Gépi tanulás fejlesztése - ingyenes tanfolyam a School of Data Analysis-től, képzés 4 félév, Időpont: 2023. december 2.
Vegyes Cikkek / / December 06, 2023
Ez az irány azoknak szól, akik szeretnek több ezer és millió ember által használható szolgáltatásokat, alkalmazásokat programozni, létrehozni.
Írjon hatékony kódot, építsen és optimalizáljon iparilag hatékony adatvezérelt rendszereket.
A gépi tanuláson alapuló high-tech termékek fejlesztésében.
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 Egyesítés-rendezés és gyorsrendezés algoritmusok
04 Rendes statisztika. Halmok (eleje)
05Heaps (vége)
06 Kivonatolás
07 Fák keresése (eleje)
08Fák keresése (folytatás)
09Fák keresése (vége). Diszjunkt halmazok rendszere
10 Az RMQ és az LCA problémái
11Adatstruktúrák geometriai kereséshez
12Dinamikus kapcsolódási probléma irányítatlan gráfban
C++ nyelvi képzés, 1. rész
A C++ egy erőteljes nyelv gazdag örökséggel. Azok számára, akik most indultak el e nyelv elsajátításának útján, nagyon könnyen eltévedhetnek az elmúlt 30 év során megalkotott technikák és technikák rengetegében. A kurzus a „Modern C++” nyelvet – a nyelv modern részhalmazát – tanítja (11., 14. és 17. szabvány). Nagy figyelmet fordítanak az eszközökre és a könyvtárakra – olyan dolgokra, amelyek nem részei a nyelvnek, de amelyek nélkül nem lehet nagy és összetett projektet felépíteni.
01 Bevezetés a C++-ba.
02 Állandók. Mutatók és linkek. Argumentumok átadása függvénynek.
03 Osztályok.
04Dinamikus memóriakezelés.
05 Változók, mutatók és hivatkozások.
06 Memóriakezelés, intelligens mutatók, RAII.
07Standard sablonkönyvtár.
08 Öröklődés és virtuális funkciók.
09Hibakezelés.
10 Tervezési minták.
11Névterek Szemantika mozgatása Tökéletes továbbítás.
12Struktúrák és osztályok ábrázolása a memóriában. Adatigazítás. Mutatók az osztály tagjaira/módszereire. Változatos sablonok.
Gépi tanulás, 1. rész
01Alapfogalmak és példák alkalmazott problémákra
02Metrikus osztályozási módszerek
03 Logikai osztályozási módszerek és döntési fák
04 Gradiens lineáris osztályozási módszerek
05Support Vector Machine
06 Többváltozós lineáris regresszió
07 Nemlineáris és nem paraméteres regresszió, nem szabványos veszteségfüggvények
08Idősoros előrejelzés
09Bayesi osztályozási módszerek
10Logisztikus regresszió
11. Társítási szabályok keresése
Második időszak
Kötelező
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 funkciók kiválasztásának módszerei
04Rangsorolás
05Megerősítő tanulás
06Tanulás tanár nélkül
07 Problémák a részképzéssel
08Együttműködési szűrés
09Témamodellezés
Választani
Algoritmusok és adatstruktúrák, 2. rész
01 Kerülőút szélességben. Mélység első bejárás (kezdet)
02 Mélységi bejárás (folytatás)
03 Mélységi bejárás (vége). 2-vágás
04A legrövidebb utak keresése (eleje)
05 A legrövidebb utak keresése (folytatás)
06 Minimálisan átívelő fák
07 Minimális vágás. Alkarakterláncok keresése (kezdet)
08Részkarakterláncok keresése (folytatás)
09Részkarakterláncok keresése (vége)
10 Utótag fa (eleje)
11Utótag fák (végződés). Utótag tömbök (kezdet)
12 Utótag tömbök (végződés)
13 A leghosszabb közös karakterláncok. Hozzávetőleges részkarakterlánc keresés.
vagy
Python nyelv
01 Nyelvi alapismeretek (1. rész)
02 Nyelvi alapismeretek (2. rész)
03Objektumorientált programozás
04 Hibakezelés
05 Kódtervezés és tesztelés
06 Munka húrokkal
07 Memória modell
08 Funkcionális programozás
09 Könyvtári áttekintés (1. rész)
10Könyvtári áttekintés (2. rész)
11Párhuzamos számítástechnika Pythonban
12 Haladó munka az objektumokkal
vagy
C++ nyelvi képzés, 2. rész
A C++ tanfolyam második része, amely haladó témákat és nyelvi képességeket ölel fel.
01 Többszálú programozás. Szálak szinkronizálása mutexek és feltételváltozók használatával.
02 Atomváltozók. C++ memória modell. Példák zármentes adatstruktúrákra.
03 Fejlett meta-programozási technikák C++ nyelven. Metafunkciók, SFINAE, fogalmak.
04 Versenyképes programozás, interakció a hálózattal.
05llvm architektúra. Munka a C++ értelmezőfával. Eszközök fejlesztése a C++ kód elemzéséhez.
