Veri Bilimi - Veri Analizi Okulu'ndan ücretsiz kurs, 4 dönem eğitim, tarih 2 Aralık 2023.

Her öğrencinin yarıyıl boyunca en az üç dersi başarıyla tamamlaması gerekir. Örneğin ana programda iki tane varsa o zaman özel derslerden birini seçmeniz gerekir.

Bilgi öncelikle ödevlerle test edilir; sınavlar ve testler yalnızca bazı konularda yapılır.

İlk dönem

Zorunlu
Algoritmalar ve veri yapıları, bölüm 1

01.Karmaşıklık ve hesaplamalı modeller. Muhasebe değerlerinin analizi (başlangıç)
02.Muhasebe değerlerinin analizi (son)
03.Birleştirme-Sıralama ve Hızlı-Sıralama algoritmaları
04. Sıralı istatistikler. Yığınlar (başlangıç)

05. Yığınlar (son)
06. Karma
07.Arama ağaçları (başlangıç)
08.Arama ağaçları (devamı)
09.Ağaçları arayın (son). Ayrık kümeler sistemi
10. RMQ ve LCA görevleri
11.Geometrik arama için veri yapıları
12.Yönlendirilmemiş bir grafikte dinamik bağlantı sorunu

Python dili
01.Dil Temelleri (Bölüm 1)
02.Dil Temelleri (Bölüm 2)
03.Nesneye yönelik programlama
04.Hata yönetimi
05. Kod tasarımı ve testi
06.Dizelerle çalışmak
07.Bellek modeli
08Fonksiyonel programlama
09.Kütüphane incelemesi (bölüm 1)
10.Kütüphane incelemesi (bölüm 2)
11.Python'da paralel hesaplama
12.Nesnelerle ileri düzeyde çalışma

Makine öğrenimi, bölüm 1
01.Temel kavramlar ve uygulamalı problem örnekleri
02.Metrik sınıflandırma yöntemleri
03.Mantıksal sınıflandırma yöntemleri ve karar ağaçları
04.Gradyan doğrusal sınıflandırma yöntemleri
05.Destek Vektör Makinesi
06.Çok değişkenli doğrusal regresyon
07.Doğrusal olmayan ve parametrik olmayan regresyon, standart dışı kayıp fonksiyonları
08.Zaman serisi tahmini
09.Bayes sınıflandırma yöntemleri
10.Lojistik regresyon
11.İlişkilendirme kurallarını arayın

İkinci dönem

Zorunlu
Makine Öğreniminde İstatistiğin Temelleri

01.Giriş
02.İstatistiksel çıkarım teorisinin ana görevleri ve yöntemleri
03. Dağılım tahmini ve istatistiksel fonksiyoneller
04.Monte Carlo simülasyonu, önyükleme
05.Parametrik tahmin
06. Hipotez testi
07. Çok boyutlu verilerin boyutluluğunun azaltılması
08.Modelin duyarlılığının değerlendirilmesi
09.Doğrusal ve lojistik regresyon
10.Deney tasarlama yöntemleri
11.Doğrusal regresyonda çeşitli düzenlileştirme türleri
12. Regresyon bağımlılıklarını oluşturmak için doğrusal olmayan yöntemler
13.Parametrik olmayan tahmin
14.Bayesian tahmin yaklaşımı
15. Regresyona Bayes yaklaşımı
16. Regresyon ve optimizasyona Bayes yaklaşımı
17.Rastgele Gaussian alan modelinin veri analizi problemlerinde kullanımı
18.Taşıyıcı modelleme ve optimizasyon problemlerinde istatistiksel model ve yöntemlerin kullanımı

Makine öğrenimi, bölüm 2
01.Sınır ağı sınıflandırma ve regresyon yöntemleri
02.Bileşimsel sınıflandırma ve regresyon yöntemleri
03.Model seçme kriterleri ve özellikleri seçme yöntemleri
04.Sıralama
05. Takviyeli öğrenme
06.Öğretmen olmadan öğrenme
07.Kısmi eğitimle ilgili sorunlar
08. İşbirlikçi filtreleme
09. Konu modelleme

