Ilmu Data - kursus gratis dari School of Data Analysis, pelatihan 4 semester, tanggal 2 Desember 2023.
Miscellanea / / December 05, 2023
Bagi mereka yang ingin mengajukan masalah menggunakan analisis data, mengusulkan solusi dan mengevaluasi efektivitasnya tidak hanya dalam eksperimen sintetik, tetapi juga dalam kondisi nyata.
Statistik, pembelajaran mesin, dan bekerja dengan berbagai jenis data.
Data mendasari sebagian besar layanan dan produk modern, mulai dari aplikasi prakiraan cuaca hingga mobil tanpa pengemudi. Seorang Ilmuwan Data melakukan eksperimen, membuat metrik, mengetahui cara mengoptimalkan pengoperasian layanan, dan memahami di mana titik pertumbuhannya.
Setiap siswa harus berhasil menyelesaikan setidaknya tiga mata kuliah selama semester tersebut. Misalnya, jika program utama ada dua, maka Anda harus memilih salah satu mata kuliah khusus.
Pengetahuan diuji terutama melalui pekerjaan rumah - ujian dan tes dilakukan hanya dalam mata pelajaran tertentu.
Semester pertama
Wajib
Algoritma dan struktur data, bagian 1
01.Kompleksitas dan model komputasi. Analisis nilai akuntansi (awal)
02.Analisis nilai akuntansi (akhir)
03. Algoritma Merge-Sort dan Quick-Sort
04. Statistik ordinal. Tumpukan (awal)
05. Tumpukan (akhir)
06. Pencirian
07.Cari pohon (awal)
08.Cari pohon (lanjutan)
09.Cari pohon (akhir). Sistem himpunan lepas
10. Tugas RMQ dan LCA
11.Struktur data untuk pencarian geometris
12.Masalah konektivitas dinamis pada graf tidak berarah
bahasa piton
01.Dasar-Dasar Bahasa (Bagian 1)
02.Dasar-Dasar Bahasa (Bagian 2)
03.Pemrograman berorientasi objek
04.Penanganan kesalahan
05. Desain dan pengujian kode
06.Bekerja dengan string
07.Model memori
08Pemrograman fungsional
09. Tinjauan Pustaka (bagian 1)
10. Tinjauan Pustaka (bagian 2)
11. Komputasi paralel dengan Python
12.Pekerjaan tingkat lanjut dengan objek
Pembelajaran mesin, bagian 1
01.Konsep dasar dan contoh permasalahan terapan
02.Metode klasifikasi metrik
03.Metode klasifikasi logis dan pohon keputusan
04.Metode klasifikasi linier gradien
05.Mendukung Mesin Vektor
06.Regresi linier multivariat
07.Regresi nonlinier dan nonparametrik, fungsi kerugian nonstandar
08. Peramalan deret waktu
09.Metode klasifikasi Bayesian
10.Regresi logistik
11.Cari aturan asosiasi
Istilah kedua
Wajib
Dasar-dasar Statistika dalam Pembelajaran Mesin
01.Pendahuluan
02.Tugas pokok dan metode teori inferensi statistik
03. Estimasi distribusi dan fungsi statistik
04.Simulasi Monte Carlo, bootstrap
05.Estimasi parametrik
06. Pengujian hipotesis
07. Mengurangi dimensi data multidimensi
08.Menilai sensitivitas model
09.Regresi linier dan logistik
10.Metode desain eksperimen
11.Berbagai jenis regularisasi dalam regresi linier
12. Metode nonlinier untuk membangun ketergantungan regresi
13.Estimasi nonparametrik
14. Pendekatan Bayesian terhadap estimasi
15. Pendekatan Bayesian terhadap regresi
16. Pendekatan Bayesian terhadap regresi dan optimasi
17.Penggunaan model lapangan Gaussian acak dalam masalah analisis data
18.Penggunaan model dan metode statistik dalam pemodelan pengganti dan masalah optimasi
Pembelajaran mesin, bagian 2
01. Metode klasifikasi dan regresi jaringan saraf
02.Metode klasifikasi dan regresi komposisional
03.Kriteria pemilihan model dan metode pemilihan fitur
04.Peringkat
05. Pembelajaran penguatan
06.Belajar tanpa guru
07.Masalah dengan pelatihan parsial
08.Pemfilteran kolaboratif
09. Pemodelan topik
Semester ketiga
Untuk memilih dari
Pemrosesan teks otomatis
01Materi kursus
atau
Visi komputer
Kursus ini dikhususkan untuk metode dan algoritma visi komputer, yaitu. mengekstrak informasi dari gambar dan video. Mari kita lihat dasar-dasar pengolahan gambar, klasifikasi gambar, pencarian gambar berdasarkan konten, pengenalan wajah, segmentasi gambar. Kemudian kita akan berbicara tentang algoritma pemrosesan dan analisis video. Bagian terakhir dari kursus ini dikhususkan untuk rekonstruksi 3D. Untuk sebagian besar masalah, kita akan membahas model jaringan saraf yang ada. Dalam kursus ini kami mencoba untuk memperhatikan hanya metode paling modern yang saat ini digunakan dalam memecahkan masalah praktis dan penelitian. Kursus ini sebagian besar bersifat praktis daripada teoretis. Oleh karena itu, semua perkuliahan dilengkapi dengan laboratorium dan pekerjaan rumah, yang memungkinkan Anda untuk mencoba sebagian besar metode yang dibahas dalam praktik. Pekerjaan ini dilakukan dengan Python menggunakan berbagai perpustakaan.