Harmadik félév
Választani
Természetes nyelvi feldolgozás
„Az NLP (Natural Language Processing) a mesterséges intelligencia tágabb területének egy részhalmaza, amely megpróbálja megtanítani a számítógépet a nyers adatok természetes nyelven történő megértésére és feldolgozására. A ma rendelkezésre álló információk többsége nem strukturált szöveg. Emberként természetesen nem nehéz megértenünk őket (ha anyanyelvünkön vannak), de nem tudunk annyi adatot feldolgozni, amennyit egy gép képes feldolgozni. De hogyan érheti el a gép, hogy megértse ezeket az adatokat, és miként tud kinyerni belőlük bizonyos információkat? Néhány évvel ezelőtt, az ACL (az egyik fő, ha nem a legfontosabb NLP konferencia) megnyitóján Marti Hearst elnöki beszéd bevallotta, hogy nem tudja tovább adni a diákoknak kedvencét gyakorlat. A HAL 9000-et használva (a sci-fi mesterséges intelligenciájának egyik példája) megkérdezte a diákokat, hogy a gép mire képes a HAL-hoz hasonlóan, és mire nem. Manapság ez már nem olyan jó gyakorlat, hiszen ma már szinte mindez számítógéppel is elvégezhető. Elképesztő, hogy milyen gyorsan növekszik a mezőny, és mennyi mindent elértünk. A tanfolyamon megpróbáljuk megértetni és átérezni, hogy mi történik a világban. Milyen problémákat oldanak meg, hogyan történik ez; hogyan kapnak új életet és új értelmezést egyes statisztikai megközelítések (amelyeknek néhány évvel ezelőtt szinte teljes egészében az NLP-kurzusokat szentelték) a neurális hálózatokban, és melyek fokozatosan kihalnak. Megmutatjuk, hogy az NLP nem párok halmaza (probléma, megoldás), hanem általános elképzelések, amelyek áthatolnak különböző problémákon, és valamilyen közös koncepciót tükröznek. Azt is megtudhatja, mi történik a gyakorlatban, és mikor melyik megközelítés alkalmazható jobban. Mi ezt csináljuk, amit szeretünk, és készek vagyunk megosztani veletek :)"
01 https://lena-voita.github.io/nlp_course.html
02 https://github.com/yandexdataschool/nlp_course
vagy
Számítógépes látás
"A kurzus a számítógépes látás módszereivel és algoritmusaival foglalkozik, azaz a képekből és videókból való információ kinyerésére. 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, különféle könyvtárak segítségével történik."
01Digitális képalkotás és tónuskorrekció
02A képfeldolgozás alapjai
03Képfűzés
04Képosztályozás és hasonlók keresése
05Konvolúciós neurális hálózatok osztályozáshoz és hasonló képek kereséséhez
06 Tárgyérzékelés
07 Szemantikai szegmentálás
08Stílusátvitel és képszintézis
09Videofelismerés
10 Ritka 3D rekonstrukció
11Sűrű 3D rekonstrukció
12Rekonstrukció egy keretből és pontfelhőkből, parametrikus modellek
vagy
Bayesi módszerek a gépi tanulásban
01 A valószínűségszámítás bayesi megközelítése
02Analitikus Bayes-i következtetés
03Bayesi modellválasztás
04 A relevancia automatikus meghatározása
05 Relevanciavektor módszer osztályozási problémához
06 Valószínűségi modellek látens változókkal
07 Változatos Bayes-i következtetés
08 Gauss-féle bayesi keverék-elválasztási modell
09Monte Carlo módszerek Markov láncokkal
10 Látens Dirichlet kiosztás
11 Gauss-folyamatok regresszióhoz és osztályozáshoz
12 Nemparaméteres Bayes-módszerek
Negyedik félév
Kötelező
ML mérnöki gyakorlat
A kurzus egy projektmunka az ML projektek csapatban történő fejlesztésével.
ML kutatási gyakorlat
A kurzus a gépi tanulás területén végzett csapatkutatási projekteken végzett munkát képviseli.
Ajánlott speciális tanfolyamok
Mély tanulás
01 Tananyag
Megerősítő tanulás
01 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.
01Egy 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.
02Lidar lokalizációs módszerek: 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.
03Felismerési 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.
04Dinamikus akadályok ábrázolása 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.
05Autóvezetési 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
Neuro-bayesi módszerek
A kurzus a Bayes-módszerek mély tanulásban való alkalmazására összpontosít. Az előadásokon szó lesz a valószínűségi modellezés használatáról generatív adatmodellek felépítésében, a versengő módszerek alkalmazásáról. hálózatok hozzávetőleges következtetésekhez, modellezési bizonytalanság a neurális hálózat paramétereiben, és néhány nyitott probléma a mélyben kiképzés.
01 Sztochasztikus variációs következtetés
02 Kettős sztochasztikus variációs következtetés
03 Változatos autoencoder, folyamok normalizálása variációs következtetéshez
04Módszerek a variancia csökkentésére látens változós modellekben
05Az eloszlási sűrűségek arányának becslése, alkalmazása \alpha-GAN példájával
06Bayes-féle neurális hálózatok
07 Neurális hálózatok Bayes-féle tömörítése
08Félig implicit variációs következtetés