Сведения об авторе:
Петрунина Елена Валерьевна, к.т.н., Заведующий кафедрой «СМАРТ-технологии»
Клёцкин Артур Александрович, ассистент кафедры «СМАРТ-технологии»
Сведения о дисциплине:
Название: Нейронные сети глубокого обучения в обработке изображений
Направление подготовки: 09.03.01 «Информатика и вычислительная техника»
Трудоемкость: 3 ЗЕТ, 108 академических часа
Когда: 3 курс (6 семестр)
Форма контроля: Экзамен
К основным целям освоения дисциплины "Нейронные сети глубокого обучения в обработке изображений":
- Формирование фундаментальных знаний в области глубокого обучения, нейронных сетей и их применения к задачам обработки изображений.
- Обеспечение понимания основных принципов работы и архитектур сверточных нейронных сетей (CNN), рекуррентных нейронных сетей (RNN) и других современных моделей глубокого обучения.
- Развитие навыков практического применения изученных моделей для решения реальных задач обработки изображений, таких как классификация, обнаружение объектов, сегментация, генерация изображений и др.
- Обеспечение понимания современных трендов и направлений исследований в области глубокого обучения и обработки изображений.
- Подготовка студентов к самостоятельной разработке, обучению и применению моделей глубокого обучения для решения задач, связанных с обработкой и анализом изображений.
- Формирование способности оценивать эффективность различных моделей и алгоритмов, выбирать оптимальные решения для конкретных задач.
- Развитие навыков работы с современными инструментами и библиотеками для глубокого обучения (TensorFlow, PyTorch и т.д.).
- Создание базы для дальнейшего профессионального роста в области машинного обучения, компьютерного зрения и смежных областях.
К основным задачам освоения дисциплины "Нейронные сети глубокого обучения в обработке изображений":
- Изучить теоретические основы глубокого обучения и нейронных сетей, включая принципы обучения, архитектуры сетей и методы оптимизации.
- Освоить основные типы нейронных сетей для обработки изображений, такие как сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), генеративно-состязательные сети (GAN).
- Научиться разрабатывать и обучать нейронные сети для решения различных задач обработки изображений.
- Освоить методы предварительной обработки изображений, используемые при обучении моделей глубокого обучения.
- Ознакомиться с современными архитектурами нейронных сетей (ResNet, VGG, Inception, YOLO и др.) и их применением к задачам обработки изображений.
- Научиться оценивать качество работы обученных моделей с использованием различных метрик (точность, recall, F1-мера и др.).
- Приобрести навыки работы с современными библиотеками и инструментами для глубокого обучения (TensorFlow, PyTorch, Keras).
- Научиться использовать предварительно обученные модели (transfer learning) для решения новых задач обработки изображений.
- Освоить методы визуализации и интерпретации результатов работы нейронных сетей.
- Развить навыки поиска и анализа научной литературы в области глубокого обучения и обработки изображений.
- Получить практический опыт решения реальных задач обработки изображений с использованием нейронных сетей.
- Подготовиться к выполнению курсовых и дипломных проектов, связанных с применением нейронных сетей в области обработки изображений.
Разделы включают в себя следующие обучающие материалы:
Лекционные материалы
Видеоматериалы
Лабораторные работы
Тестирование