Data Science - bezplatný kurz od School of Data Analysis, školení 4 semestry, datum 2. prosince 2023.
Různé / / December 05, 2023
Pro ty, kteří chtějí vytvářet problémy pomocí analýzy dat, navrhovat řešení a vyhodnocovat jejich účinnost nejen v syntetickém experimentu, ale i v reálných podmínkách.
Statistiky, strojové učení a práce s různými typy dat.
Data jsou základem většiny moderních služeb a produktů, od aplikací pro předpověď počasí až po samořídící auta. Data Scientist provádí experimenty, vytváří metriky, ví, jak optimalizovat provoz služeb, a chápe, kde jsou body jejich růstu.
Každý student musí v průběhu semestru úspěšně absolvovat minimálně tři předměty. Pokud jsou například v hlavním programu dva z nich, musíte si vybrat jeden ze speciálních kurzů.
Znalosti se ověřují především prostřednictvím domácích úkolů - zkoušky a testy probíhají pouze z některých předmětů.
První semestr
Povinné
Algoritmy a datové struktury, část 1
01.Složitost a výpočtové modely. Analýza účetních hodnot (začátek)
02. Analýza účetních hodnot (konec)
03. Algoritmy Merge-Sort a Quick-Sort
04. Pořadová statistika. Hromady (začátek)
05. Hromady (konec)
06. Hašování
07.Prohledávací stromy (začátek)
08.Prohledávací stromy (pokračování)
09.Prohledávací stromy (konec). Systém disjunktních množin
10. Úlohy RMQ a LCA
11.Datové struktury pro geometrické vyhledávání
12.Problém dynamické konektivity v neorientovaném grafu
jazyk Python
01. Základy jazyka (1. část)
02. Základy jazyka (2. část)
03.Objektově orientované programování
04.Ošetření chyb
05. Návrh a testování kódu
06.Práce se strunami
07. Paměťový model
08Funkční programování
09.Recenze knihovny (část 1)
10. Recenze knihovny (část 2)
11.Paralelní výpočty v Pythonu
12.Pokročilá práce s předměty
Strojové učení, část 1
01.Základní pojmy a příklady aplikovaných problémů
02.Metody metrické klasifikace
03.Metody logické klasifikace a rozhodovací stromy
04. Gradientní lineární klasifikační metody
05.Podpora vektorového stroje
06. Vícerozměrná lineární regrese
07.Nelineární a neparametrická regrese, nestandardní ztrátové funkce
08. Prognóza časových řad
09.Bayesovské klasifikační metody
10.Logistická regrese
11.Hledání asociačních pravidel
Druhé období
Povinné
Základy statistiky ve strojovém učení
01.Úvod
02.Hlavní úkoly a metody teorie statistické inference
03. Odhad rozdělení a statistické funkcionály
04. Monte Carlo simulace, bootstrap
05.Parametrický odhad
06. Testování hypotéz
07. Snížení dimenzionality vícerozměrných dat
08.Posouzení citlivosti modelu
09.Lineární a logistická regrese
10.Metody navrhování experimentů
11.Různé typy regularizace v lineární regresi
12. Nelineární metody konstrukce regresních závislostí
13.Neparametrický odhad
14.Bayesovský přístup k odhadu
15.Bayesovský přístup k regresi
16. Bayesovský přístup k regresi a optimalizaci
17.Využití modelu náhodného Gaussova pole v problémech analýzy dat
18.Využití statistických modelů a metod v zástupném modelování a optimalizačních problémech
Strojové učení, část 2
01.Metody klasifikace a regrese neuronových sítí
02. Kompoziční metody klasifikace a regrese
03. Kritéria pro výběr modelů a metody pro výběr prvků
04. Žebříček
05.Posilovací učení
06.Učení bez učitele
07.Problémy s dílčím tréninkem
08. Kolaborativní filtrování
09. Tématické modelování
Třetí semestr
Vybrat si z
Automatické zpracování textu
01 Materiál kurzu
nebo
Počítačové vidění
Předmět je věnován metodám a algoritmům počítačového vidění, tzn. extrahovat informace z obrázků a videí. Podívejme se na základy zpracování obrazu, klasifikace obrazu, vyhledávání obrazu podle obsahu, rozpoznávání obličeje, segmentace obrazu. Poté budeme hovořit o algoritmech zpracování a analýzy videa. Poslední část kurzu je věnována 3D rekonstrukci. U většiny problémů probereme existující modely neuronových sítí. V kurzu se snažíme věnovat pozornost pouze nejmodernějším metodám, které se v současnosti používají při řešení praktických i výzkumných problémů. Kurz je spíše praktický než teoretický. Všechny přednášky jsou proto vybaveny laboratorními a domácími úkoly, které umožňují vyzkoušet si většinu probíraných metod v praxi. Práce se provádí v Pythonu pomocí různých knihoven.
