu)
09 Etsi puita (loppu). Disjunktioiden järjestelmä
10 RMQ: n ja LCA: n tavoitteet
11 Geometrisen haun tietorakenteet
12 Dynaamisen liitettävyyden ongelma ohjaamattomassa graafissa

01 Peruskäsitteet ja esimerkit sovelletuista ongelmista
02 Metrinen luokitusmenetelmät
03 Loogiset luokitusmenetelmät ja päätöspuut
04 Gradienttilineaariset luokittelumenetelmät
05 Tuki 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

Koneoppimisen tilastojen perusteet

01 Johdanto
02 Tilastollisen päättelyn teorian perustehtävät ja menetelmät
03 Jakauman estimointi ja tilastofunktiot
04 Monte Carlo -simulaatio, bootstrap
05 Parametrinen estimointi
06 Hypoteesien testaus
07 Moniulotteisen datan ulottuvuuden vähentäminen
08 Mallin herkkyyden arviointi
09 Lineaarinen ja logistinen regressio
10 Kokeiden suunnittelu
11 Erityyppiset regularisaatiot lineaarisessa regressiossa
12 Epälineaariset menetelmät regressioriippuvuuksien muodostamiseen
13 Ei-parametrinen estimointi
14 Bayesin lähestymistapa estimointiin
15 Bayesilainen lähestymistapa regressioon
16 Bayesin lähestymistapa regressioon ja optimointiin
17 Gaussin satunnaiskenttämallin käyttö data-analyysiongelmissa
18 Tilastollisten mallien ja menetelmien käyttö sijaismallinnus- ja optimointiongelmissa

01 Kuperat funktiot ja joukot
02 Optimaalisuusehdot ja kaksinaisuus
03 Johdatus optimointimenetelmiin
04 Monimutkaisuus kupereiden sileiden ja kuperoiden epäsileiden ongelmien luokille
05 Tasoitustekniikka
06 Rangaistustoiminnot. Estemenetelmä. Muokattu Lagrangen funktiomenetelmä
07 ADMM
08 Johdatus peilin asettamistekniikoihin
09 Newton-menetelmä ja kvasi-Newton-menetelmät. BFGS
10 Johdatus vahvaan optimointiin
11 Johdatus stokastiseen optimointiin
12 satunnaistettua optimointialgoritmia
13 Johdatus online-optimointiin

Koneoppiminen, osa 2

01 Neuroverkkojen luokittelu- ja regressiomenetelmät
02 Koostumusluokitus ja regressiomenetelmät
03 Mallien valintakriteerit ja ominaisuuksien valintamenetelmät
04 Ranking
05 Vahvistusoppiminen
06 Oppimista ilman opettajaa
07 Ongelmia osittaisessa harjoittelussa
08 Yhteistyösuodatus
09 Aihemallinnus

Projektityö