علم البيانات - دورة مجانية من كلية تحليل البيانات، التدريب 4 فصول دراسية، تاريخ 2 ديسمبر 2023.
Miscellanea / / December 05, 2023
بالنسبة لأولئك الذين يرغبون في طرح المشكلات باستخدام تحليل البيانات، يقترحون الحلول ويقيمون فعاليتها ليس فقط في تجربة تركيبية، ولكن أيضًا في الظروف الحقيقية.
الإحصائيات والتعلم الآلي والعمل مع أنواع مختلفة من البيانات.
تدعم البيانات معظم الخدمات والمنتجات الحديثة، بدءًا من تطبيقات التنبؤ بالطقس وحتى السيارات ذاتية القيادة. يجري عالم البيانات التجارب ويبني المقاييس ويعرف كيفية تحسين تشغيل الخدمات ويفهم نقاط نموها.
يجب على كل طالب أن يكمل بنجاح ثلاث دورات على الأقل خلال الفصل الدراسي. على سبيل المثال، إذا كان هناك اثنان منهم في البرنامج الرئيسي، فأنت بحاجة إلى اختيار إحدى الدورات الخاصة.
يتم اختبار المعرفة في المقام الأول من خلال الواجبات المنزلية - يتم إجراء الاختبارات والاختبارات في بعض المواد فقط.
الفصل الأول
إلزامي
الخوارزميات وهياكل البيانات، الجزء الأول
01.التعقيد والنماذج الحسابية. تحليل القيم المحاسبية (بداية)
02.تحليل القيم المحاسبية (النهاية)
03.دمج الفرز وخوارزميات الفرز السريع
04. الإحصائيات الترتيبية. أكوام (البداية)
05. أكوام (النهاية)
06.التجزئة
07.البحث عن الأشجار (البداية)
08.أشجار البحث (تابع)
09.أشجار البحث (النهاية). نظام المجموعات المنفصلة
10. مهام RMQ وLCA
11. هياكل البيانات للبحث الهندسي
12. مشكلة الاتصال الديناميكي في الرسم البياني غير الموجه
لغة بايثون
01.أساسيات اللغة (الجزء الأول)
02.أساسيات اللغة (الجزء الثاني)
03. البرمجة الشيئية
04. معالجة الأخطاء
05. تصميم الكود واختباره
06.العمل بالخيوط
07. نموذج الذاكرة
08 البرمجة الوظيفية
09.مراجعة المكتبة (الجزء 1)
10.مراجعة المكتبة (الجزء الثاني)
11. الحوسبة المتوازية في بايثون
12. العمل المتقدم مع الأشياء
التعلم الآلي الجزء الأول
01. المفاهيم الأساسية وأمثلة للمشكلات التطبيقية
02.طرق التصنيف المتري
03.طرق التصنيف المنطقي وأشجار القرار
04.طرق التصنيف الخطي المتدرج
05. دعم آلة المتجهات
06.الانحدار الخطي متعدد المتغيرات
07.الانحدار غير الخطي وغير المعلمي، وظائف الخسارة غير القياسية
08.التنبؤ بالسلاسل الزمنية
09.طرق التصنيف البايزية
10. الانحدار اللوجستي
11.البحث عن قواعد الجمعية
الفصل الثاني
إلزامي
أساسيات الإحصاء في التعلم الآلي
01.مقدمة
02.المهام والأساليب الرئيسية لنظرية الاستدلال الإحصائي
03. تقدير التوزيع والوظائف الإحصائية
04.محاكاة مونتي كارلو، التمهيد
05.التقدير البارامترى
06. اختبار الفرضيات
07. تقليل أبعاد البيانات متعددة الأبعاد
08.تقييم حساسية النموذج
09.الانحدار الخطي واللوجستي
10. طرق تصميم التجارب
11.أنواع مختلفة من التنظيم في الانحدار الخطي
12. الطرق غير الخطية لبناء تبعيات الانحدار
13.التقدير اللامعلمي
14. المنهج البايزي في التقدير
15. النهج البايزي للانحدار
16. النهج بايزي للانحدار والتحسين
17.استخدام النموذج الميداني العشوائي في مسائل تحليل البيانات
18. استخدام النماذج والأساليب الإحصائية في مشاكل النمذجة والتحسين البديلة
التعلم الآلي الجزء الثاني
01.طرق تصنيف وانحدار الشبكات العصبية
02. الأساليب التركيبية للتصنيف والانحدار
03.معايير اختيار النماذج وطرق اختيار الميزات
04.الترتيب
05. تعزيز التعلم
06.التعلم بدون معلم
07.مشاكل في التدريب الجزئي
08. التصفية التعاونية
09. نمذجة الموضوع
الفصل الدراسي الثالث
للإختيار من
المعالجة التلقائية للنص
01المواد الدراسية
أو
رؤية الكمبيوتر
الدورة مخصصة لأساليب وخوارزميات الرؤية الحاسوبية، أي الرؤية الحاسوبية. استخراج المعلومات من الصور ومقاطع الفيديو. دعونا نلقي نظرة على أساسيات معالجة الصور وتصنيف الصور والبحث عن الصور حسب المحتوى والتعرف على الوجوه وتجزئة الصور. ثم سنتحدث عن خوارزميات معالجة وتحليل الفيديو. الجزء الأخير من الدورة مخصص لإعادة الإعمار ثلاثي الأبعاد. بالنسبة لمعظم المشاكل، سنناقش نماذج الشبكات العصبية الموجودة. نحاول في الدورة الاهتمام فقط بأحدث الأساليب المستخدمة حاليًا في حل المشكلات العملية والبحثية. الدورة عملية إلى حد كبير وليست نظرية. لذلك، تم تجهيز جميع المحاضرات بالمختبر والواجبات المنزلية، مما يسمح لك بتجربة معظم الأساليب التي تمت مناقشتها عمليًا. يتم تنفيذ العمل بلغة بايثون باستخدام مكتبات مختلفة.