Üçüncü dönem

Ndan şeçmek
Otomatik metin işleme

01Kurs materyali
veya

Bilgisayar görüşü
Ders bilgisayarlı görme yöntem ve algoritmalarına ayrılmıştır; resimlerden ve videolardan bilgi çıkarın. Görüntü işlemenin, görüntü sınıflandırmanın, içeriğe göre görüntü aramanın, yüz tanımanın, görüntü segmentasyonunun temellerine bakalım. Daha sonra video işleme ve analiz algoritmalarından bahsedeceğiz. Kursun son kısmı 3 boyutlu yeniden yapılandırmaya ayrılmıştır. Çoğu problem için mevcut sinir ağı modellerini tartışacağız. Derste yalnızca pratik ve araştırma problemlerinin çözümünde şu anda kullanılan en modern yöntemlere dikkat etmeye çalışıyoruz. Kurs büyük ölçüde teorik olmaktan ziyade pratiktir. Bu nedenle, tüm derslerde pratikte tartışılan yöntemlerin çoğunu denemenize olanak tanıyan laboratuvar ve ödevler bulunmaktadır. Çalışma Python'da çeşitli kütüphaneler kullanılarak gerçekleştirilir.

01.Dijital görüntü ve ton düzeltme.
02.Görüntü işlemenin temelleri.
03.Resimleri birleştirmek.
04. Görsellerin sınıflandırılması ve benzerlerinin aranması.
05. Benzer görüntülerin sınıflandırılması ve aranması için evrişimli sinir ağları.
06.Nesne algılama.
07. Anlamsal bölümleme.
08.Stil aktarımı ve görüntü sentezi.
09.Video tanıma.
10.Seyrek 3D rekonstrüksiyon.
11. Yoğun üç boyutlu yeniden yapılanma.
12.Tek çerçeve ve nokta bulutlarından yeniden yapılandırma, parametrik modeller.

Dördüncü dönem

Önerilen özel kurslar
Derin öğrenme
01.Ders materyali

Takviyeli öğrenme
01.Ders materyali

Kendi Kendine Sürüş Arabaları
Kurs, sürücüsüz teknolojinin temel bileşenlerini kapsar: yerelleştirme, algı, tahmin, davranış düzeyi ve hareket planlama. Her bileşen için ana yaklaşımlar açıklanacaktır. Ayrıca öğrenciler mevcut piyasa koşullarına ve teknolojik zorluklara aşina olacaklardır.

01.İnsansız bir aracın ana bileşenlerine ve sensörlerine genel bakış. Özerklik düzeyleri. Tel ile sürün. Bir iş ürünü olarak sürücüsüz arabalar. Drone yaratmadaki ilerlemeyi değerlendirmenin yolları. Yerelleştirme temelleri: gnss, tekerlek odometrisi, Bayes filtreleri.
02.Lidar lokalizasyon yöntemleri: ICP, NDT, LOAM. Örnek olarak ORB-SLAM kullanılarak görsel SLAM'e giriş. GraphSLAM sorununun ifadesi. GraphSLAM problemini doğrusal olmayan en küçük kareler yöntemine indirgemek. Doğru parametrelendirmenin seçilmesi. GraphSLAM'de özel yapıya sahip sistemler. Mimari yaklaşım: ön uç ve arka uç.
03. Sürücüsüz bir arabada tanıma görevi. Statik ve dinamik engeller. Tanıma sistemi için sensörler. Statik engellerin temsili. Lidar (VSCAN, sinir ağı yöntemleri) kullanılarak statik engellerin tespiti. Statiği tespit etmek için görüntülerle birlikte Lidar'ın kullanılması (anlamsal görüntü bölümleme, derinlik tamamlama). Stereo kamera ve resimden derinlik elde etme. Stixel Dünyası.
04.Kendi kendine giden bir arabadaki dinamik engelleri hayal etmek. 2 boyutlu nesneleri tespit etmek için sinir ağı yöntemleri. Lidar bulutu temsilinin Kuş bakışı görünümüne dayalı algılama. Dinamik engelleri tespit etmek için Lidar'ı görüntülerle kullanma. Resimlere dayalı 3 boyutlu araç tespiti (3 boyutlu kutu montajı, CAD modelleri). Radar tabanlı dinamik engel tespiti. Nesne izleme.
05.Araba sürüş şekilleri: arka tekerlek, ön tekerlek. Yol planlaması. Yapılandırma alanı kavramı. Yörüngeleri oluşturmak için grafik yöntemleri. Sarsıntıyı en aza indiren yörüngeler. Yörüngelerin oluşturulması için optimizasyon yöntemleri.
06.Dinamik bir ortamda hızlı planlama. ST planlaması. Diğer yol kullanıcılarının davranışlarını tahmin etmek.