Data Science - besplatni tečaj Škole analize podataka, obuka 4 semestra, datum 2. prosinca 2023.
Miscelanea / / December 05, 2023
Za one koji analizom podataka žele postaviti probleme, predložiti rješenja i ocijeniti njihovu učinkovitost ne samo u sintetičkom eksperimentu, već iu stvarnim uvjetima.
Statistika, strojno učenje i rad s različitim vrstama podataka.
Podaci podupiru većinu modernih usluga i proizvoda, od aplikacija za prognozu vremena do samovozećih automobila. Data Scientist provodi eksperimente, gradi metrike, zna kako optimizirati rad usluga i razumije gdje su njihove točke rasta.
Svaki student mora uspješno odslušati najmanje tri kolegija tijekom semestra. Na primjer, ako su dva od njih u glavnom programu, tada morate odabrati jedan od posebnih tečajeva.
Znanje se provjerava prvenstveno domaćim zadaćama – ispiti i kolokviji se provode samo iz pojedinih predmeta.
Prvi semestar
Obavezno
Algoritmi i strukture podataka, 1. dio
01.Složenost i računalni modeli. Analiza knjigovodstvenih vrijednosti (početak)
02. Analiza knjigovodstvenih vrijednosti (kraj)
03. Algoritmi za spajanje i brzo sortiranje
04. Redna statistika. Hrpe (početak)
05. Hrpe (kraj)
06.Hashing
07.Traži stabla (početak)
08.Traži stabla (nastavak)
09.Traži stabla (kraj). Sustav disjunktnih skupova
10. RMQ i LCA zadaci
11.Strukture podataka za geometrijsko pretraživanje
12.Problem dinamičke povezanosti u neusmjerenom grafu
Python jezik
01. Osnove jezika (1. dio)
02. Osnove jezika (2. dio)
03.Objektno orijentirano programiranje
04.Rješavanje pogrešaka
05. Dizajn koda i testiranje
06.Rad sa žicama
07.Model memorije
08Funkcionalno programiranje
09. Pregled knjižnice (1. dio)
10. Pregled knjižnice (2. dio)
11.Paralelno računanje u Pythonu
12.Napredni rad s objektima
Strojno učenje, 1. dio
01.Osnovni pojmovi i primjeri primijenjenih problema
02. Metode metričke klasifikacije
03.Metode logičke klasifikacije i stabla odlučivanja
04.Gradijentne linearne metode klasifikacije
05.Support Vector Machine
06.Multivarijatna linearna regresija
07.Nelinearna i neparametarska regresija, nestandardne funkcije gubitaka
08. Predviđanje vremenskih serija
09. Bayesove metode klasifikacije
10.Logistička regresija
11. Potražite pravila asocijacije
Drugi termin
Obavezno
Osnove statistike u strojnom učenju
01.Uvod
02.Glavni zadaci i metode teorije statističkog zaključivanja
03. Procjena distribucije i statistički funkcionali
04.Monte Carlo simulacija, bootstrap
05.Parametrijska estimacija
06. Testiranje hipoteza
07. Smanjenje dimenzionalnosti višedimenzionalnih podataka
08.Procjena osjetljivosti modela
09.Linearna i logistička regresija
10.Metode planiranja pokusa
11.Različiti tipovi regularizacije u linearnoj regresiji
12. Nelinearne metode za konstruiranje regresijskih ovisnosti
13. Neparametrijska procjena
14. Bayesov pristup procjeni
15. Bayesov pristup regresiji
16. Bayesov pristup regresiji i optimizaciji
17. Korištenje modela slučajnog Gaussovog polja u problemima analize podataka
18.Korištenje statističkih modela i metoda u problemima surogatnog modeliranja i optimizacije
Strojno učenje, 2. dio
01. Metode klasifikacije i regresije neuronske mreže
02.Kompozicijske metode klasifikacije i regresije
03. Kriteriji za odabir modela i metode za odabir značajki
04. Poredak
05.Učenje za potkrepljivanje
06.Učenje bez učitelja
07.Problemi s djelomičnim treningom
08.Kolaborativno filtriranje
09. Modeliranje teme
Treći semestar
Izabrati od
Automatska obrada teksta
01 Materijal za tečaj
ili
Računalni vid
Kolegij je posvećen metodama i algoritmima računalnog vida, tj. izdvajanje informacija iz slika i videa. Pogledajmo osnove obrade slika, klasifikaciju slika, pretragu slika po sadržaju, prepoznavanje lica, segmentaciju slika. Zatim ćemo govoriti o algoritmima za obradu i analizu videa. Posljednji dio tečaja posvećen je 3D rekonstrukciji. Za većinu problema raspravljat ćemo o postojećim modelima neuronskih mreža. Na kolegiju se nastoji obratiti pozornost samo na najsuvremenije metode koje se trenutno koriste u rješavanju praktičnih i istraživačkih problema. Tečaj je uglavnom praktičan, a ne teorijski. Stoga su sva predavanja opremljena laboratorijskim i domaćim zadaćama, koje omogućuju da većinu obrađenih metoda isprobate u praksi. Rad se izvodi u Pythonu korištenjem različitih biblioteka.
