Podatkovna znanost - brezplačen tečaj Šole za analizo podatkov, usposabljanje 4 semestre, datum 2. december 2023.
Miscellanea / / December 05, 2023
Za tiste, ki želijo z analizo podatkov zastaviti probleme, predlagati rešitve in oceniti njihovo učinkovitost ne samo v sintetičnem eksperimentu, ampak tudi v realnih pogojih.
Statistika, strojno učenje in delo z različnimi vrstami podatkov.
Podatki podpirajo večino sodobnih storitev in izdelkov, od aplikacij za napovedovanje vremena do samovozečih avtomobilov. Data Scientist izvaja eksperimente, gradi metrike, ve, kako optimizirati delovanje storitev in razume, kje so njihove točke rasti.
Vsak študent mora uspešno opraviti vsaj tri predmete v semestru. Na primer, če sta v glavnem programu dva, potem morate izbrati enega od posebnih tečajev.
Znanje se preverja predvsem z domačimi nalogami – izpiti in preizkusi znanja se izvajajo le pri nekaterih predmetih.
Prvi semester
Obvezno
Algoritmi in podatkovne strukture, 1. del
01. Kompleksnost in računalniški modeli. Analiza računovodskih vrednosti (začetek)
02. Analiza knjigovodskih vrednosti (konec)
03. Algoritmi spajanja in hitrega razvrščanja
04. Redna statistika. Heaps (začetek)
05. Heaps (konec)
06. Zgoščevanje
07. Išči drevesa (začetek)
08.Iskalna drevesa (nadaljevanje)
09. Išči drevesa (konec). Sistem disjunktnih množic
10. Naloge RMQ in LCA
11. Podatkovne strukture za geometrijsko iskanje
12. Problem dinamične povezljivosti v neusmerjenem grafu
Jezik Python
01. Osnove jezika (1. del)
02. Osnove jezika (2. del)
03. Objektno orientirano programiranje
04.Odpravljanje napak
05. Oblikovanje kode in testiranje
06.Delo z vrvicami
07.Model spomina
08Funkcijsko programiranje
09. Pregled knjižnice (1. del)
10. Pregled knjižnice (2. del)
11.Vzporedno računalništvo v Pythonu
12.Napredno delo s predmeti
Strojno učenje, 1. del
01.Osnovni pojmi in primeri aplikativnih problemov
02. Metode metrične klasifikacije
03. Metode logične klasifikacije in odločitvena drevesa
04. Gradientne metode linearne klasifikacije
05.Support Vector Machine
06.Multivariatna linearna regresija
07.Nelinearna in neparametrična regresija, nestandardne izgube
08. Napovedovanje časovnih vrst
09.Bayesove metode razvrščanja
10.Logistična regresija
11. Iskanje asociacijskih pravil
Drugi mandat
Obvezno
Osnove statistike v strojnem učenju
01. Uvod
02.Glavne naloge in metode teorije statističnega sklepanja
03. Ocena porazdelitve in statistični funkcionali
04.Simulacija Monte Carlo, bootstrap
05.Parametrična ocena
06. Preizkušanje hipotez
07. Zmanjšanje dimenzionalnosti večdimenzionalnih podatkov
08.Ocena občutljivosti modela
09.Linearna in logistična regresija
10. Metode načrtovanja poskusov
11.Različne vrste regulacije v linearni regresiji
12. Nelinearne metode za konstruiranje regresijskih odvisnosti
13. Neparametrična ocena
14. Bayesov pristop k ocenjevanju
15. Bayesov pristop k regresiji
16. Bayesov pristop k regresiji in optimizaciji
17.Uporaba modela naključnega Gaussovega polja pri problemih analize podatkov
18.Uporaba statističnih modelov in metod pri nadomestnem modeliranju in optimizacijskih problemih
Strojno učenje, 2. del
01. Metode nevronske mreže klasifikacije in regresije
02.Kompozicijske metode klasifikacije in regresije
03. Kriteriji za izbiro modelov in metode za izbiro lastnosti
04.Uvrstitev
05.Učenje s krepitvijo
06.Učenje brez učitelja
07.Težave z delnim treningom
08. Sodelovalno filtriranje
09. Tematsko modeliranje
Tretji semester
Na izbiro
Samodejna obdelava besedila
01 Gradivo za tečaj
oz
Računalniški vid
Predmet je posvečen metodam in algoritmom računalniškega vida, t.j. pridobivanje informacij iz slik in videoposnetkov. Poglejmo si osnove obdelave slik, klasifikacijo slik, iskanje slik po vsebini, prepoznavanje obrazov, segmentacijo slik. Nato bomo govorili o algoritmih za obdelavo in analizo videa. Zadnji del tečaja je namenjen 3D rekonstrukciji. Za večino problemov bomo razpravljali o obstoječih modelih nevronske mreže. Pri predmetu poskušamo biti pozorni le na najsodobnejše metode, ki se trenutno uporabljajo pri reševanju praktičnih in raziskovalnih problemov. Tečaj je bolj praktičen kot teoretičen. Zato so vsa predavanja opremljena z laboratorijskimi in domačimi nalogami, ki vam omogočajo, da večino obravnavanih metod preizkusite v praksi. Delo poteka v Pythonu z uporabo različnih knjižnic.
01.Digitalna slika in tonska korekcija.
02.Osnove obdelave slik.
03.Združevanje slik.
04. Razvrščanje slik in iskanje podobnih.
05. Konvolucijske nevronske mreže za klasifikacijo in iskanje podobnih slik.
06.Zaznavanje predmetov.
07. Semantična segmentacija.
08.Slogovni prenos in sinteza slike.
09. Video prepoznavanje.
10.Sparse 3D rekonstrukcija.
11.Gosta tridimenzionalna rekonstrukcija.
12.Rekonstrukcija iz enega okvirja in oblakov točk, parametrični modeli.
Četrti semester
Priporočeni posebni tečaji
Globoko učenje
01. Gradivo za tečaj
Učenje s krepitvijo
01. Gradivo za tečaj
Samovozeči avtomobili
Tečaj zajema ključne komponente tehnologije samovozeče: lokalizacija, zaznavanje, napovedovanje, vedenjska raven in načrtovanje gibanja. Za vsako komponento bodo opisani glavni pristopi. Poleg tega se bodo študenti seznanili s trenutnimi razmerami na trgu in tehnološkimi izzivi.
01. Pregled glavnih komponent in senzorjev brezpilotnega vozila. Stopnje avtonomije. Drive by Wire. Samovozeči avtomobili kot poslovni produkt. Načini ocenjevanja napredka pri ustvarjanju dronov. Osnove lokalizacije: gnss, kolesna odometrija, Bayesovi filtri.
02.Metode lidarske lokalizacije: ICP, NDT, LOAM. Uvod v vizualni SLAM na primeru ORB-SLAM. Izjava problema GraphSLAM. Zmanjšanje problema GraphSLAM na nelinearno metodo najmanjših kvadratov. Izbira pravilne nastavitve parametrov. Sistemi s posebno strukturo v GraphSLAM. Arhitekturni pristop: frontend in backend.
03. Naloga za prepoznavanje v samovozečem avtomobilu. Statične in dinamične ovire. Senzorji za sistem za prepoznavanje. Predstavitev statičnih ovir. Detekcija statičnih ovir z lidarjem (VSCAN, metode nevronske mreže). Uporaba lidarja v povezavi s slikami za zaznavanje statike (semantična segmentacija slike, globinsko dokončanje). Stereo kamera in pridobivanje globine slike. Svet Stixel.
04. Predstavljajte si dinamične ovire v samovozečem avtomobilu. Metode nevronske mreže za zaznavanje objektov v 2D. Zaznavanje na podlagi ptičje perspektive lidarske predstavitve oblakov. Uporaba lidarja s posnetki za zaznavanje dinamičnih ovir. Zaznavanje avtomobilov v 3D na podlagi slik (3D opremljanje škatel, CAD modeli). Radarsko dinamično zaznavanje ovir. Sledenje predmetom.
05. Vzorci vožnje avtomobila: zadnje kolo, sprednje kolo. Načrtovanje poti. Koncept konfiguracijskega prostora. Metode grafov za konstruiranje trajektorij. Trajektorije, ki zmanjšajo sunek. Optimizacijske metode za konstruiranje trajektorij.
06. Načrtovanje hitrosti v dinamičnem okolju. ST načrtovanje. Predvidevanje vedenja drugih udeležencev v prometu.