Análise de dados em ciências aplicadas – curso gratuito da Escola de Análise de Dados, formação 4 semestres, Data: 5 de dezembro de 2023.

A principal característica do curso de Análise de Dados em Ciências Aplicadas é que os alunos passam a maior parte do segundo ano de estudo trabalhando em projetos de pesquisa aplicada. A nota final para estudar no ShAD será em grande parte determinada pela qualidade deste projeto.

Para os alunos que, paralelamente ao ShAD, irão preparar teses (bacharelado ou mestrado), os projetos ShAD podem servir de base para o seu trabalho universitário.

Obrigatório
Reconstrução de padrões funcionais a partir de dados empíricos

01 Formulação geral do problema de recuperação de dependência
02 Método de máxima verossimilhança
03 Exemplos de problemas específicos de recuperação de dependências: regressão, identificação de padrões, reconhecimento de padrões e suas aplicações
04 Construção de estimativas não paramétricas de distribuições utilizando o método de máxima verossimilhança
05 Método dos mínimos quadrados para estimativa de regressão. Método de máxima verossimilhança para seleção de modelo
06 Teste de razão de verossimilhança
07 Busca por uma regra de decisão que minimize o número de erros ou o valor médio da função de penalidade nos dados de treinamento em problemas de reconhecimento de padrões
08 Estimativa linear multivariada
09 Perceptron. Funções potenciais. Redes neurais
10 Levando em consideração informações a priori na estimativa linear
11 Método de retrato generalizado em problema de classificação
12 Estimativa bayesiana
13 Máquina de Vetores de Suporte (SVM)
14 Alguns métodos de classificação
15 Críticas ao método empírico de minimização de riscos
16 Hiperplano ideal
17 Critérios para convergência uniforme de frequências para probabilidades. Função de crescimento. Dimensão VC
18 O duplo problema de construir um hiperplano ótimo
19 Critérios para convergência uniforme de frequências para probabilidades. Relação com as tarefas de reconhecimento de padrões de aprendizagem
20 Construção de regressão spline não paramétrica
21 Critérios para convergência uniforme de médias para expectativas matemáticas
22 Construção de regressão de kernel não paramétrica
23 O problema de escolher a complexidade ideal do modelo
24 Diferentes tipos de dependências de regressão

Noções básicas de estocástica. Modelos estocásticos

01 Definição clássica de probabilidade
02 Probabilidades condicionais. Independência. Expectativa matemática condicional.
03 Variáveis ​​aleatórias discretas e suas características
04 Teoremas Limite
05 Passeio aleatório
06 Martingais
07 Cadeias de Markov discretas. Teorema ergódico.
08 Modelo probabilístico de um experimento com número infinito de eventos. Axiomática de Kolmogorov. Diferentes tipos de convergência de variáveis ​​aleatórias.
09 Fraca convergência de medidas de probabilidade. O método das funções características na prova de teoremas limites.
10 processos aleatórios

Algoritmos e estruturas de dados, parte 1

01 Complexidade e modelos computacionais. Análise de valores contábeis (início)
02 Análise dos valores contábeis (final)
03 Algoritmos Merge-Sort e Quick-Sort
04 Estatísticas ordinais. Montes (início)
05 pilhas (final)
06 hash
07 Árvores de Pesquisa (início)
08 Árvores de Pesquisa (continuação)
09 Árvores de busca (final). Sistema de conjuntos disjuntos
10 Objetivos de RMQ e LCA
11 Estruturas de dados para pesquisa geométrica
12 Problema de conectividade dinâmica em um grafo não direcionado

01 Conceitos básicos e exemplos de problemas aplicados
02 Métodos de classificação métrica
03 Métodos de classificação lógica e árvores de decisão
04 Métodos de classificação linear de gradiente
05 Máquina de Vetores de Suporte
06 Regressão Linear Multivariada
07 Regressão não linear e não paramétrica, funções de perda não padronizadas
08 Previsão de série temporal
09 métodos de classificação bayesiana
10 Regressão logística
11 Procure regras de associação

Fundamentos de Estatística em Aprendizado de Máquina

01 Introdução
02 Tarefas e métodos básicos da teoria da inferência estatística
03 Estimativa de distribuição e funcionais estatísticos
04 Simulação de Monte Carlo, bootstrap
05 Estimativa paramétrica
06 Testando hipóteses
07 Reduzindo a dimensionalidade de dados multidimensionais
08 Avaliação de sensibilidade do modelo
09 Regressão linear e logística
10 Projeto de Experimentos
11 Diferentes tipos de regularização em regressão linear
12 métodos não lineares para construir dependências de regressão
13 Estimativa não paramétrica
14 Abordagem bayesiana para estimativa
15 Abordagem bayesiana para regressão
16 Abordagem bayesiana para regressão e otimização
17 Usando o modelo de campo gaussiano aleatório em problemas de análise de dados
18 Uso de modelos e métodos estatísticos em problemas substitutos de modelagem e otimização

01 Funções e conjuntos convexos
02 Condições de otimalidade e dualidade
03 Introdução aos métodos de otimização
04 Complexidade para classes de problemas convexos suaves e convexos não suaves
05 Técnica de suavização
06 Funções de penalidade. Método de barreira. Método da função de Lagrange modificado
07 ADMM
08 Introdução às técnicas de imposição de espelhos
09 Método de Newton e métodos quase-Newton. BFGS
10 Introdução à Otimização Robusta
11 Introdução à otimização estocástica
12 algoritmos de otimização randomizados
13 Introdução à Otimização Online

Aprendizado de máquina, parte 2

01 Métodos de classificação e regressão de redes neurais
02 Classificação composicional e métodos de regressão
03 Critérios para seleção de modelos e métodos para seleção de recursos
04 Classificação
05 Aprendizagem por reforço
06 Aprendendo sem professor
07 Problemas com treinamento parcial
08 Filtragem colaborativa
09 Modelagem de Tópicos

Projeto de trabalho