Data Science - δωρεάν μάθημα από τη Σχολή Ανάλυσης Δεδομένων, εκπαίδευση 4 εξαμήνων, ημερομηνία 2 Δεκεμβρίου 2023.
μικροαντικείμενα / / December 05, 2023
Για όσους θέλουν να θέσουν προβλήματα χρησιμοποιώντας την ανάλυση δεδομένων, προτείνουν λύσεις και αξιολογούν την αποτελεσματικότητά τους όχι μόνο σε ένα συνθετικό πείραμα, αλλά και σε πραγματικές συνθήκες.
Στατιστικά στοιχεία, μηχανική εκμάθηση και εργασία με διαφορετικούς τύπους δεδομένων.
Τα δεδομένα υποστηρίζουν τις περισσότερες σύγχρονες υπηρεσίες και προϊόντα, από εφαρμογές πρόβλεψης καιρού έως αυτοοδηγούμενα αυτοκίνητα. Ένας Επιστήμονας Δεδομένων διεξάγει πειράματα, δημιουργεί μετρήσεις, ξέρει πώς να βελτιστοποιεί τη λειτουργία των υπηρεσιών και κατανοεί πού βρίσκονται τα σημεία ανάπτυξής τους.
Κάθε φοιτητής πρέπει να ολοκληρώσει επιτυχώς τουλάχιστον τρία μαθήματα κατά τη διάρκεια του εξαμήνου. Για παράδειγμα, εάν υπάρχουν δύο από αυτά στο κύριο πρόγραμμα, τότε πρέπει να επιλέξετε ένα από τα ειδικά μαθήματα.
Οι γνώσεις ελέγχονται κυρίως μέσω των εργασιών στο σπίτι - οι εξετάσεις και τα τεστ διεξάγονται μόνο σε ορισμένα μαθήματα.
Πρώτο εξάμηνο
Επιτακτικός
Αλγόριθμοι και δομές δεδομένων, μέρος 1
01. Πολυπλοκότητα και υπολογιστικά μοντέλα. Ανάλυση λογιστικών αξιών (αρχή)
02.Ανάλυση λογιστικών αξιών (τέλος)
03.Αλγόριθμοι συγχώνευσης-ταξινόμησης και γρήγορης ταξινόμησης
04. Τακτική στατιστική. Σωροί (αρχή)
05. Σωροί (τέλος)
06.Hashing
07.Αναζήτηση δέντρων (αρχή)
08.Αναζήτηση δέντρων (συνέχεια)
09.Αναζήτηση δέντρων (τέλος). Σύστημα ασύνδετων συνόλων
10. Εργασίες RMQ και LCA
11.Δομές δεδομένων για γεωμετρική αναζήτηση
12.Το πρόβλημα της δυναμικής συνδεσιμότητας σε ένα μη κατευθυνόμενο γράφημα
Γλώσσα Python
01.Βασικά στοιχεία γλώσσας (Μέρος 1)
02.Βασικά Γλώσσα (Μέρος 2)
03.Αντικειμενοστραφής προγραμματισμός
04.Διαχείριση σφαλμάτων
05. Σχεδιασμός και δοκιμή κώδικα
06.Εργασία με χορδές
07.Μοντέλο μνήμης
08 Λειτουργικός προγραμματισμός
09.Ανασκόπηση βιβλιοθήκης (μέρος 1)
10.Επισκόπηση βιβλιοθήκης (μέρος 2)
11.Παράλληλοι υπολογισμοί σε Python
12.Προηγμένη εργασία με αντικείμενα
Μηχανική μάθηση, μέρος 1
01.Βασικές έννοιες και παραδείγματα εφαρμοσμένων προβλημάτων
02.Μετρικές μέθοδοι ταξινόμησης
03.Λογικές μέθοδοι ταξινόμησης και δέντρα αποφάσεων
04.Μέθοδοι γραμμικής ταξινόμησης κλίσης
05.Support Vector Machine
06.Πολυμεταβλητή γραμμική παλινδρόμηση
07.Μη γραμμική και μη παραμετρική παλινδρόμηση, μη τυπικές συναρτήσεις απώλειας
08. Πρόβλεψη χρονοσειρών
09.Μέθοδοι ταξινόμησης Bayesian
10.Λογιστική παλινδρόμηση
11.Αναζήτηση κανόνων σύνδεσης
Δεύτερη περίοδος
Επιτακτικός
