Закреплена за кафедрой | Кафедра информатики |
---|---|
Направление подготовки | 09.04.03. Прикладная информатика |
Профиль | Цифровые технологии анализа данных для устойчивого развития регионов Северной и Центральной Азии |
Форма обучения | Очная |
Общая трудоемкость | 4 ЗЕТ |
Учебный план | 09_04_03_Прикладная информатика_ЦТАД_ЦА-2023 |
|
|
Распределение часов по семестрам
Курс (семестр) | 2 (3) | Итого | ||
---|---|---|---|---|
Недель | 16 | |||
Вид занятий | УП | РПД | УП | РПД |
Лекции | 14 | 14 | 14 | 14 |
Лабораторные | 22 | 22 | 22 | 22 |
Сам. работа | 108 | 108 | 108 | 108 |
Итого | 144 | 144 | 144 | 144 |
Визирование РПД для исполнения в очередном учебном году
Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2023-2024 учебном году на заседании
кафедры
Кафедра информатики
Протокол от 29.06.2022 г. № 11
Заведующий кафедрой Козлов Д.Ю., к.ф.-м.н., доцент
1.1. | сформировать теоретические знания о математическом и алгоритмическом аппарате, используемом в современных системах распознавания образов, выработать умения по практическому применению методов и технологий распознавания образов для построения формальных математических моделей и интерпретации результатов моделирования при решении прикладных задач в различных областях, выработка умений и навыков использования различных программных инструментов распознавания образов и построения формальных математических моделей, выработка умений построения систем распознавания образов с использованием высокоуровневых программных средств. |
---|
Цикл (раздел) ООП: Б1.О.03 |
ОПК-2 | Способен разрабатывать оригинальные алгоритмы и программные средства, в том числе с использованием современных интеллектуальных технологий, для решения профессиональных задач; |
ОПК-2.1 | Знает современные интеллектуальные технологии. |
ОПК-2.2 | Умеет обосновывать выбор современных интеллектуальных технологий и программной среды при разработке оригинальных программных средств для решения профессиональных задач. |
ОПК-2.3 | Владеет опытом разработки оригинальных алгоритмов и программных средств, в том числе с использованием современных интеллектуальных технологий, для решения профессиональных задач. |
ОПК-4 | Способен применять на практике новые научные принципы и методы исследований; |
ОПК-4.1 | Знает новые научные принципы и методы исследований. |
ОПК-4.2 | Умеет применять новые научные принципы иметоды исследований при решении задач профессиональной деятельности. |
ОПК-6 | Способен исследовать современные проблемы и методы прикладной информатики и развития информационного общества; |
ОПК-6.1 | Знает современные проблемы и методы прикладной информатики. |
ОПК-6.2 | Умеет проводить анализ проблем развития информационного общества. |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | различные подходы к построению систем распознавания образов, соотношение дисциплины «распознавание образов», ее предмета и методов с такими областями как математическая статистика, интеллектуальный анализ данных, машинное обучение, компьютерное зрение, методы оптимизации, дискретная математика, прикладные области и постановки прикладных задач, в которых применяются методы распознавания образов и анализа изображений. |
3.2. | Уметь: |
3.2.1. | применять основные положения теории обучения по прецедентам, методы кластеризации, методы классификации, методы регрессионного анализа, использовать методы анализа многомерных данных, методы снижения размерности данных и отбора информативных признаков, определять возможности, условия применимости и свойства наиболее распространенных методов машинного обучения при построении, проверке качества и эксплуатации формальных математических моделей. |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | построения и интерпретации формальных математических моделей в терминах прикладной области, решения прикладных задач с подбором подходящих методов и программных средств распознавания образов, конструирования систем распознавания образов на базе высокоуровневых программных средств. |
Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
---|---|---|---|---|---|---|
Раздел 1. Обработка изображений | ||||||
