Школа анализа данных Data Science [Яндекс] [ШАД]

Школа анализа данных Data Science [Яндекс] [ШАД]

Программа
В течение семестра каждый учащийся должен успешно пройти как минимум три курса. Например, если в основной программе их два, то необходимо выбрать какой-нибудь из спецкурсов.

Знания проверяются в первую очередь с помощью домашних заданий — экзамены и контрольные проводятся только по некоторым предметам.

Первый семестр

Обязательные

Алгоритмы и структуры данных, часть 1
01 Сложность и модели вычислений. Анализ учетных стоимостей (начало)
02 Анализ учетных стоимостей (окончание)
03 Алгоритмы Merge-Sort и Quick-Sort
04 Порядковые статистики. Кучи (начало)
05 Кучи (окончание)
06 Хеширование
07 Деревья поиска (начало)
08 Деревья поиска (продолжение)
09 Деревья поиска (окончание). Система непересекающихся множеств
10 Задачи RMQ и LCA
11 Структуры данных для геометрического поиска
12 Задача о динамической связности в ненаправленном графе

Язык Python
01 Основы языка (часть 1)
02 Основы языка (часть 2)
03 Объектно-ориентированное программирование
04 Обработка ошибок
05 Оформление и тестирование кода
06 Работа со строками
07 Модель памяти
08 Функциональное программирование
09 Обзор библиотек (часть 1)
10 Обзор библиотек (часть 2)
11 Параллельные вычисления в Python
12 Расширенная работа с объектами

Машинное обучение, часть 1
01 Основные понятия и примеры прикладных задач
02 Метрические методы классификации
03 Логические методы классификации и решающие деревья
04 Градиентные линейные методы классификации
05 Метод опорных векторов
06 Многомерная линейная регрессия
07 Нелинейная и непараметрическая регрессия, нестандартные функции потерь
08 Прогнозирование временных рядов
09 Байесовские методы классификации
10 Логистическая регрессия
11 Поиск ассоциативных правил

Второй семестр

Обязательные
Основы статистики в машинном обучении
01 Введение
02 Основные задачи и методы теории статистических выводов
03 Оценка распределения и статистические функционалы
04 Моделирование Монте-Карло, бутстреп
05 Параметрическое оценивание
06 Проверка гипотез
07 Снижение размерности многомерных данных
08 Оценка чувствительности модели
09 Линейная и логистическая регрессия
10 Методы планирования экспериментов (Design of Experiments)
11 Различные типы регуляризации в линейной регрессии
12 Нелинейные методы построения регрессионных зависимостей
13 Непараметрическое оценивание
14 Байесовский подход к оцениванию
15 Байесовский подход к регрессии
16 Байесовский подход к регрессии и оптимизации
17 Использование модели случайных гауссовских полей в задачах анализа данных
18 Использование статистических моделей и методов в задачах суррогатного моделирования и оптимизации

Машинное обучение, часть 2
01 Нейросетевые методы классификации и регрессии
02 Композиционные методы классификации и регрессии
03 Критерии выбора моделей и методы отбора признаков
04 Ранжирование
05 Обучение с подкреплением
06 Обучение без учителя
07 Задачи с частичным обучением
08 Коллаборативная фильтрация
09 Тематическое моделирование

Третий семестр
На выбор

Автоматическая обработка текстов
01 Материал курса

или

Компьютерное зрение
Курс посвящен методам и алгоритмам компьютерного зрения, т.е. извлечения информации из изображений и видео. Рассмотрим основы обработки изображений, классификацию изображений, поиск изображений по содержанию, распознавание лиц, сегментацию изображений. Затем поговорим про алгоритмы обработки и анализа видео. Последняя часть курса посвящена трёхмерной реконструкции. Для большинства задач будем обсуждать существующие нейросетевые модели. В курсе мы стараемся уделять внимание только наиболее современным методам, которые используются в настоящее время при решении практических и исследовательских задач. Курс в большей степени является практическим, а не теоретическим. Поэтому все лекции снабжены лабораторными и домашними работами, которые позволяют попробовать на практике большинство из рассматриваемых методов. Работы выполняются на языке Python, с использованием различных библиотек.
01 Цифровое изображение и тональная коррекция.
02 Основы обработки изображений.
03 Совмещение изображений.
04 Классификация изображений и поиск похожих.
05 Сверточные нейросети для классификации и поиска похожих изображений.
06 Детектирование объектов.
07 Семантическая сегментация.
08 Перенос стиля и синтез изображений.
09 Распознавание видео.
10 Разреженная трёхмерная реконструкция.
11 Плотная трёхмерная реконструкция.
12 Реконструкция по одному кадру и облакам точек, параметрические модели.

Четвёртый семестр

Рекомендуемые спецкурсы

Глубинное обучение
01 Материал курса

Обучение с подкреплением
01 Материал курса

Self Driving Cars
В курсе рассматриваются основные компоненты беспилотных технологий: локализация, перцепция, предсказание, уровень поведения и планирование движения. Для каждой из компонент будут описаны основные подходы. Кроме того, студенты познакомятся с текущим состоянием рынка и технологическими вызовами.
01 Обзор основных компонент и сенсоров беспилотного автомобиля. Уровни автономности. Drive by Wire. Беспилотные автомобили как бизнес-продукт. Способы оценки прогресса в создании беспилотников. Основы локализации: gnss, колесная одометрия, байесовские фильтры.
02 Методы лидарной локализации: ICP, NDT, LOAM. Введение в визуальный SLAM на примере ORB-SLAM. Постановка задачи GraphSLAM. Сведение задачи GraphSLAM к нелинейному МНК. Выбор правильной параметризации. Системы с особой структурой в GraphSLAM. Архитектурный подход: frontend и backend.
03 Задача распознавания в беспилотном автомобиле. Статические и динамические препятствия. Сенсоры для системы распознавания. Представление статических препятствий. Детекция статических препятствий по лидару (VSCAN, нейросетевые методы). Использование лидара совместно с изображениями для детекции статики (семантическая сегментация изображений, depth completion). Стерео камера и получение глубины из картинки. Stixel World.
04 Представление динамических препятствий в беспилотном автомобиле. Нейросетевые методы детекции объектов в 2D. Детекция на основе Bird-eye view представления лидарного облака. Использование лидара совместно с изображениями для детекции динамических препятствий. Детекция автомобилей в 3D на основе картинок (3D boxes fitting, CAD models). Детекция динамических препятствий на основе радара. Трекинг объектов.
05 Модели движения автомобиля: rear wheel, front wheel. Планирование траекторий. Понятие конфигурационного пространства. Графовые методы построения траекторий. Траектории, минимизирующие рывок. Оптимизационные методы построения траекторий.
06 Планирование скорости в динамическом окружении. ST-планирование. Предсказание поведения других участников дорожного движения.

Сайт: Скрытая ссылка