Data Science - קורס חינם מבית הספר לניתוח נתונים, הכשרה 4 סמסטרים, תאריך 2.12.2023.
Miscellanea / / December 05, 2023
למי שרוצה להציב בעיות באמצעות ניתוח נתונים, להציע פתרונות ולהעריך את יעילותם לא רק בניסוי סינתטי, אלא גם בתנאים אמיתיים.
סטטיסטיקה, למידת מכונה ועבודה עם סוגי נתונים שונים.
הנתונים עומדים בבסיס רוב השירותים והמוצרים המודרניים, מאפליקציות לחיזוי מזג אוויר ועד מכוניות בנהיגה עצמית. Data Scientist עורך ניסויים, בונה מדדים, יודע לייעל את פעולת השירותים ומבין היכן נמצאות נקודות הצמיחה שלהם.
כל סטודנט חייב להשלים בהצלחה לפחות שלושה קורסים במהלך הסמסטר. לדוגמה, אם יש שניים מהם בתוכנית הראשית, אז אתה צריך לבחור אחד מהקורסים המיוחדים.
הידע נבחן בעיקר באמצעות שיעורי בית - בחינות ומבחנים נערכים רק בחלק מהמקצועות.
סמסטר ראשון
חובה
אלגוריתמים ומבני נתונים, חלק 1
01.מורכבות ומודלים חישוביים. ניתוח ערכים חשבונאיים (התחלה)
02.ניתוח ערכים חשבונאיים (סוף)
03.Merge-Sort ו-Quick-Sort אלגוריתמים
04. סטטיסטיקה סדורה. ערימות (התחלה)
05. ערימות (סוף)
06.Hashing
07. חיפוש עצים (התחלה)
08. חיפוש עצים (המשך)
09.חיפוש עצים (סוף). מערכת של סטים מפורקים
10. משימות RMQ ו-LCA
11. מבני נתונים לחיפוש גיאומטרי
12.בעיית הקישוריות הדינמית בגרף לא מכוון
שפת פייתון
01. יסודות השפה (חלק 1)
02. יסודות השפה (חלק 2)
03.תכנות מונחה עצמים
04.טיפול בשגיאות
05. עיצוב ובדיקות קוד
06.עבודה עם מיתרים
07.דגם זיכרון
08 תכנות פונקציונלי
09. סקירת ספרייה (חלק 1)
10. סקירת ספרייה (חלק 2)
11.מחשוב מקביל בפייתון
12. עבודה מתקדמת עם חפצים
למידת מכונה, חלק 1
01. מושגי יסוד ודוגמאות לבעיות יישומיות
02.שיטות סיווג מטריות
03.שיטות סיווג לוגיות ועצי החלטה
04.שיטות סיווג ליניארי בשיפוע
05. תמיכה במכונת וקטור
06. רגרסיה ליניארית רב-משתנית
07. רגרסיה לא ליניארית ולא פרמטרית, פונקציות אובדן לא סטנדרטיות
08. חיזוי סדרות זמן
09.שיטות סיווג בייסיאניות
10.רגרסיה לוגיסטית
11.חפש את חוקי ההתאחדות
קדנציה שניה
חובה
יסודות הסטטיסטיקה בלמידת מכונה
01.מבוא
02.משימות ושיטות עיקריות של תורת ההסקה הסטטיסטית
03. אומדן התפלגות ופונקציות סטטיסטיות
04. סימולציה של מונטה קרלו, רצועה
05.הערכה פרמטרית
06. בדיקת השערות
07. צמצום הממדיות של נתונים רב מימדיים
08.הערכת רגישות הדגם
09.רגרסיה לינארית ולוגיסטית
10.שיטות עיצוב ניסויים
11. סוגים שונים של רגוליזציה ברגרסיה ליניארית
12. שיטות לא ליניאריות לבניית תלות רגרסיה
13. הערכה לא פרמטרית
14.גישה בייסיאנית לאומדן
15.גישה בייסיאנית לרגרסיה
16. גישה בייסיאנית לרגרסיה ואופטימיזציה
17. שימוש במודל השדה האקראי של גאוס בבעיות ניתוח נתונים
18. שימוש במודלים ושיטות סטטיסטיים בבעיות מודלים ואופטימיזציה פונדקאית
למידת מכונה, חלק 2
01. שיטות רשת עצביות לסיווג ורגרסיה
02.שיטות קומפוזיציה של סיווג ורגרסיה
03.קריטריונים לבחירת דגמים ושיטות לבחירת תכונות
04.דירוג
05.למידת חיזוק
06.למידה ללא מורה
07.בעיות באימון חלקי
08.סינון שיתופי
09. דוגמנות נושאים
סמסטר ג'
לבחור מ
עיבוד טקסט אוטומטי
01חומר הקורס
אוֹ
ראייה ממוחשבת
הקורס מוקדש לשיטות ואלגוריתמים של ראייה ממוחשבת, כלומר. לחלץ מידע מתמונות וסרטונים. בואו נסתכל על היסודות של עיבוד תמונה, סיווג תמונות, חיפוש תמונות לפי תוכן, זיהוי פנים, פילוח תמונה. לאחר מכן נדבר על אלגוריתמים של עיבוד וידאו וניתוח. החלק האחרון של הקורס מוקדש לשחזור תלת מימדי. עבור רוב הבעיות נדון במודלים קיימים של רשתות עצבים. בקורס אנו מנסים לשים לב רק לשיטות המודרניות ביותר הנהוגות כיום בפתרון בעיות מעשיות ומחקריות. הקורס הוא בעיקרו מעשי ולא תיאורטי. לכן, כל ההרצאות מצוידות במעבדה ובשיעורי בית, המאפשרים לנסות את רוב השיטות הנידונות בפועל. העבודה מתבצעת ב-Python באמצעות ספריות שונות.