1.1. | Введение в обработку и анализ изображений, соотношение с распознаванием образов. Примеры приложений обработки и анализа изображений. Изображение: способы оцифровки, описания и представления. Группы методов обработки изображений: улучшение изображений, восстановление изображений, анализ изображений, сжатие изображений. Основные параметры растровых изображений (разрешение, размер в пикселах). Цветовые модели (RGB, CMYK, CIE-XYZ, Lab, HSV) и режимы (полноцветный, в градациях серого, в индексированных цветах, бинарный). Форматы файлов и их особенности (RAW, BMP, GIF, JPG). Представление изображений. Цветовые режимы. Системы координат на изображении. Чтение и запись изображений. Функции преобразования типов изображений. Визуализация изображений | Лекции | 3 | 1 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.2. | Введение в обработку и анализ изображений, соотношение с распознаванием образов. Примеры приложений обработки и анализа изображений. Изображение: способы оцифровки, описания и представления. Группы методов обработки изображений: улучшение изображений, восстановление изображений, анализ изображений, сжатие изображений. Основные параметры растровых изображений (разрешение, размер в пикселах). Цветовые модели (RGB, CMYK, CIE-XYZ, Lab, HSV) и режимы (полноцветный, в градациях серого, в индексированных цветах, бинарный). Форматы файлов и их особенности (RAW, BMP, GIF, JPG). Представление изображений. Цветовые режимы. Системы координат на изображении. Чтение и запись изображений. Функции преобразования типов изображений. Визуализация изображений | Лабораторные | 3 | 4 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.3. | Введение в обработку и анализ изображений, соотношение с распознаванием образов. Примеры приложений обработки и анализа изображений. Изображение: способы оцифровки, описания и представления. Группы методов обработки изображений: улучшение изображений, восстановление изображений, анализ изображений, сжатие изображений. Основные параметры растровых изображений (разрешение, размер в пикселах). Цветовые модели (RGB, CMYK, CIE-XYZ, Lab, HSV) и режимы (полноцветный, в градациях серого, в индексированных цветах, бинарный). Форматы файлов и их особенности (RAW, BMP, GIF, JPG). Представление изображений. Цветовые режимы. Системы координат на изображении. Чтение и запись изображений. Функции преобразования типов изображений. Визуализация изображений | Сам. работа | 3 | 6 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.4. | Статистические характеристики изображений. Изображение как реализация случайной величины. Функция распределения и плотность распределения интенсивности пикселов изображения. | Лекции | 3 | 2 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.5. | Статистический анализ изображений | Лабораторные | 3 | 2 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.6. | Предварительная подготовка изображений. Попиксельные операции | Лабораторные | 3 | 4 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.7. | Предварительная подготовка изображений. Попиксельные операции | Сам. работа | 3 | 8 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.8. | Геометрические преобразования изображений. Особенности геометрических преобразований растра. Линейные геометрические преобразования: евклидовы, аффинные, проективные. Нелинейные преобразования: кусочно-линейные, полиномиальные, функции радиального базиса, функции Грина, мультиквадрики Харди. Методы интерполяции цвета пикселов при передискретизации изображений: по ближайшему соседу, билинейная, бикубическая, Ланцоша, Митчелла. Геометрические искажения на изображениях и их коррекция. Методы построения трансформирующих преобразований | Лекции | 3 | 1 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.9. | Геометрические преобразования изображений | Лабораторные | 3 | 2 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.10. | Геометрические преобразования изображений | Сам. работа | 3 | 18 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.11. | Математическая морфология и анализ бинарных изображений. Бинарные изображения. Связность на растре. Разметка связных областей на бинарных изображениях. Объекты на бинарных изображениях, их моменты и свойства. Основные понятия математической морфологии. Базовые морфологические операции: дилатация, эрозия. Производные морфологические операции: закрытие, раскрытие, утончение, утолщение, скелетизация, поиск границы объекта, заливка контуров и дыр. Морфологические операции как булева свертка. Морфологические операции для изображений в градациях серого. Приложения морфологических операций. Подавление структурного шума | Лекции | 3 | 1 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.12. | Методы математической морфологии при анализе изображений | Лабораторные | 3 | 2 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