01. Gambar digital dan koreksi nada.
02.Dasar-dasar pengolahan gambar.
03.Menggabungkan gambar.
04. Klasifikasi gambar dan mencari yang serupa.
05. Jaringan saraf konvolusional untuk klasifikasi dan pencarian gambar serupa.
06.Deteksi objek.
07. Segmentasi semantik.
08.Transfer gaya dan sintesis gambar.
09.Pengenalan video.
10. Rekonstruksi 3D yang jarang.
11. Rekonstruksi tiga dimensi yang padat.
12.Rekonstruksi dari satu frame dan point cloud, model parametrik.
Semester keempat
Kursus khusus yang direkomendasikan
Pembelajaran mendalam
01.Materi kursus
Pembelajaran penguatan
01.Materi kursus
Mobil Mengemudi Sendiri
Kursus ini mencakup komponen inti teknologi self-driving: lokalisasi, persepsi, prediksi, tingkat perilaku, dan perencanaan gerak. Untuk setiap komponen, pendekatan utama akan dijelaskan. Selain itu, siswa akan menjadi akrab dengan kondisi pasar saat ini dan tantangan teknologi.
01.Ikhtisar komponen utama dan sensor kendaraan tak berawak. Tingkat otonomi. Berkendara dengan Kawat. Mobil self-driving sebagai produk bisnis. Cara untuk mengevaluasi kemajuan dalam pembuatan drone. Dasar-dasar pelokalan: gnss, odometri roda, filter Bayesian.
02.Metode lokalisasi lidar: ICP, NDT, LOAM. Pengenalan visual SLAM menggunakan ORB-SLAM sebagai contoh. Pernyataan masalah GraphSLAM. Mengurangi masalah GraphSLAM menjadi metode kuadrat terkecil nonlinier. Memilih parameterisasi yang benar. Sistem dengan struktur khusus di GraphSLAM. Pendekatan arsitektur: frontend dan backend.
03. Tugas pengenalan pada mobil self-driving. Hambatan statis dan dinamis. Sensor untuk sistem pengenalan. Representasi hambatan statis. Deteksi hambatan statis menggunakan lidar (VSCAN, metode jaringan saraf). Menggunakan lidar bersama dengan gambar untuk mendeteksi statika (segmentasi gambar semantik, penyelesaian kedalaman). Kamera stereo dan mendapatkan kedalaman dari sebuah gambar. Dunia Stixel.
04.Membayangkan rintangan dinamis dalam mobil self-driving. Metode jaringan saraf untuk mendeteksi objek dalam 2D. Deteksi berdasarkan pandangan mata burung dari representasi awan lidar. Menggunakan lidar dengan citra untuk mendeteksi hambatan dinamis. Deteksi mobil dalam 3D berdasarkan gambar (pemasangan kotak 3D, model CAD). Deteksi hambatan dinamis berbasis radar. Pelacakan objek.
05. Pola mengemudi mobil: roda belakang, roda depan. Perencanaan jalur. Konsep ruang konfigurasi. Metode grafik untuk membangun lintasan. Lintasan yang meminimalkan sentakan. Metode optimasi untuk membangun lintasan.
06.Perencanaan kecepatan dalam lingkungan yang dinamis. perencanaan ST. Memprediksi perilaku pengguna jalan lainnya.