تطوير التعلم الآلي - دورة مجانية من كلية تحليل البيانات، التدريب 4 فصول دراسية، التاريخ: 2 ديسمبر 2023.
Miscellanea / / December 06, 2023
هذا الاتجاه مناسب لأولئك الذين يحبون البرمجة وإنشاء الخدمات والتطبيقات التي يمكن أن يستخدمها الآلاف والملايين من الأشخاص.
اكتب تعليمات برمجية فعالة، وقم ببناء وتحسين الأنظمة المعتمدة على البيانات ذات الكفاءة الصناعية.
في تطوير منتجات التكنولوجيا الفائقة القائمة على التعلم الآلي.
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)
02تحليل القيم المحاسبية (النهاية)
03خوارزميات فرز الدمج والفرز السريع
04 الإحصائيات الترتيبية أكوام (البداية)
05أكوام (النهاية)
06التجزئة
07أشجار البحث (البداية)
08أشجار البحث (تابع)
09أشجار البحث (النهاية). نظام المجموعات المنفصلة
10 مشاكل RMQ وLCA
11 هياكل البيانات للبحث الهندسي
12مشكلة الاتصال الديناميكي في رسم بياني غير موجه
التدريب على لغة C++ الجزء الأول
لغة C++ هي لغة قوية ذات تراث غني. بالنسبة لأولئك الذين شرعوا للتو في طريق إتقان هذه اللغة، من السهل جدًا أن يضيعوا وسط وفرة التقنيات والتقنيات التي تم إنشاؤها على مدار الثلاثين عامًا الماضية. تُدرّس الدورة "Modern C++" - مجموعة فرعية حديثة من اللغة (المعايير 11 و14 و17). يتم إيلاء الكثير من الاهتمام للأدوات والمكتبات - الأشياء التي ليست جزءًا من اللغة، ولكن بدونها لن يكون من الممكن بناء مشروع كبير ومعقد.
01مقدمة إلى لغة C++
02الثوابت. المؤشرات والروابط. تمرير الوسائط إلى دالة.
03فصول.
04إدارة الذاكرة الديناميكية.
05المتغيرات والمؤشرات والمراجع.
06إدارة الذاكرة، المؤشرات الذكية، RAII.
07مكتبة النماذج القياسية.
08 الميراث والوظائف الافتراضية.
09 معالجة الأخطاء
10 أنماط التصميم.
11 مساحات الأسماء تحرك الدلالات وإعادة التوجيه بشكل مثالي.
12 تمثيل الهياكل والطبقات في الذاكرة. محاذاة البيانات. مؤشرات لأعضاء/أساليب الفصل. قوالب متغيرة.
التعلم الآلي الجزء الأول
01مفاهيم أساسية وأمثلة للمشكلات التطبيقية
02طرق التصنيف المتري
03طرق التصنيف المنطقي وأشجار القرار
04طرق التصنيف الخطي المتدرج
05آلة دعم المتجهات
06 الانحدار الخطي متعدد المتغيرات
07الانحدار غير الخطي وغير المعلمي، وظائف الخسارة غير القياسية
08 التنبؤ بالسلاسل الزمنية
09 طرق التصنيف البايزية
10 الانحدار اللوجستي
11 البحث عن قواعد الارتباط
الفصل الثاني
إلزامي
التعلم الآلي الجزء الثاني
01 طرق تصنيف وانحدار الشبكات العصبية
02 الطرق التركيبية للتصنيف والانحدار
03 معايير اختيار النماذج وطرق اختيار الميزات
04الترتيب
05 تعزيز التعلم
06التعلم بدون معلم
07مشاكل في التدريب الجزئي
08 التصفية التعاونية
09 النمذجة الموضوعية
للإختيار من
الخوارزميات وهياكل البيانات، الجزء الثاني
01تجاوز في العرض. اجتياز العمق الأول (البدء)
02 الزحف إلى العمق (تابع)
03 عمق الزحف (النهاية). 2- القطع
04البحث عن أقصر المسارات (البداية)
05البحث عن أقصر المسارات (تابع)
06الحد الأدنى من الأشجار الممتدة
07 الحد الأدنى من التخفيضات. البحث عن سلاسل فرعية (ابدأ)
08البحث عن سلاسل فرعية (تابع)
09البحث عن سلاسل فرعية (النهاية)
10 أشجار لاحقة (البداية)
11أشجار لاحقة (النهاية). صفائف اللاحقة (البدء)
12 صفائف لاحقة (النهاية)
13 أطول سلاسل فرعية مشتركة. بحث سلسلة فرعية تقريبية.