1.13. | Методы математической морфологии при анализе изображений | Сам. работа | 3 | 16 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
Раздел 2. Анализ изображений | ||||||
2.1. | Поиск границ на изображении. Методы выделения границ 1-го и 2-го порядка. | Лекции | 3 | 1 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
2.2. | Поиск объектов на изображении | Лекции | 3 | 1 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 | |
2.3. | Измерения на изображениях | Лекции | 3 | 1 | Л1.2 | |
2.4. | Поиск границ на изображении. Поиск объектов на изображении. Измерения на изображениях | Лабораторные | 3 | 2 | Л1.2 | |
2.5. | изображении. Измерения на изображениях | Сам. работа | 3 | 16 | Л1.2 | |
2.6. | Сегментация изображений. Сегментация изображений: цель, возможные подходы и требования к результирующим областям. Нейросетевые подходы к сегментации | Лекции | 3 | 2 | Л1.2 | |
2.7. | Сегментация изображений. Сегментация изображений: цель, возможные подходы и требования к результирующим областям. Нейросетевые подходы к сегментации | Лабораторные | 3 | 2 | Л1.2 | |
2.8. | Сегментация изображений. Сегментация изображений: цель, возможные подходы и требования к результирующим областям. Нейросетевые подходы к сегментации | Сам. работа | 3 | 16 | Л1.2 | |
Раздел 3. Генерация изображений | ||||||
3.1. | Генеративные модели. Автоэнкодеры, вариационные автоэкодеры. Генеративно-состязательные нейронные сети | Лекции | 3 | 4 | Л1.2 | |
3.2. | Генеративные модели. Автоэнкодеры, вариационные автоэкодеры. Генеративно-состязательные нейронные сети | Лабораторные | 3 | 4 | Л1.2 | |
3.3. | Генеративные модели. Автоэнкодеры, вариационные автоэкодеры. Генеративно-состязательные нейронные сети | Сам. работа | 3 | 20 | Л1.2 | |
3.4. | Комплексное решение прикладных задач обработки и анализа изображений | Сам. работа | 3 | 8 | Л1.1, Л2.2, Л1.3, Л1.2, Л2.1 |
5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
См. приложение |
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
См. приложение |
5.3. Фонд оценочных средств для проведения промежуточной аттестации |
См. приложение |
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | Айвазян С. А. , Мхитарян В. С. , Зехин В. А. | Практикум по многомерным статистическим методам : | М.: МГУЭСИ, 2003 | biblioclub.ru |
Л1.2 | Глория Буэно Гарсия, Оскар Дениз Суарес, Хосе Луис Эспиноса Аранда | Обработка изображений с помощью OpenCV: | Издательство "ДМК Пресс", 2016 | e.lanbook.com |
Л1.3 | Смоленцев Н.К. | Основы теории вейвлетов. Вейвлеты в MATLAB: Учебные пособия | Издательство "ДМК Пресс", 2014 | e.lanbook.com |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | Р. Гонсалес, Р. Вудс ; пер. П.А. Чочиа, Л.И. Рубанова | Цифровая обработка изображений : практические советы [Электронный ресурс]: научная литература | Москва : Техносфера, 2012 | biblioclub.ru |
Л2.2 | Ю.В. Визильтер, С.Ю. Желтков, В.А. Князь, А.Н. Ходарев. | Обработка и анализ цифровых изображений с примерами на LabVIEW.: | М. : ДМК Пресс, 2009 | e.lanbook.com |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | Журавлев Ю. И., Рязанов В. В., Сенько О. В. Распознавание. Математические методы. Программная система. Практические применения. — М.: Фазис, 2006. - http://ntb.dp5.ru/index.php/-2/130668-zhuravlev-yu-i-ryazanov-v-v-senko-o-v.html | |||
Э2 | Система РАСПОЗНАВАНИЕ (Демо-версия) - http://www.solutions-center.ru/ | |||
Э3 | Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. — Киев: Наукова думка, 2004. - http://irtc.org.ua/image/Files/Schles/esh10_full.pdf | |||
Э4 | Ng. A. Machine Learning. - http://coursera.org | |||
Э5 | Биометрика. Журнал для медиков и биологов, сторонников доказательной биомедицины. - http://www.biometrica.tomsk.ru. | |||
Э6 | Нелинейный метод главных компонент - http://pca.narod.ru | |||
Э7 | Зиновьев А.Ю. Визуализация многомерных данных. - http://pca.narod.ru/ZinovyevBook.pdf | |||
Э8 | BaseGroup Labs. Технологии анализа данных. - http://basegroup.ru/library. | |||
Э9 | Золотых Н.Ю. MATLAB в научной и исследовательской работе - http://www.uic.unn.ru/~zny/matlab/ | |||
Э10 | Золотых Н.Ю. Учебные материалы по машинному обучению - http://www.uic.unn.ru/~zny/ml/ | |||
