Sugestii
    Navigare directă la
      Machine Learning

      Inteligența artificială

      Dezvoltarea conceptelor de machine learning pentru sisteme sisteme automotive care vizează rezolvarea problemelor și abordarea provocărilor din lumea reală, cu accent pe inovație.

      Teme

      Învățare automată
      1. Modele liniare pentru regresie și clasificare
        • Regresie liniară
        • Regresie logistică
      2. Support Vector Machines
        • SVM liniare
        • SVM neliniare
      3. Arbori de decizie
        • Arbori de clasificare
        • Arbori de regresie
      4. Învățare de ansamble și boosting
        • Boosting
        • Învățare de ansamble
        • Random forests
      5. Reducerea dimensionalității
        • Analiza componentelor principale (PCA)
        • Analiza componentelor independente (ICA)
      6. Învățare nesupervizată    
        • K-Means clustering
        • Gaussian mixtures
        • K-Nearest-Neighbors
        • Factorizarea non-negativă a matricilor
      7. Modele grafice
        • Clasificatorul naive Bayes
        • Hidden Markov Models
        • Rețele bayesiene
      8. Învățare prin consolidare (reinforcement learning)
        • Policy search
        • Markov Decision Processes
        • Q-Learning

      Bibliografie:
      1. Trevor Hastie, Robert Tibshirani, Jerome H. Friedman. The Elements of Statistical Learning. Springer, 2001.
      2. Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
      3. Kevin Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
      4. Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media, 2019.

      Învățare profundă
      1. Matematica învățării profunde
        • Vectori, matrici și tensori
        • Operații cu tensori
        • Funcții de cost
        • Optimizarea funcțiilor de cost. Metoda gradientului descendent
      2. Rețele neuronale feed-forward
        • Rețele feed-forward pentru clasificare
        • Rețele feed-forward pentru regresie
      3. Rețele neuronale de convoluție
        • Straturile de convoluție
        • Straturile de eșantionare
      4. Rețele neuronale recurente
        • Straturile de embeddings
        • Straturile recurente de bază
        • Straturile LSTM, GRU
      5. Metode de regularizare
        • Regularizare L1, L2
        • Augmentarea datelor
        • Stratul de dropout
      6. Învățare profundă generativă
        • Generare de date secvențiale folosind rețele recurente
        • Autoencodere variaționale
        • Rețele generative adversariale

      Bibliografie:

      1. Ian Goodfellow, Yoshua Bengio, Aaron C. Courville. Deep Learning. MIT Press, 2016.

      2. Charu C. Aggarwal. Neural Networks and Deep Learning: A Textbook. Springer, 2018.

      3. Eugene Charniak. Introduction to Deep Learning. MIT Press, 2019.

      4. John D. Kelleher. Deep Learning. MIT Press, 2019.

      Vedere artificială
      1. Formarea imaginilor
        • Primitive și transformări geometrice 
        • Formarea fotometrică a imaginilor
        • Camera digitală
      2. Procesarea imaginilor
        • Operatori punctuali
        • Filtre liniare
        • Transformate Fourier
        • Transformări geometrice
      3. Detecția și potrivirea caracteristicilor
        • Puncte și patch-uri
        • Margini
        • Linii
      4. Segmentare
        • Contururi active
        • Împărțire și îmbinare
        • Mean shift și mode finding
      5. Aliniera bazată pe caracteristici
        • Aliniera bazată pe caracteristici 2D și 3D
        • Estimarea pose-urilor
        • Calibrarea geometrică intrinsecă
      6. Structure from motion
        • Triangulare
        • Structure from motion din două cadre
        • Factorizare
      7. Corespondența stereo
        • Geometria epipolară
        • Corespondența densă și împrăștiată
        • Metode locale
        • Optimzare globală
        • Stereo multi-view
      8. Recunoașterea
        • Detecția obiectelor
        • Recunoașterea fețelor
        • Recunoașterea instanțelor
        • Recunoașterea categoriilor
        • Înțelegerea contextului și a scenei

      Bibliografie:

      1. Richard Szeliski. Computer Vision: Algorithms and Applications. Springer, 2011.

      2. David A. Forsyth, Jean Ponce. Computer Vision: A Modern Approach. Pearson Education, 2011.

      3. Simon J. D. Prince. Computer Vision: Models, Learning, and Inference. Cambridge University Press, 2012.

      4. E. R. Davies. Computer Vision: Principles, Algorithms, Applications, Learning. Academic Press, 2017.