Duomenų analizė taikomuosiuose moksluose - nemokamas Duomenų analizės mokyklos kursas, mokymai 4 semestrai, Data: 2023 m. gruodžio 5 d.

Pagrindinis taikomųjų mokslų studijų krypties duomenų analizės bruožas yra tas, kad studentai didžiąją dalį antrųjų studijų metų praleidžia dirbdami su taikomųjų tyrimų projektais. Galutinį studijų ŠAD pažymį daugiausia lems šio projekto kokybė.

Studentams, kurie lygiagrečiai su ShaD rengs baigiamuosius darbus (bakalauro ar magistro), ShaD projektai gali būti naudojami kaip universiteto darbo pagrindas.

Privaloma
Funkcinių modelių rekonstrukcija iš empirinių duomenų

01 Bendra priklausomybės atkūrimo problemos formuluotė
02 Didžiausios tikimybės metodas
03 Konkrečių priklausomybės atkūrimo problemų pavyzdžiai: regresija, modelio identifikavimas, modelio atpažinimas ir jų taikymas
04 Neparametrinių skirstinių įverčių sudarymas naudojant didžiausios tikimybės metodą
05 Regresijos įvertinimo mažiausių kvadratų metodas. Modelio pasirinkimo didžiausios tikimybės metodas
06 Tikimybių santykio testas
07 Ieškokite sprendimo taisyklės, kuri sumažintų klaidų skaičių arba vidutinę baudos funkcijos reikšmę mokymo duomenims modelio atpažinimo problemose
08 Daugiamatis tiesinis įvertinimas
09 Perceptronas. Galimos funkcijos. Neuroniniai tinklai
10 Atsižvelgimas į a priori informaciją atliekant tiesinį vertinimą
11 Apibendrintas portreto metodas klasifikavimo uždavinyje
12 Bajeso įvertinimas
13 palaikymas Vector Machine (SVM)
14 Kai kurie klasifikavimo metodai
15 Empirinio rizikos mažinimo metodo kritika
16 Optimali hiperplokštuma
17 Tolygaus dažnių konvergencijos ir tikimybių kriterijai. Augimo funkcija. VC matmuo
18 Dviguba optimalios hiperplokštumos konstravimo problema
19 Tolygaus dažnių ir tikimybių konvergencijos kriterijai. Ryšys su mokymosi modelio atpažinimo užduotimis
20 Neparametrinės splaino regresijos konstravimas
21 Vieningos vidurkių konvergencijos ir matematinių lūkesčių kriterijai
22 Neparametrinės branduolio regresijos konstravimas
23 Optimalaus modelio sudėtingumo pasirinkimo problema
24 Skirtingi regresijos priklausomybių tipai

Stochastikos pagrindai. Stochastiniai modeliai

01 Klasikinis tikimybės apibrėžimas
02 Sąlyginės tikimybės. Nepriklausomybė. Sąlyginis matematinis lūkestis.
03 Diskretieji atsitiktiniai dydžiai ir jų charakteristikos
04 Ribinės teoremos
05 Atsitiktinis pasivaikščiojimas
06 Martingalas
07 Diskrečios Markovo grandinės. Ergodinė teorema.
08 Tikimybinis eksperimento su begaliniu įvykių skaičiumi modelis. Kolmogorovo aksiomatika. Įvairūs atsitiktinių dydžių konvergencijos tipai.
09 Silpna tikimybių matų konvergencija. Būdingųjų funkcijų metodas ribinių teoremų įrodyme.
10 Atsitiktinių procesų

Algoritmai ir duomenų struktūros, 1 dalis

01 Sudėtingumas ir skaičiavimo modeliai. Apskaitinių verčių analizė (pradžia)
02 Apskaitinių verčių analizė (pabaiga)
03 Sujungimo-rūšiavimo ir greitojo rūšiavimo algoritmai
04 Eilinė statistika. Krūvos (pradžia)
05 krūvos (pabaiga)
06 Maiša
07 Paieškos medžiai (pradžia)
08 Paieškos medžiai (tęsinys)
09 Ieškoti medžių (pabaiga). Nesujungtų aibių sistema
10 RMQ ir LCA tikslai
11 Duomenų struktūros geometrinei paieškai
12 Dinaminio ryšio problema neorientuotame grafe

01 Pagrindinės sąvokos ir taikomų problemų pavyzdžiai
02 Metriniai klasifikavimo metodai
03 Loginiai klasifikavimo metodai ir sprendimų medžiai
04 Gradientinės tiesinės klasifikacijos metodai
05 Palaikykite vektorinę mašiną
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

Mašininio mokymosi statistikos pagrindai

01 Įvadas
02 Pagrindiniai statistinių išvadų teorijos uždaviniai ir metodai
03 Pasiskirstymo įvertinimas ir statistinės funkcijos
04 Monte Karlo modeliavimas, įkrovos juosta
05 Parametrinis įvertinimas
06 Hipotezių tikrinimas
07 Daugiamačių duomenų matmenų mažinimas
08 Modelio jautrumo įvertinimas
09 Tiesinė ir logistinė regresija
10 Eksperimentų planavimas
11 Skirtingi tiesinės regresijos reguliavimų tipai
12 Netiesiniai regresijos priklausomybių konstravimo metodai
13 Neparametrinis įvertinimas
14 Bajeso metodas vertinant
15 Bajeso požiūris į regresiją
16 Bajeso požiūris į regresiją ir optimizavimą
17 Atsitiktinio Gauso lauko modelio naudojimas duomenų analizės uždaviniuose
18 Statistinių modelių ir metodų panaudojimas surogatinio modeliavimo ir optimizavimo uždaviniuose

01 Išgaubtos funkcijos ir rinkiniai
02 Optimalumo sąlygos ir dvilypumas
03 Įvadas į optimizavimo metodus
04 Sudėtingumas išgaubtų lygių ir išgaubtų nelygių problemų klasėms
05 Lyginimo technika
06 Baudos funkcijos. Barjerinis metodas. Modifikuotas Lagrange funkcijos metodas
07 ADMM
08 Įvadas į veidrodžio uždėjimo metodus
09 Niutono metodas ir kvazi-niutono metodai. BFGS
10 Įvadas į patikimą optimizavimą
11 Įvadas į stochastinį optimizavimą
12 Atsitiktinių optimizavimo algoritmų
13 Internetinio optimizavimo įvadas

Mašininis mokymasis, 2 dalis

01 Neuroninių tinklų klasifikavimo ir regresijos metodai
02 Kompozicijos klasifikavimo ir regresijos metodai
03 Modelių parinkimo kriterijai ir funkcijų atrankos metodai
04 Reitingas
05 Sustiprinimo mokymasis
06 Mokymasis be mokytojo
07 Dalinio mokymo problemos
08 Bendradarbiavimo filtravimas
09 Temų modeliavimas

Projektinis darbas