Наука о подацима - бесплатни курс Школе за анализу података, обука 4 семестра, датум 02.12.2023.

Сваки студент мора успешно завршити најмање три предмета током семестра. На пример, ако их има два у главном програму, онда морате да изаберете један од специјалних курсева.

Провера знања се врши првенствено кроз домаћи задатак – испити и тестови се спроводе само из неких предмета.

Први семестар

Обавезно
Алгоритми и структуре података, 1. део

01.Сложеност и рачунски модели. Анализа рачуноводствених вредности (почетак)
02.Анализа рачуноводствених вредности (крај)
03. Алгоритми спајања и брзог сортирања
04. Редна статистика. Хрпе (почетак)

05. Хрпе (крај)
06.Хасхинг
07.Претражи дрвеће (почетак)
08.Стабла претраге (наставак)
09.Стабла претраге (крај). Систем дисјунктних скупова
10. РМК и ЛЦА задаци
11. Структуре података за геометријско претраживање
12. Проблем динамичке повезаности у неусмереном графу

Питхон језик
01.Основе језика (1. део)
02. Основе језика (2. део)
03.Објектно оријентисано програмирање
04.Управљање грешкама
05. Дизајн и тестирање кода
06.Рад са жицама
07. Меморијски модел
08 Функционално програмирање
09.Приказ библиотеке (1. део)
10. Преглед библиотеке (2. део)
11.Паралелно рачунање у Питхон-у
12.Напредни рад са објектима

Машинско учење, први део
01.Основни појмови и примери примењених проблема
02.Метричке методе класификације
03. Методе логичке класификације и стабла одлучивања
04.Градијент линеарне методе класификације
05.Суппорт Вецтор Мацхине
06.Мултиваријантна линеарна регресија
07.Нелинеарна и непараметарска регресија, нестандардне функције губитка
08.Прогноза временских серија
09.Бајесове методе класификације
10.Логистичка регресија
11.Тражите правила асоцијације

Други мандат

Обавезно
Основи статистике у машинском учењу

01.Увод
02.Главни задаци и методе теорије статистичког закључивања
03. Процена дистрибуције и статистички функционали
04.Монте Карло симулација, боотстрап
05.Параметријска процена
06. Тестирање хипотеза
07. Смањење димензионалности вишедимензионалних података
08.Процена осетљивости модела
09.Линеарна и логистичка регресија
10.Методе пројектовања експеримената
11.Разне врсте регуларизације у линеарној регресији
12. Нелинеарне методе за конструисање регресионих зависности
13.Непараметријска процена
14.Бајесов приступ процени
15.Бајесов приступ регресији
16. Бајесов приступ регресији и оптимизацији
17. Употреба модела случајног Гаусовог поља у проблемима анализе података
18. Употреба статистичких модела и метода у проблемима сурогатног моделирања и оптимизације

Машинско учење, 2. део
01.Неуронске мреже Методе класификације и регресије
02.Композицијске методе класификације и регресије
03.Критеријуми за избор модела и методе за избор карактеристика
04.Рангинг
05.Учење са појачањем
06.Учење без наставника
07.Проблеми са делимичном обуком
08.Колаборативно филтрирање
09. Тематско моделовање

Трећи семестар

Да бирају
Аутоматска обрада текста

01Наставни материјал
или

Компјутерски вид
Предмет је посвећен методама и алгоритмима компјутерског вида, тј. издвајање информација из слика и видео записа. Хајде да погледамо основе обраде слика, класификацију слика, претрагу слика по садржају, препознавање лица, сегментацију слике. Затим ћемо разговарати о алгоритмима за обраду и анализу видеа. Последњи део курса је посвећен 3Д реконструкцији. За већину проблема разговараћемо о постојећим моделима неуронских мрежа. На курсу се трудимо да обратимо пажњу само на најсавременије методе које се тренутно користе у решавању практичних и истраживачких проблема. Курс је углавном практичан, а не теоретски. Стога су сва предавања опремљена лабораторијским и домаћим задацима, који вам омогућавају да испробате већину метода о којима се говори у пракси. Рад се обавља у Пајтону користећи различите библиотеке.

01.Дигитална слика и тонска корекција.
02.Основе обраде слике.
03.Комбиновање слика.
04. Класификација слика и тражење сличних.
05. Конволуционе неуронске мреже за класификацију и тражење сличних слика.
06. Детекција објеката.
07. Семантичка сегментација.
08.Пренос стила и синтеза слике.
09. Видео препознавање.
10.Спарсе 3Д реконструкција.
11. Густа тродимензионална реконструкција.
12.Реконструкција из једног оквира и облака тачака, параметарски модели.

Четврти семестар

Препоручени специјални курсеви
Дубоко учење
01.Наставни материјал

Учење са појачањем
01.Наставни материјал

Аутомобили који се самостално возе
Курс покрива основне компоненте технологије самовожње: локализацију, перцепцију, предвиђање, ниво понашања и планирање кретања. За сваку компоненту биће описани главни приступи. Поред тога, студенти ће се упознати са тренутним тржишним условима и технолошким изазовима.

01.Преглед главних компоненти и сензора беспилотног возила. Нивои аутономије. Дриве би Вире. Самовозећи аутомобили као пословни производ. Начини процене напретка у стварању дронова. Основе локализације: гнсс, одометрија точкова, Бајесови филтери.
02.Методе локализације лидара: ИЦП, НДТ, ЛОАМ. Увод у визуелни СЛАМ користећи ОРБ-СЛАМ као пример. Изјава о ГрапхСЛАМ проблему. Свођење ГрапхСЛАМ проблема на нелинеарну методу најмањих квадрата. Избор исправне параметризације. Системи са посебном структуром у ГрапхСЛАМ-у. Архитектонски приступ: фронтенд и бацкенд.
03. Задатак препознавања у самовозећем аутомобилу. Статичке и динамичке препреке. Сензори за систем препознавања. Представљање статичких препрека. Детекција статичких препрека помоћу лидара (ВСЦАН, методе неуронске мреже). Коришћење лидара у комбинацији са сликама за откривање статике (семантичка сегментација слике, завршетак дубине). Стерео камера и добијање дубине из слике. Стикел Ворлд.
04. Замишљање динамичких препрека у самовозећем аутомобилу. Методе неуронске мреже за детекцију објеката у 2Д. Детекција заснована на приказу лидарског облака из птичје перспективе. Коришћење лидара са сликама за откривање динамичких препрека. Детекција аутомобила у 3Д на основу слика (уградња 3Д кутија, ЦАД модели). Динамичка детекција препрека заснована на радару. Праћење објеката.
05. Шеме вожње аутомобила: задњи точак, предњи точак. Планирање пута. Концепт конфигурационог простора. Методе графова за конструисање трајекторија. Трајекторије које минимизирају трзај. Методе оптимизације за конструисање трајекторија.
06.Планирање брзине у динамичном окружењу. СТ планирање. Предвиђање понашања других учесника у саобраћају.