Э11 | The technical note «How Do I Vectorize My Code?» – [Электронный ресурс]. –http://www.mathworks.com/support/tech-notes/1100/1109.html | |||
Э12 | Система анализа данных RapidMiner - http://www.rapidminer.com/, http://rapid-i.com | |||
Э13 | Система анализа данных KNIME - knime.org | |||
Э14 | Лекции Д.П. Ветрова и Д.А. Кропотова «Байесовские методы машинного обучения» – [Электронный ресурс]. – http://www.machinelearning.ru/wiki/images/e/e1/BayesML-2007-textbook-1.pdf, http://www.machinelearning.ru/wiki/images/4/43/BayesML-2007-textbook-2.pdf | |||
Э15 | Местецкий Л.М. Математические методы распознавания образов. – Курс лекций, ВМиК МГУ, кафедра ММП. – 2002. http://www.ccas.ru/frc/ papers/mestetskii04course.pdf | |||
Э16 | Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных. - http://machinelearning.ru | |||
Э17 | Портал по интеллектуальному анализу данных, поддерживаемый Григорием Пятецким-Шапиро - http://www.kdnuggets.com/ | |||
Э18 | UCI Machine Learning Repository — репозиторий наборов данных для машинного обучения - http://archive.ics.uci.edu/ml/ | |||
Э19 | IAPR Education Committee & Resources — коллекция ссылок на образовательные ресурсы по распознаванию образов, машинному обучению, обработке сигналов, обработке изображений и компьютерному зрению, поддерживаемая Международной ассоциацией распознавания образов - http://homepages.inf.ed.ac.uk/rbf/IAPR/index.php | |||
Э20 | Портал Хемометрика в России - http://chemometrics.ru | |||
Э21 | Интернет-университет информационных технологий - http://www.intuit.ru | |||
Э22 | Лаборатория компьютерной графики при ВМК МГУ - http://graphics.cs.msu.ru | |||
Э23 | Сжатие данных - http://www.compression.ru | |||
Э24 | Теоретический минимум по информатике - http://teormin.ifmo.ru/ | |||
Э25 | efg’s Image Processing Page - http://www.efg2.com/Lab/Library/ImageProcessing/ | |||
Э26 | The Computer Vision Home Page - www.cs.cmu.edu/~cil/vision.html | |||
Э27 | Image Proccesing Learning Resources - http://homepages.inf.ed.ac.uk/rbf/HIPR2/ | |||
Э28 | Журавель И.М. Краткий курс теории обработки изображений - http://matlab.exponenta.ru/imageprocess/book2/index.php | |||
Э29 | Онлайн-курс "Распознавание образов" на открытом образовательном портале АлтГУ | public.edu.asu.ru | ||
6.3. Перечень программного обеспечения | ||||
Scilab, R STUDIO, Python c расширениями PIL, Py OpenGL, Microsoft Office, Microsoft Windows, 7-Zip, AcrobatReader.Microsoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно); Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно); Chrome (http://www.chromium.org/chromium-os/licenses), (бессрочно); 7-Zip (http://www.7-zip.org/license.txt), (бессрочно); AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно); ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно); LibreOffice (https://ru.libreoffice.org/), (бессрочно); Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно); Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024); Архиватор Ark (https://apps.kde.org/ark/), (бессрочно); Okular (https://okular.kde.org/ru/download/), (бессрочно); Редактор изображений Gimp (https://www.gimp.org/), (бессрочно) | ||||
6.4. Перечень информационных справочных систем | ||||
Сайт библиотеки АлтГУ: www.lib.asu.ru; Электронно-библиотечная система издательства "Лань": www.e.lanbook.com; Электронно-библиотечная система "Университетская библиотека online": www.biblioclub.ru; Свободная энциклопедия "Википедия": http://ru.wikipedia.org; Единый образовательный портал http://portal.edu.asu.ru Электронная база данных ZBMATH: https://zbmath.org/ |
Аудитория | Назначение | Оборудование |
---|---|---|
Учебная аудитория | для проведения занятий лекционного типа, занятий семинарского типа (лабораторных и(или) практических), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проектирования (выполнения курсовых работ), проведения практик | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска) |
107Л | лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 18 посадочных мест; компьютеры: марка HP, модель ProOne 400 - 18 единиц; проектор: марка SMART, модель UF70 - 1 единица; интерактивная доска: марка SMART Board модель SMB680 - 1 единица |
Помещение для самостоятельной работы | помещение для самостоятельной работы обучающихся | Компьютеры, ноутбуки с подключением к информационно-телекоммуникационной сети «Интернет», доступом в электронную информационно-образовательную среду АлтГУ |
