Data Science - ingyenes tanfolyam a School of Data Analysis-től, képzés 4 félév, dátum: 2023. december 2.
Vegyes Cikkek / / December 05, 2023
Azok számára, akik az adatelemzés segítségével problémákat szeretnének felvetni, javasoljanak megoldásokat és értékeljék azok hatékonyságát nem csak szintetikus kísérletben, hanem valós körülmények között is.
Statisztika, gépi tanulás és különböző típusú adatokkal való munka.
Adatok támasztják alá a legtöbb modern szolgáltatást és terméket, az időjárás-előrejelző alkalmazásoktól az önvezető autókig. A Data Scientist kísérleteket végez, mérőszámokat készít, tudja, hogyan optimalizálhatja a szolgáltatások működését, és megérti, hol vannak növekedési pontjaik.
Minden hallgatónak sikeresen teljesítenie kell legalább három kurzust a félév során. Például, ha kettő van belőlük a fő programban, akkor a speciális kurzusok egyikét kell választania.
Az ismeretek ellenőrzése elsősorban házi feladatokkal történik – vizsgákra és tesztekre csak bizonyos tantárgyakból kerül sor.
Első szemeszter
Kötelező
Algoritmusok és adatstruktúrák, 1. rész
01. Komplexitás és számítási modellek. Számviteli értékek elemzése (eleje)
02. Számviteli értékek elemzése (vége)
03. Összevonás-rendezés és gyorsrendezés algoritmusok
04. Rendes statisztika. Halmok (eleje)
05. Halmok (vége)
06.Kivonatolás
07. Fák keresése (eleje)
08. Fák keresése (folytatás)
09.Fák keresése (vége). Diszjunkt halmazok rendszere
10. RMQ és LCA feladatok
11. Adatszerkezetek geometriai kereséshez
12. A dinamikus kapcsolódás problémája irányítatlan gráfban
Python nyelv
01. Nyelvi alapismeretek (1. rész)
02. Nyelvi alapismeretek (2. rész)
03.Objektumorientált programozás
04.Hibakezelés
05. Kód tervezés és tesztelés
06. Munka húrokkal
07.Memória modell
08 Funkcionális programozás
09. Könyvtári szemle (1. rész)
10. Könyvtári szemle (2. rész)
11. Párhuzamos számítástechnika Pythonban
12. Haladó munka tárgyakkal
Gépi tanulás, 1. rész
01.Alapfogalmak és példák alkalmazott problémákra
02.Metrikus osztályozási módszerek
03. Logikai osztályozási módszerek és döntési fák
04. Gradiens lineáris osztályozási módszerek
05.Support Vector Machine
06.Többváltozós lineáris regresszió
07. Nemlineáris és nem paraméteres regresszió, nem szabványos veszteségfüggvények
08. Idősoros előrejelzés
09.Bayesi osztályozási módszerek
10.Logisztikus regresszió
11. Társulási szabályok keresése
Második időszak
Kötelező
Statisztikák alapjai a gépi tanulásban
01. Bevezetés
02. A statisztikai következtetés elméletének főbb feladatai és módszerei
03. Eloszlásbecslés és statisztikai funkcionálisok
04.Monte Carlo szimuláció, bootstrap
05. Paraméteres becslés
06. Hipotézisvizsgálat
07. Többdimenziós adatok dimenziósságának csökkentése
08.A modell érzékenységének felmérése
09.Lineáris és logisztikus regresszió
10. A kísérletek tervezésének módszerei
11.Különböző típusú regularizáció a lineáris regresszióban
12. Nemlineáris módszerek regressziós függőségek létrehozására
13. Nem paraméteres becslés
14. A becslés Bayes-féle megközelítése
15. A regresszió bayesi megközelítése
16. A regresszió és optimalizálás Bayes-féle megközelítése
17. A véletlenszerű Gauss-mezőmodell használata adatelemzési problémákban
18. Statisztikai modellek és módszerek alkalmazása helyettesítő modellezési és optimalizálási problémákban
Gépi tanulás, 2. rész
01. Neurális hálózatok osztályozási és regressziós módszerei
02. Az osztályozás és a regresszió kompozíciós módszerei
03. A modellek kiválasztásának kritériumai és a jellemzők kiválasztásának módszerei
04.Rangsor
05. Megerősítő tanulás
06.Tanulás tanár nélkül
07. Problémák a részképzéssel
08. Együttműködési szűrés
09. Témamodellezés
Harmadik félév
Választani
Automatikus szövegfeldolgozás
01 Tananyag
vagy
Számítógépes látás
A kurzus a számítógépes látás módszereivel és algoritmusaival foglalkozik, pl. információk kinyerése képekből és videókból. Nézzük meg a képfeldolgozás alapjait, képosztályozást, tartalom szerinti képkeresést, arcfelismerést, képszegmentálást. Ezután a videófeldolgozási és -elemzési algoritmusokról lesz szó. A kurzus utolsó része a 3D rekonstrukcióval foglalkozik. A legtöbb probléma esetében a meglévő neurális hálózati modelleket tárgyaljuk. A tanfolyamon igyekszünk csak a gyakorlati és kutatási problémák megoldásában jelenleg alkalmazott legmodernebb módszerekre figyelni. A tanfolyam inkább gyakorlati, mint elméleti. Ezért minden előadást laboratóriumi és házi feladatokkal látnak el, amelyek lehetővé teszik a legtöbb tárgyalt módszer gyakorlati kipróbálását. A munka Pythonban történik, különféle könyvtárak segítségével.