أو
لغة بايثون
01أساسيات اللغة (الجزء الأول)
02أساسيات اللغة (الجزء الثاني)
03 البرمجة الشيئية
04 معالجة الأخطاء
05 تصميم الكود واختباره
06العمل بالخيوط
07 نموذج الذاكرة
08 البرمجة الوظيفية
09مراجعة المكتبة (الجزء الأول)
10مراجعة المكتبة (الجزء الثاني)
11 الحوسبة المتوازية في بايثون
12 العمل المتقدم مع الأشياء
أو
التدريب على لغة C++ الجزء الثاني
الجزء الثاني من دورة C++، والذي يغطي موضوعات متقدمة وقدرات لغوية.
01 برمجة متعددة الخيوط. مزامنة المواضيع باستخدام كائنات المزامنة ومتغيرات الحالة.
02 المتغيرات الذرية. نموذج الذاكرة C++ أمثلة على هياكل البيانات الخالية من القفل.
03 تقنيات البرمجة الوصفية المتقدمة في لغة C++. الوظائف الفوقية، SFINAE، المفاهيم.
04 البرمجة التنافسية والتفاعل مع الشبكة.
05llvm العمارة. العمل مع شجرة التحليل C++ تطوير أدوات لتحليل كود C++.
الفصل الدراسي الثالث
للإختيار من
معالجة اللغة الطبيعية
"NLP (معالجة اللغات الطبيعية) هي مجموعة فرعية من المجال الأوسع للذكاء الاصطناعي الذي يحاول تعليم الكمبيوتر فهم ومعالجة البيانات الأولية باللغة الطبيعية. معظم المعلومات المتاحة اليوم ليست نصًا منظمًا. كبشر، بطبيعة الحال، ليس من الصعب علينا فهمها (إذا كانت بلغتنا الأم)، لكننا لسنا قادرين على معالجة أكبر قدر ممكن من البيانات التي يمكن للآلة معالجتها. ولكن كيف يمكنك أن تجعل الآلة تفهم هذه البيانات، علاوة على ذلك، تستخرج بعض المعلومات منها؟ قبل عدة سنوات، عند افتتاح مؤتمر ACL (أحد أهم مؤتمرات البرمجة اللغوية العصبية، إن لم يكن أهمها). اعترفت مارتي هيرست في خطابها الرئاسي بأنها لم تعد قادرة على منح الطلاب ما تفضله يمارس. باستخدام HAL 9000 كمثال (أحد أمثلة الذكاء الاصطناعي في الخيال العلمي)، سألت الطلاب عما يمكن للآلة أن تفعله مثل HAL وما لا تستطيع فعله بعد. في الوقت الحاضر، لم يعد هذا تمرينًا جيدًا، حيث يمكن الآن إجراء كل هذا تقريبًا بواسطة الكمبيوتر. إنه لأمر مدهش مدى سرعة نمو هذا المجال ومدى ما حققناه. سنحاول في الدورة أن نجعلك تفهم وتشعر بما يحدث في العالم. ما هي المشاكل التي يتم حلها، وكيف يحدث هذا؛ كيف أن بعض الأساليب الإحصائية (التي كانت دورات البرمجة اللغوية العصبية مخصصة لها بالكامل تقريبًا قبل بضع سنوات) تتلقى حياة جديدة وتفسيرًا جديدًا في الشبكات العصبية، وأي منها تموت تدريجيًا. سوف نبين أن البرمجة اللغوية العصبية ليست مجموعة من الأزواج (مشكلة، حل)، ولكنها أفكار عامة تخترق مشاكل مختلفة وتعكس بعض المفاهيم المشتركة. سوف تتعلم أيضًا ما يحدث في الممارسة العملية ومتى تكون الأساليب أكثر قابلية للتطبيق. هذا ما نفعله، وما نحبه، ونحن على استعداد لمشاركته معكم :)"
01 https://lena-voita.github.io/nlp_course.html
02 https://github.com/yandexdataschool/nlp_course
أو
رؤية الكمبيوتر
"الدورة مخصصة لأساليب وخوارزميات الرؤية الحاسوبية، أي 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."