1. Лекция. - На лекционных занятиях необходимо конспектировать изучаемый материал. - Для систематизации лекционного материала, который будет полезен при подготовке к итоговому контролю знаний, записывайте на каждой лекции тему, вопросы для изучения, рекомендуемую литературу. - В каждом вопросе выделяйте главное, обязательно запишите ключевые моменты (определение, факты, законы, правила и т.д.), подчеркните их. - Если по содержанию материала возникают вопросы, не нужно выкрикивать, запишите их и задайте по окончании лекции или на семинарском занятии. - Перед следующей лекцией обязательно прочитайте предыдущую, чтобы актуализировать знания и осознанно приступить к освоению нового содержания. 2.Семинарское (практическое) занятие – это форма работы, где студенты максимально активно участвуют в обсуждении темы. - Для подготовки к семинару необходимо взять план семинарского занятия (у преподавателя, на кафедре или в методическом кабинете). - Самостоятельную подготовку к семинарскому занятию необходимо начинать с изучения понятийного аппарата темы. Рекомендуем использовать справочную литературу (словари, справочники, энциклопедии), целесообразно создать и вести свой словарь терминов. - На семинар выносится обсуждение не одного вопроса, поэтому важно просматривать и изучать все вопросы семинара, но один из вопросов исследовать наиболее глубоко, с использованием дополнительных источников (в том числе тех, которые вы нашли самостоятельно). Не нужно пересказывать лекцию. - Важно запомнить, что любой источник должен нести достоверную информацию, особенно это относится к Internet-ресурсам. При использовании Internet - ресурсов в процессе подготовки не нужно их автоматически «скачивать», они должны быть проанализированы. Не нужно «скачивать» готовые рефераты, так как их однообразие преподаватель сразу выявляет, кроме того, они могут быть сомнительного качества. - В процессе изучения темы анализируйте несколько источников. Используйте периодическую печать - специальные журналы. - Полезным будет работа с электронными учебниками и учебными пособиями в Internet-библиотеках. Зарегистрируйтесь в них: университетская библиотека Онлайн (http://www.biblioclub.ru/) и электронно-библиотечная система «Лань» (http://e.lanbook.com/). - В процессе подготовки и построения ответов при выступлении не просто пересказывайте текст учебника, но и выражайте свою личностно-профессиональную оценку прочитанного. - Принимайте участие в дискуссиях, круглых столах, так как они развивают ваши навыки коммуникативного общения. - Если к семинарским занятиям предлагаются задания практического характера, продумайте план их выполнения или решения при подготовке к семинару. - При возникновении трудностей в процессе подготовки взаимодействуйте с преподавателем, консультируйтесь по самостоятельному изучению темы. 3. Самостоятельная работа. - При изучении дисциплины не все вопросы рассматриваются на лекциях и семинарских занятиях, часть вопросов рекомендуется преподавателем для самостоятельного изучения. - Поиск ответов на вопросы и выполнение заданий для самостоятельной работы позволит вам расширить и углубить свои знания по курсу, применить теоретические знания в решении задач практического содержания, закрепить изученное ранее. - Эти задания следует выполнять не «наскоком», а постепенно, планомерно, следуя порядку изучения тем курса. - При возникновении вопросов обратитесь к преподавателю в день консультаций на кафедру. - Выполнив их, проанализируйте качество их выполнения. Это поможет вам развивать умения самоконтроля и оценочные компетенции. 4. Итоговый контроль. - Для подготовки к зачету/экзамену возьмите перечень примерных вопросов у методиста кафедры. - В списке вопросов выделите те, которые были рассмотрены на лекции, семинарских занятиях. Обратитесь к своим записям, выделите существенное. Для более детального изучения изучите рекомендуемую литературу. - Если в списке вопросов есть те, которые не рассматривались на лекции, семинарском занятии, изучите их самостоятельно. Если есть сомнения, задайте вопросы на консультации перед экзаменом. - Продумайте свой ответ на экзамене, его логику. Помните, что ваш ответ украсит ссылка на источник литературы, иллюстрация практики применения теоретического знания, а также уверенность и наличие авторской аргументированной позиции как будущего субъекта профессиональной деятельности. |