01.Digitális kép és tónuskorrekció.
02.A képfeldolgozás alapjai.
03.Képek kombinálása.
04. Képek osztályozása és hasonlók keresése.
05. Konvolúciós neurális hálózatok osztályozáshoz és hasonló képek kereséséhez.
06.Tárgyérzékelés.
07. Szemantikai szegmentáció.
08.Stílusátvitel és képszintézis.
09.Videófelismerés.
10. Ritka 3D rekonstrukció.
11.Sűrű háromdimenziós rekonstrukció.
12. Rekonstrukció egy keretből és pontfelhőkből, parametrikus modellek.
Negyedik félév
Ajánlott speciális tanfolyamok
Mély tanulás
01.A tananyag
Megerősítő tanulás
01.A tananyag
Önvezető autók
A tanfolyam lefedi az önvezető technológia alapvető összetevőit: lokalizáció, észlelés, előrejelzés, viselkedési szint és mozgástervezés. Minden egyes komponens esetében leírjuk a fő megközelítéseket. Ezenkívül a hallgatók megismerkednek a jelenlegi piaci feltételekkel és a technológiai kihívásokkal.
01.Egy pilóta nélküli jármű fő alkatrészeinek és érzékelőinek áttekintése. Az autonómia szintjei. Vezetés vezetéken keresztül. Önvezető autók, mint üzleti termékek. A drónok létrehozásában elért előrehaladás értékelésének módjai. Lokalizációs alapok: gnss, kerék kilométer-mérő, Bayes-szűrők.
02.A lidar lokalizáció módszerei: ICP, NDT, LOAM. Bevezetés a vizuális SLAM-be ORB-SLAM példaként. A GraphSLAM probléma kijelentése. A GraphSLAM probléma redukálása nemlineáris legkisebb négyzetek módszerére. A megfelelő paraméterezés kiválasztása. Speciális felépítésű rendszerek a GraphSLAM-ben. Építészeti megközelítés: frontend és backend.
03. Felismerési feladat önvezető autóban. Statikus és dinamikus akadályok. Érzékelők a felismerő rendszerhez. Statikus akadályok ábrázolása. Statikus akadályok észlelése lidar segítségével (VSCAN, neurális hálózati módszerek). A lidar használata képekkel együtt a statika észlelésére (szemantikus képszegmentálás, mélységkiegészítés). Sztereó kamera és mélység felvétele a képből. Stixel világ.
04.Dinamikus akadályok elképzelése egy önvezető autóban. Neurális hálózati módszerek objektumok észlelésére 2D-ben. Észlelés a lidar felhőábrázolás madártávlati nézetén alapul. Lidar használata képekkel a dinamikus akadályok észlelésére. Autófelismerés 3D-ben képek alapján (3D doboz szerelés, CAD modellek). Radar alapú dinamikus akadályérzékelés. Objektumkövetés.
05.Autóvezetési minták: hátsó kerék, első kerék. Útvonal tervezés. A konfigurációs tér fogalma. Grafikon módszerek trajektóriák felépítéséhez. Trajektóriák, amelyek minimalizálják a rángatást. Optimalizálási módszerek a pályák felépítéséhez.
06. Sebességtervezés dinamikus környezetben. ST tervezés. A többi közlekedő viselkedésének előrejelzése.