Βασικές αρχές της Στατιστικής στη Μηχανική Μάθηση
01.Εισαγωγή
02.Κύρια καθήκοντα και μέθοδοι της θεωρίας των στατιστικών συμπερασμάτων
03. Εκτίμηση κατανομής και στατιστικές συναρτήσεις
04.Monte Carlo προσομοίωση, bootstrap
05.Παραμετρική εκτίμηση
06. Έλεγχος υποθέσεων
07. Μείωση της διαστάσεων των πολυδιάστατων δεδομένων
08.Αξιολόγηση της ευαισθησίας του μοντέλου
09.Γραμμική και λογιστική παλινδρόμηση
10.Μέθοδοι σχεδιασμού πειραμάτων
11.Διάφοροι τύποι τακτοποίησης στη γραμμική παλινδρόμηση
12. Μη γραμμικές μέθοδοι κατασκευής εξαρτήσεων παλινδρόμησης
13.Μη παραμετρική εκτίμηση
14.Bayesian προσέγγιση στην εκτίμηση
15.Bayesian προσέγγιση στην παλινδρόμηση
16. Μπεϋζιανή προσέγγιση για παλινδρόμηση και βελτιστοποίηση
17.Χρήση του μοντέλου τυχαίου πεδίου Gauss σε προβλήματα ανάλυσης δεδομένων
18.Χρήση στατιστικών μοντέλων και μεθόδων σε προβλήματα υποκατάστασης μοντελοποίησης και βελτιστοποίησης
Μηχανική μάθηση, μέρος 2
01.Μέθοδοι ταξινόμησης και παλινδρόμησης νευρωνικών δικτύων
02.Συνθετικές μέθοδοι ταξινόμησης και παλινδρόμησης
03.Κριτήρια επιλογής μοντέλων και μέθοδοι επιλογής χαρακτηριστικών
04.Κατάταξη
05.Ενίσχυση μάθησης
06.Μάθηση χωρίς δάσκαλο
07.Προβλήματα με μερική εκπαίδευση
08.Συνεργατικό φιλτράρισμα
09. Μοντελοποίηση θεμάτων
Τρίτο εξάμηνο
Να διαλέξεις από
Αυτόματη επεξεργασία κειμένου
01 Υλικό μαθήματος
ή
Υπολογιστική όραση
Το μάθημα είναι αφιερωμένο σε μεθόδους και αλγόριθμους υπολογιστικής όρασης, δηλ. εξάγετε πληροφορίες από εικόνες και βίντεο. Ας δούμε τα βασικά της επεξεργασίας εικόνας, την ταξινόμηση εικόνων, την αναζήτηση εικόνων ανά περιεχόμενο, την αναγνώριση προσώπου, την τμηματοποίηση εικόνων. Στη συνέχεια θα μιλήσουμε για αλγόριθμους επεξεργασίας και ανάλυσης βίντεο. Το τελευταίο μέρος του μαθήματος είναι αφιερωμένο στην τρισδιάστατη ανακατασκευή. Για τα περισσότερα προβλήματα θα συζητήσουμε τα υπάρχοντα μοντέλα νευρωνικών δικτύων. Στο μάθημα προσπαθούμε να δώσουμε προσοχή μόνο στις πιο σύγχρονες μεθόδους που χρησιμοποιούνται σήμερα για την επίλυση πρακτικών και ερευνητικών προβλημάτων. Το μάθημα είναι σε μεγάλο βαθμό πρακτικό παρά θεωρητικό. Επομένως, όλες οι διαλέξεις είναι εξοπλισμένες με εργαστηριακές και κατ' οίκον εργασίες, οι οποίες σας επιτρέπουν να δοκιμάσετε τις περισσότερες από τις μεθόδους που συζητήθηκαν στην πράξη. Η εργασία εκτελείται σε Python χρησιμοποιώντας διάφορες βιβλιοθήκες.
01.Ψηφιακή διόρθωση εικόνας και τονικών.
02.Βασικές αρχές επεξεργασίας εικόνας.
03.Συνδυασμός εικόνων.
04. Ταξινόμηση εικόνων και αναζήτηση παρόμοιων.
05. Συνελικτικά νευρωνικά δίκτυα για ταξινόμηση και αναζήτηση παρόμοιων εικόνων.