01. Digitální obraz a tonální korekce.
02.Základy zpracování obrazu.
03.Kombinování obrázků.
04. Klasifikace obrázků a hledání podobných.
05. Konvoluční neuronové sítě pro klasifikaci a vyhledávání podobných obrazů.
06. Detekce objektů.
07. Sémantická segmentace.
08.Přenos stylu a syntéza obrazu.
09. Rozpoznávání videa.
10.Řídká 3D rekonstrukce.
11.Hustá trojrozměrná rekonstrukce.
12.Rekonstrukce z jednoho rámu a mračna bodů, parametrické modely.
Čtvrtý semestr
Doporučené speciální kurzy
Hluboké učení
01.Materiál kurzu
Posílení učení
01.Materiál kurzu
Samořídící auta
Kurz pokrývá základní složky samořídící technologie: lokalizaci, vnímání, predikci, úroveň chování a plánování pohybu. Pro každou složku budou popsány hlavní přístupy. Kromě toho se studenti seznámí se současnými tržními podmínkami a technologickými výzvami.
01.Přehled hlavních komponent a senzorů bezpilotního prostředku. Úrovně autonomie. Drive by Wire. Samořídící auta jako obchodní produkt. Způsoby hodnocení pokroku při vytváření dronů. Základy lokalizace: gnss, odometrie kol, Bayesovské filtry.
02.Metody lidarové lokalizace: ICP, NDT, LOAM. Úvod do vizuálního SLAMu na příkladu ORB-SLAM. Prohlášení o problému GraphSLAM. Redukce problému GraphSLAM na nelineární metodu nejmenších čtverců. Výběr správné parametrizace. Systémy se speciální strukturou v GraphSLAM. Architektonický přístup: frontend a backend.
03. Rozpoznávací úkol v samořídícím autě. Statické a dynamické překážky. Senzory pro rozpoznávací systém. Znázornění statických překážek. Detekce statických překážek pomocí lidaru (VSCAN, metody neuronové sítě). Použití lidaru ve spojení s obrázky k detekci statiky (sémantická segmentace obrazu, hloubkové dokončení). Stereo kamera a získávání hloubky z obrázku. Stixelův svět.
04.Představování dynamických překážek v samořídícím autě. Metody neuronových sítí pro detekci objektů ve 2D. Detekce na základě zobrazení lidarového mraku z ptačí perspektivy. Použití lidaru se snímky k detekci dynamických překážek. Detekce aut ve 3D na základě obrázků (osazení 3D boxů, CAD modely). Dynamická detekce překážek založená na radaru. Sledování objektů.
05.Řízení vozu: zadní kolo, přední kolo. Plánování cesty. Koncept konfiguračního prostoru. Grafové metody pro konstrukci trajektorií. Trajektorie, které minimalizují trhnutí. Optimalizační metody pro konstrukci trajektorií.
06. Plánování rychlosti v dynamickém prostředí. plánování ST. Předvídání chování ostatních účastníků silničního provozu.