01. الصورة الرقمية وتصحيح النغمات.
02.أساسيات معالجة الصور.
03.دمج الصور.
04. تصنيف الصور والبحث عن الصور المشابهة لها.
05. الشبكات العصبية التلافيفية للتصنيف والبحث عن الصور المشابهة.
06. كشف الكائنات.
07. التجزئة الدلالية.
08.نقل الأسلوب وتركيب الصور.
09.التعرف على الفيديو.
10. إعادة بناء متفرقة ثلاثية الأبعاد.
11. إعادة بناء كثيفة ثلاثية الأبعاد.
12.الإنشاء من إطار واحد وسحب نقطية، نماذج بارامترية.
الفصل الدراسي الرابع
الدورات الخاصة الموصى بها
تعلم عميق
01.المواد الدراسية
تعزيز التعلم
01.المواد الدراسية
سيارات ذاتية القيادة
تغطي الدورة المكونات الأساسية لتكنولوجيا القيادة الذاتية: التوطين، والإدراك، والتنبؤ، والمستوى السلوكي، وتخطيط الحركة. سيتم وصف الأساليب الرئيسية لكل مكون. بالإضافة إلى ذلك، سوف يصبح الطلاب على دراية بظروف السوق الحالية والتحديات التكنولوجية.
01.نظرة عامة على المكونات الرئيسية وأجهزة الاستشعار للمركبة بدون طيار. مستويات الحكم الذاتي. القيادة بالأسلاك. السيارات ذاتية القيادة كمنتج تجاري. طرق لتقييم التقدم المحرز في إنشاء طائرات بدون طيار. أساسيات التوطين: نظام تحديد المواقع العالمي (GNSS)، وقياس مسافة العجلات، ومرشحات بايزي.
02.طرق توطين الليدار: ICP، NDT، LOAM. مقدمة إلى SLAM المرئية باستخدام ORB-SLAM كمثال. بيان مشكلة GraphSLAM. تقليل مشكلة GraphSLAM إلى طريقة المربعات الصغرى غير الخطية. اختيار المعلمة الصحيحة. أنظمة ذات بنية خاصة في GraphSLAM. النهج المعماري: الواجهة الأمامية والخلفية.
03. مهمة التعرف في السيارة ذاتية القيادة. العوائق الثابتة والديناميكية. أجهزة الاستشعار لنظام التعرف. تمثيل العوائق الثابتة. الكشف عن العوائق الثابتة باستخدام تقنية الليدار (VSCAN، وطرق الشبكة العصبية). استخدام الليدار مع الصور للكشف عن الإحصائيات (تجزئة الصورة الدلالية، وإكمال العمق). كاميرا ستيريو والحصول على العمق من الصورة. عالم ستيكسل.
04.تخيل العوائق الديناميكية في السيارة ذاتية القيادة. طرق الشبكة العصبية للكشف عن الكائنات ثنائية الأبعاد. يعتمد الاكتشاف على عرض عين الطير لتمثيل سحابة الليدار. استخدام الليدار مع الصور لاكتشاف العوائق الديناميكية. الكشف عن السيارة بتقنية ثلاثية الأبعاد بناءً على الصور (تركيب الصناديق ثلاثية الأبعاد، نماذج CAD). الكشف عن العوائق الديناميكية المعتمدة على الرادار. تتبع الكائن.
05. أنماط قيادة السيارة: العجلة الخلفية، العجلة الأمامية. تخطيط المسار. مفهوم مساحة التكوين طرق الرسم البياني لبناء المسارات. المسارات التي تقلل من رعشة. طرق التحسين لبناء المسارات.
06.التخطيط السريع في بيئة ديناميكية. تخطيط ST. التنبؤ بسلوك مستخدمي الطريق الآخرين.