01التصوير الرقمي وتصحيح النغمات
02أساسيات معالجة الصور
03 خياطة الصور
04تصنيف الصور والبحث عن مثيلاتها
05الشبكات العصبية التلافيفية للتصنيف والبحث عن الصور المشابهة
06 اكتشاف الكائنات
07 التقسيم الدلالي
08 نقل الأسلوب وتركيب الصور
09 التعرف على الفيديو
10 إعادة بناء متفرقة ثلاثية الأبعاد
11 إعادة بناء كثيفة ثلاثية الأبعاد
12. إعادة البناء من إطار واحد وسحب نقطية، نماذج بارامترية
أو
الأساليب البايزية في التعلم الآلي
01 النهج البايزي لنظرية الاحتمالات
02 الاستدلال بايزي التحليلي
03اختيار النموذج البايزي
04 التحديد التلقائي للملاءمة
05 طريقة ناقلات الصلة لمشكلة التصنيف
06 النماذج الاحتمالية ذات المتغيرات الكامنة
07 الاستدلال البايزي المتغير
08 نموذج فصل الخليط البايزي للغاوسيين
09طرق مونت كارلو بسلاسل ماركوف
10 تخصيص ديريشليت الكامن
11 العمليات الغوسية للانحدار والتصنيف
12 طرق بايزية غير بارامترية
الفصل الدراسي الرابع
إلزامي
ممارسة هندسة ML
الدورة عبارة عن مشروع عمل على تطوير مشاريع تعلم الآلة في فرق.
ممارسة أبحاث تعلم الآلة
تمثل الدورة العمل على مشاريع بحثية جماعية في مجال التعلم الآلي.
الدورات الخاصة الموصى بها
تعلم عميق
01المواد الدراسية
تعزيز التعلم
01المواد 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.
01نظرة 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.
02طرق 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.
03مهمة 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.
04تمثيل 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.
06التخطيط السريع في بيئة ديناميكية. تخطيط ST. التنبؤ بسلوك مستخدمي الطريق الآخرين
الأساليب العصبية البايزية
يركز المقرر على تطبيق أساليب بايزي في التعلم العميق. ستتحدث المحاضرات عن استخدام النمذجة الاحتمالية لبناء نماذج البيانات التوليدية، واستخدام المنافسة الشبكات للاستدلال التقريبي، ونمذجة عدم اليقين في معلمات الشبكة العصبية، وبعض المشاكل المفتوحة في العمق تمرين.
01 الاستدلال التبايني العشوائي
02 الاستدلال التبايني العشوائي المضاعف
03جهاز التشفير التلقائي المتغير، وتطبيع التدفقات للاستدلال المتغير
04 طرق تقليل التباين في نماذج المتغيرات الكامنة
05تقدير نسبة كثافات التوزيع تطبيقا بمثال \alpha-GAN
06 الشبكات العصبية البايزية
07 ضغط بايزي للشبكات العصبية
08 الاستدلال التبايني شبه الضمني