Компьютерлік көру
Сипаттама: Дисциплина «Компьютерное зрение» для магистрантов направлена на освоение практических навыков разработки моделей классификации и детектирования изображений. В ходе обучения изучаются принципы построения линейных классификаторов, работа со сверточными нейронными сетями и применение готовых решений для обнаружения объектов. Студенты учатся самостоятельно настраивать параметры обучения, анализировать точность моделей и реализовывать законченные программные решения на языке Python
Кредиттер саны: 6
Пререквизиты:
- Бағдарламалау технологиясы
Пәннің еңбек сыйымдылығы:
| Жұмыс түрлері | сағат |
|---|---|
| Дәрістер | 30 |
| Практикалық жұмыстар | |
| Зертханалық жұмыстар | 30 |
| СӨЖО | 30 |
| СӨЖ | 90 |
| Қорытынды бақылау нысаны | емтихан |
| Қорытынды бақылауды жүргізу нысаны |
Компонент: Таңдау бойынша компонент
Цикл: Кәсіптік пәндер
Мақсат
- Целью курса является формирование у магистрантов системы теоретических знаний и практических навыков, необходимых для разработки и исследования современных систем анализа визуальных данных на базе глубокого обучения.
Міндет
- - Освоить теоретический фундамент обработки изображений, включая принципы извлечения признаков и математику параметризованного обучения;
- - Изучить архитектуры современных нейронных сетей, от базовых сверточных моделей до алгоритмов детектирования объектов в реальном времени;
- - Сформировать навыки практической реализации систем анализа визуальных данных на языке Python с использованием актуальных инструментов глубокого обучения;
- - Научиться диагностировать и оптимизировать процессы обучения моделей, используя методы регуляризации и инструменты борьбы с переобучением.
Оқыту нәтижесі: білу және түсіну
- 1. Собеседование по контрольным вопросам 2. Работа на лабораторных занятиях
Оқыту нәтижесі: білім мен ұғымды қолдану
- Результатом обучения является знание математических основ цифровой обработки изображений и понимание принципов работы параметризованных моделей, включая механизмы оптимизации и регуляризации весов. Магистрант должен понимать внутреннюю архитектуру сверточных нейронных сетей, логику функционирования современных детекторов объектов (YOLO) и способы диагностики процессов обучения (underfitting/overfitting). Итогом становится способность осознанно выбирать методы и инструменты для решения прикладных задач компьютерного зрения на основе глубокого обучения.
Оқыту нәтижесі: талқылай білуді қалыптастыру
- Результатом обучения является умение проектировать и программно реализовывать алгоритмы классификации и детекции объектов на основе изученных математических моделей. Магистрант должен уметь самостоятельно конструировать архитектуры нейронных сетей, проводить тонкую настройку гиперпараметров и выбирать стратегии регуляризации для повышения точности моделей. Ключевым навыком является способность проводить экспериментальные исследования, грамотно интерпретировать результаты обучения через метрики качества и диагностировать проблемы в работе нейронных сетей на реальных наборах данных.
Оқыту нәтижесі: коммуникативтік қабілеттіліктер
- Результатом обучения является способность магистранта критически оценивать эффективность различных архитектур и методов компьютерного зрения в зависимости от специфики поставленной задачи и имеющихся вычислительных ресурсов. Студент должен уметь выносить обоснованные суждения о качестве обученных моделей, выявлять причины их некорректной работы (ошибки обобщения, смещения в данных) и аргументированно выбирать между точностью и скоростью работы алгоритма. Итогом является формирование профессионального подхода к анализу визуальных данных, основанного на доказательном сравнении результатов экспериментов и этических нормах использования технологий искусственного интеллекта.
Оқыту нәтижесі: Оқу дағдылары немесе сабаққа қабілеттілігі
- Результатом обучения является способность четко и профессионально излагать логику работы алгоритмов компьютерного зрения, используя соответствующую терминологию при оформлении технических отчетов и презентации результатов исследований. Магистрант должен уметь эффективно коммуницировать в рамках проектных групп, аргументированно защищать выбранные архитектурные решения и представлять результаты анализа данных в визуально понятной форме. Важным навыком является умение доносить сложные концепции глубокого обучения как до специалистов в области ИИ, так и до заказчиков прикладных решений, обосновывая применимость выбранных методов.
