Data Science - Andmeanalüüsi kooli tasuta kursus, koolitus 4 semestrit, kuupäev 2. detsember 2023.

Iga üliõpilane peab semestri jooksul edukalt läbima vähemalt kolm kursust. Näiteks kui põhiprogrammis on neid kaks, siis tuleb valida üks erikursustest.

Teadmisi kontrollitakse eelkõige kodutööde kaudu – eksameid ja kontrolltöid tehakse vaid mõnes aines.

Esimene semester

Kohustuslik
Algoritmid ja andmestruktuurid, 1. osa

01.Keerukus ja arvutuslikud mudelid. Raamatupidamisväärtuste analüüs (algus)
02. Arvestusväärtuste analüüs (lõpp)
03. Ühenda sortimise ja kiirsortimise algoritmid
04. Tavastatistika. Kuhjad (algus)

05. Kuhjad (lõpp)
06.Räsimine
07. Otsi puid (algus)
08. Otsingupuud (jätkub)
09.Otsi puud (lõpp). Disjunktsete komplektide süsteem
10. RMQ ja LCA ülesanded
11.Andmestruktuurid geomeetriliseks otsinguks
12.Dünaamilise ühenduvuse probleem suunamata graafis

Pythoni keel
01. Keele põhitõed (1. osa)
02. Keele põhitõed (2. osa)
03.Objektorienteeritud programmeerimine
04. Vigade käsitlemine
05. Koodi kujundamine ja testimine
06. Stringidega töötamine
07.Mälumudel
08 Funktsionaalne programmeerimine
09. Raamatukogu ülevaade (1. osa)
10. Raamatukogu ülevaade (2. osa)
11. Paralleelarvutus Pythonis
12. Edasijõudnud töö objektidega

Masinõpe, 1. osa
01.Põhimõisted ja rakendusprobleemide näited
02.Meetrilised klassifitseerimise meetodid
03.Loogilised klassifitseerimismeetodid ja otsustuspuud
04.Gradientne lineaarne klassifitseerimise meetodid
05.Support Vector Machine
06. Mitmemõõtmeline lineaarne regressioon
07. Mittelineaarne ja mitteparameetriline regressioon, mittestandardsed kadufunktsioonid
08.Aegridade prognoosimine
09.Bayesi klassifitseerimismeetodid
10.Logistiline regressioon
11.Otsi ühenduse reeglid

Teine ametiaeg

Kohustuslik
Masinõppe statistika alused

01.Sissejuhatus
02. Statistilise järeldusteooria põhiülesanded ja meetodid
03. Jaotuse hindamine ja statistilised funktsioonid
04.Monte Carlo simulatsioon, bootstrap
05. Parameetriline hinnang
06. Hüpoteesi kontrollimine
07. Mitmemõõtmeliste andmete mõõtmete vähendamine
08. Mudeli tundlikkuse hindamine
09.Lineaarne ja logistiline regressioon
10. Katsete kavandamise meetodid
11. Lineaarse regressiooni eri tüüpi regulaarsus
12. Mittelineaarsed meetodid regressioonisõltuvuste konstrueerimiseks
13. Mitteparameetriline hinnang
14. Bayesi lähenemine hindamisele
15.Bayesi lähenemine regressioonile
16. Bayesi lähenemine regressioonile ja optimeerimisele
17.Juhusliku Gaussi välja mudeli kasutamine andmeanalüüsi probleemides
18. Statistiliste mudelite ja meetodite kasutamine asendusmodelleerimise ja optimeerimise probleemides

Masinõpe, 2. osa
01.Närvivõrkude klassifitseerimise ja regressiooni meetodid
02.Kompositsioonilised liigitus- ja regressioonimeetodid
03. Mudelite valimise kriteeriumid ja funktsioonide valimise meetodid
04.Edetabel
05.Tugevdusõpe
06.Õppimine ilma õpetajata
07.Probleemid osalise väljaõppega
08.Koostööline filtreerimine
09. Teema modelleerimine

