Обробка зображень методами штучного інтелекту

Спеціальність: Комп'ютерні науки (Системи штучного інтелекту)
Код дисципліни: 6.122.13.O.035
Кількість кредитів: 5.00
Кафедра: Системи штучного інтелекту
Лектор: Р.Я.Косаревич
Семестр: 7 семестр
Форма навчання: денна
Мета вивчення дисципліни: Мета викладання даної навчальної дисципліни є формування у студентів компетентностей з обробки зображень засобами штучного інтелекту задля спрощення їх аналізу та прийняття подальших рішень.
Завдання: Вивчення навчальної дисципліни передбачає формування та розвиток у студентів компетентностей: інтегральна компетентність (ІНТ): Здатність використовувати поглиблені теоретичні та фундаментальні знання в галузі інформаційних технологій, штучного інтелекту для ефективного розв’язування складних спеціалізованих задач та практичних проблем під час професійної діяльності або у процесі навчання, що передбачає їхнє застосування для розроблення складних систем, які характеризуються комплексністю та невизначеністю умов. загальні компетентності (ЗК): 1. уміння спілкуватися другою мовою; 2. здатність навчатися; 3. уміння спілкуватися усно та в письмовій формі першою мовою; 4. здатність здійснювати пошук та аналізувати інформацію з різних джерел; 5. уміння ідентифікувати, формулювати та розв’язувати задачі; 6. уміння застосовувати знання в практичних ситуаціях; 7. уміння приймати обґрунтовані рішення; 8. уміння проводити дослідження на відповідному рівні; 9. уміння працювати в команді; 10. знання та розуміння предметної області та розуміння фаху; 11. уміння думати абстрактно, аналізувати та синтезувати; 12. уміння розробляти та керувати проектами; 13. уміння працювати самостійно. фахові компетентності спеціальності (ФК): 1. здатність гнучкого способу мислення, який дає можливість зрозуміти й розв’язати проблеми та задачі, зберігаючи при цьому критичне відношення до усталених наукових концепцій; 2. здатність використовувати поглиблені теоретичні та фундаментальні знання в галузі штучного інтелекту для розроблення складних систем; 3. здатність провести усну презентацію та написати зрозумілу статтю за результатами проведених досліджень, а також щодо сучасних концепцій у системах штучного інтелекту та методів опрацювання природної мови; 4. здатність формулювати (роблячи презентації, або представляючи звіти) нові гіпотези та наукові задачі в області штучного інтелекту та опрацювання природної мови, вибирати належні напрями і відповідні методи для їхнього розв’язування;
Результати навчання: 1. Здатність формулювати та вдосконалювати важливу дослідницьку задачу, для її вирішення збирати необхідну інформацію та формулювати висновки, які можна захищати в науковому контексті. 2. Здатність використовувати професійно-профільні знання і практичні навички для оптимізації проектування інформаційних систем будь-якої складності, для вирішення конкретних завдань проектування інтелектуальних інформаційних систем з керування об'єктами різної фізичної природи. 3. Здатність проводити оцінку наявних технологій та на основі аналізу формувати вимоги до розроблення перспективних інформаційних технологій. 4. Здатність здійснювати ефективну комунікативну діяльність роботи команди зі розроблення проекту інформаційної системи. 5. Здатність працювати з експертними та текстологічними джерелами інформації для інтеграції даних і знань в області діяльності організації за допомогою методів набуття знань, подання знань, класифікації і компіляції знань.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Інтелектуальний аналіз даних Машинне навчання Проектування систем глибинного навчання Управління процесами виконання проекту Інженерія проектування програмних систем Методи та засоби інженерії даних та знань
Короткий зміст навчальної програми: Навчальна дисципліна “Обробка зображень методами штучного інтелекту” є складовою циклу професійної підготовки фахівців другого освітньо-кваліфікаційного рівня “магістр”. Пропонований навчальний курс забезпечить студентам здобуття поглиблених теоретичних та практичних знань, умінь та розуміння, що відносяться до областей систем штучного інтелекту, що дасть їм можливість ефективно виконувати завдання інноваційного характеру відповідного рівня професійної діяльності, яка орієнтована на дослідження й розв’язання складних задач проектування та розроблення інформаційних систем аналізу зображень для задоволення широкого кола потреб науки, бізнесу та підприємств у різних галузях.
