| 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-2024 |
|
|
||||||||||||
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 |
| 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, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 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, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 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, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 1.4. | Статистические характеристики изображений. Изображение как реализация случайной величины. Функция распределения и плотность распределения интенсивности пикселов изображения. | Лекции | 3 | 2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 1.5. | Статистический анализ изображений | Лабораторные | 3 | 2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 1.6. | Предварительная подготовка изображений. Попиксельные операции | Лабораторные | 3 | 4 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 1.7. | Предварительная подготовка изображений. Попиксельные операции | Сам. работа | 3 | 8 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 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, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 1.9. | Геометрические преобразования изображений | Лабораторные | 3 | 2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 1.10. | Геометрические преобразования изображений | Сам. работа | 3 | 18 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 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, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 1.12. | Методы математической морфологии при анализе изображений | Лабораторные | 3 | 2 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 1.13. | Методы математической морфологии при анализе изображений | Сам. работа | 3 | 16 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| Раздел 2. Анализ изображений | ||||||
| 2.1. | Поиск границ на изображении. Методы выделения границ 1-го и 2-го порядка. | Лекции | 3 | 1 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 2.2. | Поиск объектов на изображении | Лекции | 3 | 1 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 2.3. | Измерения на изображениях | Лекции | 3 | 1 | Л1.3 | |
| 2.4. | Поиск границ на изображении. Поиск объектов на изображении. Измерения на изображениях | Лабораторные | 3 | 2 | Л1.3 | |
| 2.5. | изображении. Измерения на изображениях | Сам. работа | 3 | 16 | Л1.3 | |
| 2.6. | Сегментация изображений. Сегментация изображений: цель, возможные подходы и требования к результирующим областям. Нейросетевые подходы к сегментации | Лекции | 3 | 2 | Л1.3 | |
| 2.7. | Сегментация изображений. Сегментация изображений: цель, возможные подходы и требования к результирующим областям. Нейросетевые подходы к сегментации | Лабораторные | 3 | 2 | Л1.3 | |
| 2.8. | Сегментация изображений. Сегментация изображений: цель, возможные подходы и требования к результирующим областям. Нейросетевые подходы к сегментации | Сам. работа | 3 | 16 | Л1.3 | |
| Раздел 3. Генерация изображений | ||||||
| 3.1. | Генеративные модели. Автоэнкодеры, вариационные автоэкодеры. Генеративно-состязательные нейронные сети | Лекции | 3 | 4 | Л1.3 | |
| 3.2. | Генеративные модели. Автоэнкодеры, вариационные автоэкодеры. Генеративно-состязательные нейронные сети | Лабораторные | 3 | 4 | Л1.3 | |
| 3.3. | Генеративные модели. Автоэнкодеры, вариационные автоэкодеры. Генеративно-состязательные нейронные сети | Сам. работа | 3 | 20 | Л1.3 | |
| 3.4. | Комплексное решение прикладных задач обработки и анализа изображений | Сам. работа | 3 | 8 | Л1.1, Л2.1, Л1.2, Л1.3, Л2.2 | |
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ОПК-2: Примеры задач тестового (закрытого вида): 1.Как называется проблема, заключающаяся в нелинейном росте количества наблюдений при увеличении количества признаков в процессе обучения нейронной сети? a.«Проклятие размерности» b.«Проклятие нейронной сети» c.«Проклятие чрезмерности» d.«Проклятие безразмерности» ответ: а 2. Назовите основное требование к обучающему и тестовому множеству при работе с нейронными сетями: a.эти множества должны быть равны по объему b.эти множества должны пересекаться c.эти множества не должны пересекаться d.эти множества должны быть разного объема ответ: с 3. Вы разрабатываете сверточную искусственную нейронную сеть для задачи классификации. В наборе данных имеются следующие классы изображений: «кошечки», «собачки», «попугаи», «петухи». Сколько искусственных нейронов подразумевается в последнем слое? a.6 b.1 c.2 d.4 ответ: d 4. Как называется чрезмерно точное соответствие нейронной сети предоставленному ей набору обучающих примеров, при котором она теряет способность к обобщению и работе с новыми объектами? a.Суперобучение b.Недостаточное обучение c.Переобучение d.