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
- Modele liniare pentru regresie și clasificare
- Regresie liniară
- Regresie logistică
- Support Vector Machines
- SVM liniare
- SVM neliniare
- Arbori de decizie
- Arbori de clasificare
- Arbori de regresie
- Învățare de ansamble și boosting
- Boosting
- Învățare de ansamble
- Random forests
- Reducerea dimensionalității
- Analiza componentelor principale (PCA)
- Analiza componentelor independente (ICA)
- Învățare nesupervizată
- K-Means clustering
- Gaussian mixtures
- K-Nearest-Neighbors
- Factorizarea non-negativă a matricilor
- Modele grafice
- Clasificatorul naive Bayes
- Hidden Markov Models
- Rețele bayesiene
- 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.
- Matematica învățării profunde
- Vectori, matrici și tensori
- Operații cu tensori
- Funcții de cost
- Optimizarea funcțiilor de cost. Metoda gradientului descendent
- Rețele neuronale feed-forward
- Rețele feed-forward pentru clasificare
- Rețele feed-forward pentru regresie
- Rețele neuronale de convoluție
- Straturile de convoluție
- Straturile de eșantionare
- Rețele neuronale recurente
- Straturile de embeddings
- Straturile recurente de bază
- Straturile LSTM, GRU
- Metode de regularizare
- Regularizare L1, L2
- Augmentarea datelor
- Stratul de dropout
- 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.
- Formarea imaginilor
- Primitive și transformări geometrice
- Formarea fotometrică a imaginilor
- Camera digitală
- Procesarea imaginilor
- Operatori punctuali
- Filtre liniare
- Transformate Fourier
- Transformări geometrice
- Detecția și potrivirea caracteristicilor
- Puncte și patch-uri
- Margini
- Linii
- Segmentare
- Contururi active
- Împărțire și îmbinare
- Mean shift și mode finding
- Aliniera bazată pe caracteristici
- Aliniera bazată pe caracteristici 2D și 3D
- Estimarea pose-urilor
- Calibrarea geometrică intrinsecă
- Structure from motion
- Triangulare
- Structure from motion din două cadre
- Factorizare
- Corespondența stereo
- Geometria epipolară
- Corespondența densă și împrăștiată
- Metode locale
- Optimzare globală
- Stereo multi-view
- 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.