Опис: Вступ Психофізичні властивості зору. Дискретизація та квантування неперервних зображень. Математичний опис дискретних зображень. Системи обробки та аналізу зображень Основні задачі, які розв’язуються системами аналізу зображень Попередня обробка зображень. Фільтрація та відновлення зображень. Попередній аналіз зображень Сегментація та кластеризація зображень. Постановка задачі кластерного аналізу. Ієрархічні та неієрархічні алгоритми кластеризації: алгоритми k-means та Fuzzy C-Means. Сегментація зображень за допомогою виділення однорідних областей. Сегментація зображень на основі виділення границь. Розпізнавання зображень та образів Класифікація образів за допомогою функції відстані. Класифікація образів за допомогою функції правдоподібності. Класифікатори образів. Детерміністичний та статистичний підходи. Попередня обробка образів та вибір ознак. Синтаксичне розпізнавання образів. Методи та засоби штучного інтелекту для аналізу зображень Архітектура нейронних мереж. Глибинне навчання (Deep Learning). Згорткові та рекурентні нейронні мережі. Архітектура згорткових нейронних мереж, шари згортання, підвибірки і повнозв’язані. Методи фільтрації зображень засобами штучних нейронних мереж Застосування згорткових нейронних мереж для видалення шуму на зображенні. Методи попереднього аналізу зображень за допомогою штучних нейронних мереж Сегментація багатоспектральних зображень за допомогою штучних нейронних мереж Особливості розпізнавання графічних зображень за допомогою згорткових нейронних мереж. Застосування згорткових нейронних мереж у задачах розпізнавання образів
Методи та критерії оцінювання: - поточний контроль (45%): письмові звіти з лабораторних робіт, усне опитування; - підсумковий контроль (55%, екзамен): письмова компонента (40%), усна компонента (15%).
Критерії оцінювання результатів навчання: Лабораторні роботи - 30 балів Розрахункова графічна робота - 15 балів Письмова компонента іспиту - 40 балів Усна компонента іспиту - 15 балів
Порядок та критерії виставляння балів та оцінок: 100–88 балів – («відмінно») виставляється за високий рівень знань (допускаються деякі неточності) навчального матеріалу компонента, що міститься в основних і додаткових рекомендованих літературних джерелах, вміння аналізувати явища, які вивчаються, у їхньому взаємозв’язку і роз витку, чітко, лаконічно, логічно, послідовно відповідати на поставлені запитання, вміння застосовувати теоретичні положення під час розв’язання практичних задач; 87–71 бал – («добре») виставляється за загалом правильне розуміння навчального матеріалу компонента, включаючи розрахунки , аргументовані відповіді на поставлені запитання, які, однак, містять певні (неістотні) недоліки, за вміння застосовувати теоретичні положення під час розв’язання практичних задач; 70 – 50 балів – («задовільно») виставляється за слабкі знання навчального матеріалу компонента, неточні або мало аргументовані відповіді, з порушенням послідовності викладення, за слабке застосування теоретичних положень під час розв’язання практичних задач; 49–26 балів – («не атестований» з можливістю повторного складання семестрового контролю) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння застосувати теоретичні положення під час розв’язання практичних задач; 25–00 балів – («незадовільно» з обов’язковим повторним вивченням) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння орієнтуватися під час розв’язання практичних задач, незнання основних фундаментальних положень.
Рекомендована література: Stephen Marsland. Machine Learning). Лінійна: An Alg). Лінійнаorithmic Perspective, 452 р., 2015. Ethem Alpaydin. Introduction To Machine Learning). Лінійна, 584 p., 2009. Tom M. Mitchell. Machine Learning). Лінійна [http://www.cs.cmu.edu/~tom/mlbook.html]
Уніфікований додаток: Національний університет «Львівська політехніка» забезпечує реалізацію права осіб з інвалідністю на здобуття вищої освіти. Інклюзивні освітні послуги надає Служба доступності до можливостей навчання «Без обмежень», метою діяльності якої є забезпечення постійного індивідуального супроводу навчального процесу студентів з інвалідністю та хронічними захворюваннями. Важливим інструментом імплементації інклюзивної освітньої політики в Університеті є Програма підвищення кваліфікації науково-педагогічних працівників та навчально-допоміжного персоналу у сфері соціальної інклюзії та інклюзивної освіти. Звертатися за адресою: вул. Карпінського, 2/4, І-й н.к., кімн. 112 E-mail: nolimits@lpnu.ua Websites: https://lpnu.ua/nolimits https://lpnu.ua/integration
Академічна доброчесність: Політика щодо академічної доброчесності учасників освітнього процесу формується на основі дотримання принципів академічної доброчесності з урахуванням норм «Положення про академічну доброчесність у Національному університеті «Львівська політехніка» (затверджене вченою радою університету від 20.06.2017 р., протокол № 35).