Формальное обучение ответ: с 5. Задача распознавания текста на изображении относится к задачам: a.Синтеза речи b.Распознавания речи c.Обработки естественного языка d.Компьютерного зрения ответ: d 6. Какой тип нейронных сетей наилучшим образом подходит для классификации изображений? a.Полносвязные нейронные сети b.Нейронные сети пряного распространения c.Сверточные нейронные сети d.Рекуррентные нейронные сети ответ: c 7. Что называется переобучением нейронной сети? a.Обучение, при котором происходит поиск преобразования исходящего пространства признаков в новое пространство существенно меньшей размерности b.Обучение, при котором возникает излишне точное соответствие результатов нейронной сети конкретному набору обучающих примеров, из-за чего сеть теряет способность к обобщению. c.Обучение, при котором по мере увеличения числа используемых признаков средняя ошибка на обучающей выборке монотонно убывает d.Обучение, при котором выполняется описание искомого алгоритма как суперпозиций некоторых элементарных функций ответ: c 8.Верно ли, что выходной слой сети реализует связь с выходными данными Выберите один ответ: Верно Неверно ответ: Верно 9.Один из подходов к построению сети, при котором в начале берут сеть минимального размера и постепенно увеличивают ее до достижения требуемой точности, называется a.конструктивный b.деструктивный Ответ:a 10. В чем заключается задача кластеризации? a.Упростить обработку данных b.Воссоединить множество в один класс c.Разбить обучающую выборку на непересекающиеся подмножества Ответ: с 11. Проанализируйте ситуацию и выберите один наиболее подходящий ответ Вы являетесь дата-сайентистом в компании, которая на текущий момент активно внедряет решения на основе данных. Вам необходимо подобрать конфигурацию нейронной сети и обучить ее для классификации изображений, представленных в датасете. Вводные: Задача классификации с десятью классами. 60 000 изображений. Классы сбалансированы. Решение должно быть эффективным, то есть обеспечивать наиболее точную классификацию на тестовом множестве данных. Все предлагаемые решения одинаковы по времени, поэтому данный фактор не влияет на вашу работу. Вам необходимо выбрать конфигурацию искусственной нейронной сети и провести ее обучение. Что вы выберете? a.Буду использовать рекуррентную нейронную сеть с несколькими слоями, этого вполне достаточно для того, чтобы получить точное решение b.Буду применять персептроны для данной задачи и постепенно увеличивая их количество получу их оптимальное количество для наиболее точной классификации c.Буду использовать сверточную нейронную сеть, со слоями типа DropOut d.Буду использовать серточную нейронную сеть с обязательной аргументацией данных, поскольку без нее не получится получить достаточно точное решение e.Буду использовать сверточную нейронную сеть, предварительно обработав данные, в частности выполнив нормализацию f.Буду использовать полносвязную нейронную сеть и различные приемы работы с данными, например аугментацию. Этого достаточно чтобы получить наиболее эффективное решение Ответ: с 12. Проанализируйте ситуацию и выберите один наиболее подходящий ответ Вы являетесь дата-сайентистом в компании, которая на текущий момент активно внедряет решения на основе данных. Одно из решений связано с распознаванием изображений. Вам нужно построить и обучить нейронную сеть для данных, которые представляют собой линейно разделимую выборку с двумя классами. Вводные: Бинарная классификация. Решение должно быть максимально простым, но при этом эффективным. В датасете 150 точек. Все предлагаемые решения одинаковы по времени, поэтому данный фактор не влияет на вашу работу. Вам необходимо выбрать конфигурацию искусственной нейронной сети. Что вы выберете? a.Буду использовать нейрон с сигмоидой с квадратичной функцией потерь, поскольку это наиболее часто используемая функция и хорошо зарекомендовала себя во многих задачах b.Буду использовать рекуррентную нейронную сеть, поскольку именно данный тип наиболее точно описывает подобные данные c.Построю сверточную нейронную сеть из четырех сверток и буду подбирать ее параметры, исходя из результатов обучения d.Использую один нейрон, а функцию потерь буду подбирать для того, чтобы получить наиболее быстрое решение e.Использую стандартный персептрон из библиотеки sklearn и буду его обучать стандартным способом f.Буду подбирать конфигурацию нейронной сети исходя из количества данных, чем больше данных, тем больше нейронов нужно включить в сеть. Поскольку это бинарная классификация, то достаточно обычной сигмоидальной функции Ответ: f 13.