Kolmas semester

Et valida
Automaatne tekstitöötlus

01 Kursuse materjal
või

Arvutinägemine
Kursus on pühendatud arvutinägemise meetoditele ja algoritmidele, s.o. saada teavet piltidest ja videotest. Vaatame pilditöötluse põhitõdesid, piltide liigitamist, pildiotsingut sisu järgi, näotuvastust, pildi segmenteerimist. Seejärel räägime videotöötlus- ja analüüsialgoritmidest. Kursuse viimane osa on pühendatud 3D rekonstrueerimisele. Enamiku probleemide puhul käsitleme olemasolevaid närvivõrgu mudeleid. Kursusel püüame pöörata tähelepanu ainult kõige kaasaegsematele meetoditele, mis on hetkel kasutusel praktiliste ja uurimisprobleemide lahendamisel. Kursus on suures osas pigem praktiline kui teoreetiline. Seetõttu on kõik loengud varustatud labori- ja kodutöödega, mis võimaldavad enamikku käsitletud meetoditest praktikas proovida. Tööd tehakse Pythonis kasutades erinevaid teeke.

01.Digitaalne pilt ja toonide korrigeerimine.
02.Pilditöötluse alused.
03.Piltide kombineerimine.
04. Piltide klassifitseerimine ja sarnaste otsimine.
05. Konvolutsioonilised närvivõrgud sarnaste kujutiste klassifitseerimiseks ja otsimiseks.
06.Objektide tuvastamine.
07. Semantiline segmenteerimine.
08.Stiili ülekanne ja pildi süntees.
09.Videotuvastus.
10.Hõred 3D rekonstrueerimine.
11.Tihe kolmemõõtmeline rekonstrueerimine.
12.Rekonstruktsioon ühest kaadrist ja punktipilvedest, parameetrilised mudelid.

Neljas semester

Soovitatavad erikursused
Sügav õppimine
01.Kursuse materjal

Tugevdusõpe
01.Kursuse materjal

Isejuhtivad autod
Kursus hõlmab isejuhtimise tehnoloogia põhikomponente: lokaliseerimine, taju, ennustamine, käitumistase ja liikumise planeerimine. Iga komponendi puhul kirjeldatakse peamisi lähenemisviise. Lisaks saavad õpilased tuttavaks praeguste turutingimuste ja tehnoloogiliste väljakutsetega.

01.Ülevaade mehitamata sõiduki põhikomponentidest ja anduritest. Autonoomia tasemed. Juhtmega sõitmine. Isejuhtivad autod kui äritoode. Droonide loomise edusammude hindamise viisid. Lokaliseerimise põhitõed: gnss, ratta läbisõidu mõõtmine, Bayesi filtrid.
02.Lidari lokaliseerimise meetodid: ICP, NDT, LOAM. Visuaalse SLAM-i tutvustus, kasutades näitena ORB-SLAM-i. GraphSLAM-i probleemi avaldus. GraphSLAM-i probleemi taandamine mittelineaarsele vähimruutude meetodile. Õige parameetrite valimine. GraphSLAM-i eristruktuuriga süsteemid. Arhitektuurne lähenemine: frontend ja backend.
03. Äratundmisülesanne isejuhtivas autos. Staatilised ja dünaamilised takistused. Tunnistussüsteemi andurid. Staatiliste takistuste kujutamine. Staatiliste takistuste tuvastamine lidari abil (VSCAN, närvivõrgu meetodid). Lidari kasutamine koos piltidega staatika tuvastamiseks (kujutise semantiline segmenteerimine, sügavuse lõpetamine). Stereokaamera ja pildilt sügavuse saamine. Stixeli maailm.
04.Dünaamiliste takistuste kujutlemine isejuhtivas autos. Närvivõrgu meetodid objektide tuvastamiseks 2D-s. Tuvastamine lidari pilvede esituse linnulennul. Lidari kasutamine piltidega dünaamiliste takistuste tuvastamiseks. Autotuvastus 3D-s piltide põhjal (3D-kastide paigaldamine, CAD-mudelid). Radaripõhine dünaamiline takistuste tuvastamine. Objekti jälgimine.
05.Auto sõidumustrid: tagaratas, esiratas. Tee planeerimine. Konfiguratsiooniruumi mõiste. Graafikumeetodid trajektooride koostamiseks. Trajektoorid, mis minimeerivad jõnksu. Optimeerimismeetodid trajektooride koostamiseks.
06. Kiiruse planeerimine dünaamilises keskkonnas. ST planeerimine. Teiste liiklejate käitumise ennustamine.