Data Science - gratis kurs från School of Data Analysis, utbildning 4 terminer, datum 2 december 2023.
Miscellanea / / December 05, 2023
För dem som vill ställa till problem med hjälp av dataanalys, föreslå lösningar och utvärdera deras effektivitet inte bara i ett syntetiskt experiment utan också under verkliga förhållanden.
Statistik, maskininlärning och att arbeta med olika typer av data.
Data ligger till grund för de flesta moderna tjänster och produkter, från väderprognosappar till självkörande bilar. En dataforskare genomför experiment, bygger mätvärden, vet hur man optimerar driften av tjänster och förstår var deras tillväxtpunkter finns.
Varje student måste framgångsrikt genomföra minst tre kurser under terminen. Till exempel, om det finns två av dem i huvudprogrammet, måste du välja en av specialkurserna.
Kunskaper prövas i första hand genom läxor - tentor och prov genomförs endast i vissa ämnen.
Första terminen
Obligatorisk
Algoritmer och datastrukturer, del 1
01.Komplexitet och beräkningsmodeller. Analys av redovisningsvärden (början)
02. Analys av redovisningsvärden (slut)
03.Merge-Sort och Quick-Sort-algoritmer
04. Ordinalstatistik. Högar (början)
05. Högar (slut)
06.Hashing
07.Sök i träd (början)
08.Sök i träd (fortsättning)
09.Sök i träd (slut). System av osammanhängande uppsättningar
10. RMQ- och LCA-uppgifter
11.Datastrukturer för geometrisk sökning
12. Problemet med dynamisk anslutning i en oriktad graf
Python språk
01. Grundläggande språk (del 1)
02. Grundläggande språk (del 2)
03.Objektorienterad programmering
04.Felhantering
05. Koddesign och testning
06.Arbeta med strängar
07.Minnesmodell
08Funktionell programmering
09. Biblioteksrecension (del 1)
10. Biblioteksrecension (del 2)
11.Parallell beräkning i Python
12.Avancerat arbete med objekt
Maskininlärning, del 1
01.Grundbegrepp och exempel på tillämpade problem
02.Metriska klassificeringsmetoder
03.Logiska klassificeringsmetoder och beslutsträd
04. Gradient linjär klassificeringsmetoder
05.Support Vector Machine
06.Multivariat linjär regression
07. Icke-linjär och icke-parametrisk regression, icke-standardiserade förlustfunktioner
08.Tidsserieprognoser
09.Bayesianska klassificeringsmetoder
10.Logistisk regression
11.Sök efter föreningens regler
Andra terminen
Obligatorisk
Grunderna för statistik i maskininlärning
01.Introduktion
02. Huvuduppgifter och metoder för teorin om statistisk slutledning
03. Fördelningsuppskattning och statistiska funktioner
04.Monte Carlo simulering, bootstrap
05. Parametrisk uppskattning
06. Hypotesprövning
07. Minska dimensionaliteten hos flerdimensionell data
08.Utvärdering av modellens känslighet
09.Linjär och logistisk regression
10. Metoder för design av experiment
11. Olika typer av regularisering vid linjär regression
12. Icke-linjära metoder för att konstruera regressionsberoende
13.Ickeparametrisk uppskattning
14. Bayesiansk metod för uppskattning
15. Bayesiansk syn på regression
16. Bayesiansk syn på regression och optimering
17.Användning av den slumpmässiga Gaussiska fältmodellen i dataanalysproblem
18.Användning av statistiska modeller och metoder i surrogatmodellerings- och optimeringsproblem
Maskininlärning, del 2
01. Neurala nätverksmetoder för klassificering och regression
02.Kompositionsmetoder för klassificering och regression
03.Kriterier för val av modeller och metoder för att välja funktioner
04.Ranking
05. Förstärkningsinlärning
06.Lärande utan lärare
07.Problem med delträning
08. Samarbetsfiltrering
09. Ämnesmodellering
Tredje terminen
Att välja ifrån
Automatisk textbehandling
01Kursmaterial
eller
Datorsyn
Kursen ägnas åt metoder och algoritmer för datorseende, d.v.s. extrahera information från bilder och videor. Låt oss titta på grunderna för bildbehandling, bildklassificering, bildsökning efter innehåll, ansiktsigenkänning, bildsegmentering. Sedan ska vi prata om videobearbetning och analysalgoritmer. Den sista delen av kursen ägnas åt 3D-rekonstruktion. För de flesta problem kommer vi att diskutera befintliga neurala nätverksmodeller. I kursen försöker vi bara uppmärksamma de modernaste metoderna som för närvarande används för att lösa praktiska och forskningsmässiga problem. Kursen är till stor del praktisk snarare än teoretisk. Därför är alla föreläsningar utrustade med laborationer och hemuppgifter, vilket gör att du kan pröva de flesta av de metoder som diskuteras i praktiken. Arbetet utförs i Python med hjälp av olika bibliotek.
