Открыто

Школа анализа данных Data Science [Яндекс] [ШАД]

Тема в разделе "Курсы по программированию", создана пользователем Compton187, 21 июл 2022.

Цена: ----
Взнос: ----

Основной список: 66 участников

Резервный список: 9 участников

  1. Compton187

    Compton187 ЧКЧлен клуба

    upload_2022-7-21_22-20-55.png
    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: academy.yandex.ru/dataschool/course/data-science
     
    3 пользователям это понравилось.
  2. Последние события

    1. Мелармония

      Мелармония участвует в складчине.

      1 фев 2023
    2. proboo

      proboo участвует в складчине.

      31 янв 2023
    3. Просветленный

      Просветленный участвует в складчине.

      30 янв 2023
    4. skyroller

      skyroller участвует в складчине.

      29 янв 2023
  3. Compton187

    Compton187 ЧКЧлен клуба

    Сразу отвечаю на вопрос, зачем если он бесплатный, ну не все могут поступить, не у всех есть время и тд. Я считаю было бы идеально пройти подготовку ШАД каждый в своем темпе. Так же считаю допустимым если организатор назначит свое цену за работу.
     
    2 пользователям это понравилось.
  4. Compton187

    Compton187 ЧКЧлен клуба

  5. Санта Хаус

    Санта Хаус ОргОрганизатор

    Практические примеры из этой книги научат вас создавать приложения глубокого обучения для облачных, мобильных и краевых (edge) систем
    [Питер] Искусственный интеллект и компьютерное зрение. Реальные проекты на Python, Keras и TensorFlow [Коул А., Ганджу С., Казам М.]

    Скоро начнем собираться...
     
  6. Jesika

    Jesika ЧКЧлен клуба

  7. rakf1910

    rakf1910 ЧКЧлен клуба

    Привет, не очень понимаю смысл данной складчины. Т.е. как будет проходить организация? Ты учишься в ШАД и будешь выкладывать материалы или как?
     
  8. Compton187

    Compton187 ЧКЧлен клуба

    Человек поступивший в ШАД выкладывает по немного все лекции, видео, прочий материал и задания, какие то данные для обучения моделей в том виде в каком сможет. основная идея, понять для себя уровень заданий, посмотреть спокойно лекции без дедлайнов, если не получается по времени, не заморачиваться с академом, а просто вернуться к задачам тогда, когда удобно.
     
  9. rakf1910

    rakf1910 ЧКЧлен клуба

    А уже есть такой человек? Или ищем?
     
  10. Compton187

    Compton187 ЧКЧлен клуба

    Нет к сожалению, но тут явно есть 2 момента, складчина не умрет, так как если будет интерес, то орг найдется ну и каждый поток с 2018 года составляет более 200 студентов, в том числе платные, кто то рано или поздно найдется.
     
  11. SilverLining

    SilverLining СкладчикСкладчик

  12. Доктор Лектер

    Доктор Лектер МодерМодератор Команда форума

  13. Сергей_Hurricane

    Сергей_Hurricane ЧКЧлен клуба

  14. Goldsmith

    Goldsmith ОргОрганизатор

Поделиться этой страницей