01.Digitalna slika i tonska korekcija.
02.Osnove obrade slike.
03.Kombiniranje slika.
04. Klasifikacija slika i traženje sličnih.
05. Konvolucijske neuronske mreže za klasifikaciju i traženje sličnih slika.
06.Detekcija objekata.
07. Semantička segmentacija.
08. Prijenos stila i sinteza slike.
09. Video prepoznavanje.
10.Sparse 3D rekonstrukcija.
11. Gusta trodimenzionalna rekonstrukcija.
12.Rekonstrukcija iz jednog okvira i oblaka točaka, parametrijski modeli.
Četvrti semestar
Preporučeni posebni tečajevi
Duboko učenje
01.Tečajni materijal
Učenje s potkrepljenjem
01.Tečajni materijal
Samovozeći automobili
Tečaj pokriva ključne komponente tehnologije samovozeće: lokalizaciju, percepciju, predviđanje, razinu ponašanja i planiranje kretanja. Za svaku komponentu bit će opisani glavni pristupi. Dodatno, studenti će se upoznati s trenutnim tržišnim uvjetima i tehnološkim izazovima.
01.Pregled glavnih komponenti i senzora bespilotnog vozila. Razine autonomije. Vožnja putem žice. Samovozeći automobili kao poslovni proizvod. Načini procjene napretka u stvaranju dronova. Osnove lokalizacije: gnss, odometrija kotača, Bayesovi filteri.
02.Metode lidarske lokalizacije: ICP, NDT, LOAM. Uvod u vizualni SLAM na primjeru ORB-SLAM-a. Izjava GraphSLAM problema. Svođenje GraphSLAM problema na nelinearnu metodu najmanjih kvadrata. Odabir ispravne parametrizacije. Sustavi s posebnom strukturom u GraphSLAM-u. Arhitektonski pristup: frontend i backend.
03. Zadatak prepoznavanja u samovozećem automobilu. Statičke i dinamičke prepreke. Senzori za sustav prepoznavanja. Predstavljanje statičkih prepreka. Detekcija statičkih prepreka pomoću lidara (VSCAN, metode neuronske mreže). Korištenje lidara u kombinaciji sa slikama za otkrivanje statike (semantička segmentacija slike, dovršavanje dubine). Stereo kamera i dobivanje dubine slike. Svijet Stixela.
04. Zamišljanje dinamičkih prepreka u samovozećem automobilu. Metode neuronske mreže za detekciju objekata u 2D. Detekcija na temelju ptičje perspektive lidarskog prikaza oblaka. Korištenje lidara sa slikama za otkrivanje dinamičkih prepreka. Detekcija automobila u 3D bazirana na slikama (3D ugradnja kutija, CAD modeli). Radarsko dinamičko otkrivanje prepreka. Praćenje objekata.
05. Obrasci vožnje automobila: stražnji kotač, prednji kotač. Planiranje puta. Pojam konfiguracijskog prostora. Grafičke metode za konstruiranje putanja. Putanje koje minimaliziraju trzaj. Optimizacijske metode za konstruiranje putanja.
06.Planiranje brzine u dinamičnom okruženju. ST planiranje. Predviđanje ponašanja drugih sudionika u prometu.