01.Digital bild och tonkorrigering.
02.Grunderna för bildbehandling.
03.Kombinera bilder.
04. Klassificering av bilder och sök efter liknande.
05. Konvolutionella neurala nätverk för klassificering och sökning efter liknande bilder.
06.Objektdetektering.
07. Semantisk segmentering.
08. Stilöverföring och bildsyntes.
09.Videoigenkänning.
10.Gles 3D-rekonstruktion.
11.Tät tredimensionell rekonstruktion.
12.Rekonstruktion från en ram och punktmoln, parametriska modeller.
Fjärde terminen
Rekommenderade specialkurser
Djup lärning
01.Kursmaterial
Förstärkningsinlärning
01.Kursmaterial
Självkörande bilar
Kursen täcker kärnkomponenterna i självkörande teknologi: lokalisering, perception, förutsägelse, beteendenivå och rörelseplanering. För varje komponent kommer de huvudsakliga tillvägagångssätten att beskrivas. Dessutom kommer studenterna att bli bekanta med nuvarande marknadsförhållanden och tekniska utmaningar.
01.Översikt över huvudkomponenterna och sensorerna i ett obemannat fordon. Nivåer av autonomi. Drive by Wire. Självkörande bilar som företagsprodukt. Sätt att utvärdera framstegen med att skapa drönare. Grunderna för lokalisering: gnss, hjulodometri, Bayesiska filter.
02. Metoder för lokalisering av lidar: ICP, NDT, LOAM. Introduktion till visuell SLAM med ORB-SLAM som exempel. Redogörelse för GraphSLAM-problemet. Reducering av GraphSLAM-problemet till en olinjär minsta kvadratmetod. Att välja rätt parametrering. System med en speciell struktur i GraphSLAM. Arkitektoniskt tillvägagångssätt: frontend och backend.
03. Igenkänningsuppgift i en självkörande bil. Statiska och dynamiska hinder. Sensorer för igenkänningssystemet. Representation av statiska hinder. Detektering av statiska hinder med hjälp av lidar (VSCAN, neurala nätverksmetoder). Användning av lidar i kombination med bilder för att upptäcka statik (semantisk bildsegmentering, djupkomplettering). Stereokamera och få djup från en bild. Stixel världen.
04.Tänk dig dynamiska hinder i en självkörande bil. Neurala nätverksmetoder för att detektera objekt i 2D. Detektering baserad på fågelperspektiv av lidarmolnrepresentation. Använder lidar med bilder för att upptäcka dynamiska hinder. Bildetektering i 3D baserat på bilder (3D-boxar, CAD-modeller). Radarbaserad dynamisk hinderdetektering. Objektspårning.
05.Bilkörningsmönster: bakhjul, framhjul. Vägplanering. Konceptet med konfigurationsutrymme. Grafiska metoder för att konstruera banor. Banor som minimerar ryck. Optimeringsmetoder för att konstruera banor.
06.Hastighetsplanering i en dynamisk miljö. ST planering. Förutsäga andra trafikanters beteende.