01.תמונה דיגיטלית ותיקון טונאלי.
02.יסודות עיבוד תמונה.
03.שילוב תמונות.
04. סיווג תמונות וחיפוש דומות.
05. רשתות עצביות קונבולוציוניות לסיווג וחיפוש תמונות דומות.
06.זיהוי אובייקטים.
07. פילוח סמנטי.
08.העברת סגנון וסינתזת תמונה.
09.זיהוי וידאו.
10.שחזור תלת מימדי דליל.
11. שחזור תלת מימדי צפוף.
12.שחזור ממסגרת אחת וענני נקודה, מודלים פרמטריים.
סמסטר רביעי
קורסים מיוחדים מומלצים
למידה עמוקה
01.חומר הקורס
לימוד עם חיזוקים
01.חומר הקורס
מכוניות בנהיגה עצמית
הקורס מכסה את מרכיבי הליבה של טכנולוגיה לנהיגה עצמית: לוקליזציה, תפיסה, חיזוי, רמת התנהגות ותכנון תנועה. עבור כל רכיב, יתוארו הגישות העיקריות. בנוסף, התלמידים יכירו את תנאי השוק הנוכחיים ואת האתגרים הטכנולוגיים.
01.סקירה של הרכיבים והחיישנים העיקריים של רכב בלתי מאויש. רמות של אוטונומיה. Drive by Wire. מכוניות לנהיגה עצמית כמוצר עסקי. דרכים להעריך התקדמות ביצירת רחפנים. יסודות לוקליזציה: gnss, אודומטריית גלגל, מסננים בייסיאניים.
02.שיטות לוקליזציה של לידר: ICP, NDT, LOAM. מבוא ל-SLAM חזותי באמצעות ORB-SLAM כדוגמה. הצהרה על בעיית GraphSLAM. צמצום בעיית GraphSLAM לשיטת ריבועים קטנים לא ליניאריים. בחירת הפרמטר הנכון. מערכות בעלות מבנה מיוחד ב- GraphSLAM. גישה אדריכלית: frontend ו-backend.
03. משימת זיהוי במכונית לנהיגה עצמית. מכשולים סטטיים ודינמיים. חיישנים למערכת הזיהוי. ייצוג של מכשולים סטטיים. איתור מכשולים סטטיים באמצעות lidar (VSCAN, שיטות רשת עצביות). שימוש בלידר בשילוב עם תמונות כדי לזהות סטטיקה (פילוח תמונה סמנטית, השלמת עומק). מצלמת סטריאו וקבלת עומק מתמונה. Stixel World.
04. מדמיינת מכשולים דינמיים במכונית בנהיגה עצמית. שיטות רשת עצבית לזיהוי עצמים בדו מימד. זיהוי מבוסס על מבט ממעוף הציפור של ייצוג ענן לידר. שימוש בלידר עם תמונות כדי לזהות מכשולים דינמיים. זיהוי רכב בתלת מימד על בסיס תמונות (התאמת קופסאות תלת מימד, דגמי CAD). זיהוי מכשולים דינמי מבוסס מכ"ם. מעקב אחר אובייקטים.
05. דפוסי נהיגה במכונית: גלגל אחורי, גלגל קדמי. תכנון נתיב. הרעיון של מרחב תצורה. שיטות גרפיות לבניית מסלולים. מסלולים שממזערים טלטלות. שיטות אופטימיזציה לבניית מסלולים.
06. תכנון מהירות בסביבה דינאמית. תכנון ST. חיזוי התנהגות של משתמשי דרך אחרים.