Верно ли, что под искусственным нейроном понимается усложненная модель биологического нейрона. Выберите один ответ: Верно Неверно ответ: неверно 14. Верно ли, что под совокупностью взаимодействующих между собой искусственных нейронов понимается искусственная нейронная сеть. Выберите один ответ: Верно Неверно ответ: верно 15. Верно ли, что функция активации гиперболический тангенс имеет вид f(x)=x Выберите один ответ: Верно Неверно Ответ: неверно 16. Верно ли, что в многослойной сети первый слой называется скрытым Выберите один ответ: Верно Неверно Ответ: неверно 17. Верно ли, что процесс обучения нейронной сети заключается в подстройке ее внутренних параметров (весов) под конкретную задачу Выберите один ответ: Верно Неверно Ответ:верно 18. Что из ниже перечисленного относится к обучающей выборке? a.Набор данных b.Алгоритм, решающий функцию c.Классификация данных d.Объекты с известными ответами Ответ: d ПРИМЕРЫ ЗАДАЧ ЗАКРЫТОГО ТИПА: Что такое распознавание образов? Ответ: Распознавание образов — это область компьютерных наук, занимающаяся обнаружением и классификацией объектов в изображениях или видео. Какова роль предварительной обработки изображений? Ответ: Предварительная обработка изображений улучшает качество данных, уменьшает шум и выделяет важные особенности для последующей обработки. Что такое сегментация изображения? Ответ: Сегментация изображения — это процесс разделения изображения на значимые части или объекты для облегчения анализа. Как работают нейронные сети в распознавании образов? Ответ: Нейронные сети обрабатывают входные данные через несколько слоев, каждый из которых применяет вес и активацию, позволяя модели учиться на примерах. Что такое фильтр Собеля? Ответ: Фильтр Собеля — это оператор для выделения границ изображений, используя конволюцию для определения направленных градиентов интенсивности. Что такое обучение с учителем? Ответ: Обучение с учителем — это метод машинного обучения, где модель обучается на размеченных данных, содержащих входные и выходные значения. Какова цель использования свёрточных нейронных сетей (CNN)? Ответ: Цель CNN — распознавание образов и анализ визуальных данных с помощью свёрточных операций для автоматического извлечения признаков. Что такое overfitting в машинном обучении? Ответ: Overfitting — это ситуация, когда модель слишком хорошо подстраивается под тренировочные данные, теряя способность обобщать на новых данных. Что такое кластеризация? Ответ: Кластеризация — это процесс группировки данных в кластеры, где элементы внутри одного кластера схожи, а элементы из разных кластеров различаются. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ОПК-4: Примеры задач тестового (закрытого вида): 1. Какое из перечисленных преобразований является линейным геометрическим преобразованием? а) Поворот б) Подсветка в) Сглаживание г) Повышение контраста Ответ: а) Поворот 2. Какое из утверждений о функции распределения интенсивности пикселей верно? а) Функция распределения не зависит от размера изображения б) Функция распределения всегда является линейной в) Функция распределения описывает вероятность нахождения значений интенсивности пикселей г) Функция распределения не может быть графически изображена Ответ: в) Функция распределения описывает вероятность нахождения значений интенсивности пикселей 3. Какую цель имеет сегментация изображений? а) Повысить разрешение изображения б) Обнаружить границы объектов в изображении в) Объединить все пиксели в одно целое г) Упростить изображение, удалив лишние детали Ответ: б) Обнаружить границы объектов в изображении 4. Какой метод используется для поиска границ первого порядка на изображении? а) Фильтр Гаусса б) Фильтр Собеля в) Фильтр Лапласа г) Фильтр Керри Ответ: б) Фильтр Собеля 5. Что такое аутоэнкодеры в контексте распознавания образов? а) Модель для генерации 3D-изображений б) Нейросети, обучаемые для сжатия и восстановления данных в) Алгоритмы для распознавания лиц г) Техники для уменьшения шума в изображениях Ответ: б) Нейросети, обучаемые для сжатия и восстановления данных 6. К какому типу относится трансформационное преобразование, которое сохраняет параллельность линий? а) Аффинные преобразования б) Проективные преобразования в) Нелинейные преобразования г) Вертикальные преобразования Ответ: а) Аффинные преобразования 7. Какой метод используется для интерполяции цвета пикселей при пересчетах изображений по ближайшему соседу? а) Билинейная интерполяция б) Бикубическая интерполяция в) Пропорциональное уменьшение г) Простой переход к соседнему пикселю Ответ: г) Простой переход к соседнему пикселю 8. Что такое мультиквадрики Харди в контексте нелинейных преобразований? а) Метод для уменьшения цветового шума б) Алгоритм для извлечения текстур в) Система функций для интерполяции г) Техника сжатия изображений Ответ: в) Система функций для интерполяции 9. Какой метод является генерирующей моделью в области нейросетевого подхода? а) Линейная регрессия б) Генеративно-состязательные сети в) Деревья решений г) Логистическая регрессия Ответ: б) Генеративно-состязательные сети 10. Какой из методов сегментации изображений обычно предполагает наличие заранее определённых классов? а) Полуавтоматическая сегментация б) Полная сегментация в) Нейросетевая сегментация г) Простой пороговый метод Ответ: а) Полуавтоматическая сегментация ПРИМЕРЫ ЗАДАЧ ЗАКРЫТОГО ТИПА: Какова роль функций активации в нейронных сетях? Ответ: Функции активации вводят нелинейности в модель, что позволяет нейронной сети изучать сложные зависимости в данных. Что такое нормализация изображений? Ответ: Нормализация изображений — это процесс приведения значений пикселей к определённому диапазону, что улучшает производительность моделей. Какой метод верификации используется в системах распознавания лиц? Ответ: Для верификации лиц часто используется метод сопоставления особенностей, таких как расстояние между ключевыми точками лиц. Что такое методы ансамблевого обучения? Ответ: Методы ансамблевого обучения объединяют несколько моделей для улучшения точности и уменьшения вероятности ошибки. Как работают алгоритмы глубинного обучения? Ответ: Алгоритмы глубинного обучения используют многослойные нейронные сети для автоматического извлечения и представления признаков из данных. Что такое прямое и обратное распространение ошибки? Ответ: Прямое распространение вычисляет выходные значения модели, а обратное распространение служит для обновления весов на основе расчета ошибки. Какую роль играют данные в распознавании образов? Ответ: Данные являются основой для обучения моделей, и качество данных непосредственно влияет на точность и способность распознавания. Что такое паттерн в контексте распознавания образов? Ответ: Паттерн — это повторяющийся элемент или форма в данных, которую модели стремятся обнаружить и классифицировать. Как моделируются временные зависимости в видеоизображениях? Ответ: Временные зависимости могут моделироваться с помощью рекуррентных нейронных сетей (RNN) или 3D-свёрточных нейронных сетей. Чем отличается распознавание от классификации образов? Ответ: Распознавание — это более широкий термин, который включает в себя как локализацию, так и идентификацию объектов, тогда как классификация — это только идентификация. Что такое аугментация данных и зачем она нужна? Ответ: Аугментация данных — это метод искусственного увеличения объёма обучающей выборки путём изменения существующих данных, что помогает улучшить обобщающую способность моделей. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ОПК-6: Примеры задач тестового (закрытого вида): 1. Что описывает плотность распределения интенсивности пикселей? а) Количество пикселей на изображении б) Вероятность нахождения значений интенсивности в заданном диапазоне в) Среднее значение всех интенсивностей г) Минимальное и максимальное значение интенсивности Ответ: б) Вероятность нахождения значений интенсивности в заданном диапазоне 2. Какой алгоритм используется для коррекции геометрических искажений на изображениях? а) Сmoothing б) Histographic Equalization в) Warping г) Clustering Ответ: в) Warping 3. Каковы основные элементы любой аффинной трансформации? а) Проекция б) Масштабирование и поворот в) Сжатие и вытягивание г) Цветовая коррекция Ответ: б) Масштабирование и поворот 4. Какой тип сегментации изображений более сложный и требует большего количества данных для обучения? а) Классическая сегментация б) Нейросетевая сегментация в) Пороговая сегментация г) Анализ текстуры Ответ: б) Нейросетевая сегментация 5. Что характерно для кусочно-линейных нелинейных преобразований? а) Они сохраняют линии перпендикулярными б) Они изменяют интенсивность, опираясь на точки разрыва в) Они всегда дают одинаковый результат г) Они применяются только к черно-белым изображениям Ответ: б) Они изменяют интенсивность, опираясь на точки разрыва 6. Какой формат изометрического переноса изображений обычно используется в геометрических преобразованиях? а) Билинейный б) Аффинный в) Проективный г) Линейный Ответ: б) Аффинный 7. Что обозначает "пересчет" в контексте изменения разрешения изображения? а) Изменение размера изображения без изменения пропорций б) Процесс повторного построения изображения с различной плотностью пикселов в) Изменение цвета пикселей г) Сжатие размера файла изображения Ответ: б) Процесс повторного построения изображения с различной плотностью пикселов 8. Что такое вариационные автоэнкодеры? а) Нейросети, обученные для кластеризации б) Модели, способные генерировать новые образцы, обучаясь на распределении данных в) Алгоритмы, исследующие сложные графические структуры г) Методы обработки изображений на основе алгоритмов Гаусса Ответ: б) Модели, способные генерировать новые образцы, обучаясь на распределении данных 9. Какой метод является основным для определения характеристик изображения? а) Нормализация б) Сглаживание в) Векторизация г) