Duomenų mokslas - nemokamas Duomenų analizės mokyklos kursas, mokymas 4 semestrai, data 2023 m. gruodžio 2 d.

Kiekvienas studentas per semestrą turi sėkmingai baigti bent tris kursus. Pavyzdžiui, jei pagrindinėje programoje jų yra du, tuomet reikia pasirinkti vieną iš specialiųjų kursų.

Žinios pirmiausia tikrinamos atliekant namų darbus – egzaminai ir testai laikomi tik iš kai kurių dalykų.

Pirmas semestras

Privaloma
Algoritmai ir duomenų struktūros, 1 dalis

01. Sudėtingumas ir skaičiavimo modeliai. Apskaitinių verčių analizė (pradžia)
02. Apskaitinių verčių analizė (pabaiga)
03. Sujungimo ir rūšiavimo algoritmai

04. Eilinė statistika. Krūvos (pradžia)
05. Krūvos (pabaiga)
06. Maiša
07. Ieškoti medžių (pradžia)
08. Ieškoti medžių (tęsinys)
09.Ieškokite medžių (pabaiga). Nesujungtų aibių sistema
10. RMQ ir LCA užduotys
11.Duomenų struktūros geometrinei paieškai
12. Dinaminio ryšio problema neorientuotame grafe

Python kalba
01. Kalbos pagrindai (1 dalis)
02. Kalbos pagrindai (2 dalis)
03. Objektinis programavimas
04. Klaidų tvarkymas
05. Kodo projektavimas ir testavimas
06.Darbas su stygomis
07.Atminties modelis
08Funkcinis programavimas
09. Bibliotekos apžvalga (1 dalis)
10. Bibliotekos apžvalga (2 dalis)
11. Lygiagretusis skaičiavimas Python
12.Išplėstinis darbas su objektais

Mašininis mokymasis, 1 dalis
01.Pagrindinės sąvokos ir taikomųjų problemų pavyzdžiai
02.Metrinės klasifikacijos metodai
03.Loginiai klasifikavimo metodai ir sprendimų medžiai
04.Gradientinės tiesinės klasifikacijos metodai
05.Support Vector Machine
06.Daugiamatė tiesinė regresija
07.Netiesinė ir neparametrinė regresija, nestandartinės nuostolių funkcijos
08.Laiko eilučių prognozavimas
09.Bajeso klasifikavimo metodai
10.Logistinė regresija
11. Ieškokite asociacijos taisyklių

Antra kadencija

Privaloma
Mašininio mokymosi statistikos pagrindai

01.Įvadas
02. Statistinių išvadų teorijos pagrindiniai uždaviniai ir metodai
03. Pasiskirstymo įvertinimas ir statistinės funkcijos
04.Monte Carlo simuliacija, bootstrap
05. Parametrinis įvertinimas
06. Hipotezių tikrinimas
07. Daugiamačių duomenų matmenų mažinimas
08.Modelio jautrumo įvertinimas
09.Tiesinė ir logistinė regresija
10.Eksperimentų projektavimo metodai
11. Įvairios tiesinės regresijos reguliavimų rūšys
12. Netiesiniai regresijos priklausomybių konstravimo metodai
13. Neparametrinis įvertinimas
14. Bajesiškasis vertinimo metodas
15.Bajesiškas požiūris į regresiją
16. Bajeso požiūris į regresiją ir optimizavimą
17. Atsitiktinio Gauso lauko modelio panaudojimas duomenų analizės uždaviniuose
18. Statistinių modelių ir metodų taikymas surogatinio modeliavimo ir optimizavimo uždaviniuose

Mašininis mokymasis, 2 dalis
01.Neuroninių tinklų klasifikavimo ir regresijos metodai
02. Kompoziciniai klasifikavimo ir regresijos metodai
03.Modelių parinkimo kriterijai ir savybių atrankos metodai
04.Reitingas
05. Sustiprinimo mokymasis
06.Mokymasis be mokytojo
07. Dalinio mokymo problemos
08.Bendradarbiaujantis filtravimas
09. Temos modeliavimas

Trečias semestras

Pasirinkti iš
Automatinis teksto apdorojimas

01 Kurso medžiaga
arba

Kompiuterinis matymas
Kursas skirtas kompiuterinio matymo metodams ir algoritmams, t.y. išgauti informaciją iš vaizdų ir vaizdo įrašų. Pažvelkime į vaizdo apdorojimo, vaizdų klasifikavimo, vaizdų paieškos pagal turinį, veido atpažinimo, vaizdo segmentavimo pagrindus. Tada pakalbėsime apie vaizdo apdorojimo ir analizės algoritmus. Paskutinė kurso dalis skirta 3D rekonstrukcijai. Daugeliui problemų aptarsime esamus neuroninių tinklų modelius. Kurse stengiamės atkreipti dėmesį tik į moderniausius metodus, kurie šiuo metu taikomi sprendžiant praktines ir tiriamąsias problemas. Kursas daugiausia yra praktinis, o ne teorinis. Todėl visose paskaitose yra laboratoriniai ir namų darbai, leidžiantys praktiškai išbandyti daugumą aptartų metodų. Darbas atliekamas Python, naudojant įvairias bibliotekas.

01.Skaitmeninis vaizdas ir tonų korekcija.
02.Vaizdo apdorojimo pagrindai.
03.Vaizdžių derinimas.
04. Vaizdų klasifikavimas ir panašių paieška.
05. Konvoliuciniai neuroniniai tinklai, skirti klasifikuoti ir ieškoti panašių vaizdų.
06.Objektų aptikimas.
07. Semantinė segmentacija.
08.Stiliaus perkėlimas ir vaizdo sintezė.
09.Vaizdo atpažinimas.
10.Reta 3D rekonstrukcija.
11.Tanki trimatė rekonstrukcija.
12.Rekonstrukcija iš vieno kadro ir taškinių debesų, parametriniai modeliai.

Ketvirtasis semestras

Rekomenduojami specialūs kursai
Gilus mokymasis
01.Kurso medžiaga

Sustiprinimo mokymasis
01.Kurso medžiaga

Savarankiškai vairuojantys automobiliai
Kursas apima pagrindinius savarankiško vairavimo technologijos komponentus: lokalizaciją, suvokimą, numatymą, elgesio lygį ir judesių planavimą. Bus aprašyti pagrindiniai kiekvieno komponento metodai. Be to, studentai susipažins su dabartinėmis rinkos sąlygomis ir technologiniais iššūkiais.

01.Nepilotuojamos transporto priemonės pagrindinių komponentų ir jutiklių apžvalga. Savarankiškumo lygiai. Vairuoti laidu. Savarankiški automobiliai kaip verslo produktas. Būdai įvertinti pažangą kuriant dronus. Lokalizacijos pagrindai: gnss, rato odometrija, Bajeso filtrai.
02.Lidar lokalizacijos metodai: ICP, NDT, LOAM. Įvadas į vizualinį SLAM, kaip pavyzdį naudojant ORB-SLAM. GraphSLAM problemos pareiškimas. GraphSLAM problemos sumažinimas iki netiesinio mažiausių kvadratų metodo. Tinkamo parametravimo pasirinkimas. Sistemos su specialia GraphSLAM struktūra. Architektūrinis požiūris: frontend ir backend.
03. Atpažinimo užduotis savarankiškai vairuojančiame automobilyje. Statinės ir dinaminės kliūtys. Atpažinimo sistemos jutikliai. Statinių kliūčių vaizdavimas. Statinių kliūčių aptikimas naudojant lidar (VSCAN, neuroninių tinklų metodai). Lidar naudojimas kartu su vaizdais statikai aptikti (semantinis vaizdo segmentavimas, gylio užbaigimas). Stereo kamera ir vaizdo gylis. Stixel pasaulis.
04.Įsivaizduokite dinamines kliūtis savarankiškai važiuojančiame automobilyje. Neuroninių tinklų metodai objektams aptikti 2D formatu. Aptikimas pagrįstas Lidaro debesies vaizdavimo vaizdu iš paukščio skrydžio. Lidar naudojimas su vaizdais aptikti dinamines kliūtis. Automobilių aptikimas 3D formatu pagal paveikslėlius (3D dėžių montavimas, CAD modeliai). Radarinis dinaminis kliūčių aptikimas. Objekto sekimas.
05.Automobilio vairavimo modeliai: galinis ratas, priekinis ratas. Kelio planavimas. Konfigūracijos erdvės samprata. Grafiniai trajektorijų konstravimo metodai. Trajektorijos, kurios sumažina trūkčiojimą. Trajektorijų konstravimo optimizavimo metodai.
06. Greičio planavimas dinamiškoje aplinkoje. ST planavimas. Kitų eismo dalyvių elgesio numatymas.