06.Ανίχνευση αντικειμένων.
07. Σημασιολογική κατάτμηση.
08.Μεταφορά στυλ και σύνθεση εικόνας.
09.Αναγνώριση βίντεο.
10.Αραιά 3D ανακατασκευή.
11.Πυκνή τρισδιάστατη ανακατασκευή.
12.Ανακατασκευή από σύννεφα ενός πλαισίου και σημείου, παραμετρικά μοντέλα.
Τέταρτο εξάμηνο
Προτεινόμενα ειδικά μαθήματα
Βαθιά μάθηση
01.Υλικό μαθήματος
Ενισχυτική μάθηση
01.Υλικό μαθήματος
Αυτοοδηγούμενα Αυτοκίνητα
Το μάθημα καλύπτει τα βασικά στοιχεία της τεχνολογίας αυτοοδήγησης: εντοπισμός, αντίληψη, πρόβλεψη, επίπεδο συμπεριφοράς και σχεδιασμός κίνησης. Για κάθε στοιχείο, θα περιγραφούν οι κύριες προσεγγίσεις. Επιπλέον, οι μαθητές θα εξοικειωθούν με τις τρέχουσες συνθήκες της αγοράς και τις τεχνολογικές προκλήσεις.
01.Επισκόπηση των κύριων εξαρτημάτων και αισθητήρων ενός μη επανδρωμένου οχήματος. Επίπεδα αυτονομίας. Οδηγήστε με Wire. Τα αυτοοδηγούμενα αυτοκίνητα ως επιχειρηματικό προϊόν. Τρόποι αξιολόγησης της προόδου στη δημιουργία drones. Βασικά στοιχεία εντοπισμού: gnss, οδομετρία τροχού, φίλτρα Bayes.
02.Μέθοδοι εντοπισμού lidar: ICP, NDT, LOAM. Εισαγωγή στο οπτικό SLAM χρησιμοποιώντας το ORB-SLAM ως παράδειγμα. Δήλωση του προβλήματος GraphSLAM. Μείωση του προβλήματος GraphSLAM σε μέθοδο μη γραμμικών ελαχίστων τετραγώνων. Επιλέγοντας τη σωστή παραμετροποίηση. Συστήματα με ειδική δομή στο GraphSLAM. Αρχιτεκτονική προσέγγιση: frontend και backend.
03. Εργασία αναγνώρισης σε αυτοοδηγούμενο αυτοκίνητο. Στατικά και δυναμικά εμπόδια. Αισθητήρες για το σύστημα αναγνώρισης. Αναπαράσταση στατικών εμποδίων. Ανίχνευση στατικών εμποδίων με χρήση lidar (VSCAN, μέθοδοι νευρωνικών δικτύων). Χρήση του lidar σε συνδυασμό με εικόνες για την ανίχνευση στατικών (σημασιολογική τμηματοποίηση εικόνας, συμπλήρωση βάθους). Στερεοφωνική κάμερα και λήψη βάθους από μια εικόνα. Stixel World.
04. Φαντάζεστε δυναμικά εμπόδια σε αυτοοδηγούμενο αυτοκίνητο. Μέθοδοι νευρωνικών δικτύων για την ανίχνευση αντικειμένων σε 2D. Ανίχνευση με βάση την οπτική όψη της αναπαράστασης σύννεφων lidar. Χρήση lidar με εικόνες για τον εντοπισμό δυναμικών εμποδίων. Ανίχνευση αυτοκινήτου σε 3D βάσει εικόνων (τοποθέτηση κουτιών 3D, μοντέλα CAD). Δυναμική ανίχνευση εμποδίων βάσει ραντάρ. Παρακολούθηση αντικειμένων.
05. Σχέδια οδήγησης αυτοκινήτου: πίσω τροχός, μπροστινός τροχός. Σχεδιασμός διαδρομής. Η έννοια του χώρου διαμόρφωσης. Γραφικές μέθοδοι για την κατασκευή τροχιών. Τροχιές που ελαχιστοποιούν το τράνταγμα. Μέθοδοι βελτιστοποίησης για την κατασκευή τροχιών.
06.Σχεδιασμός ταχύτητας σε δυναμικό περιβάλλον. Σχεδιασμός ST. Πρόβλεψη της συμπεριφοράς άλλων χρηστών του δρόμου.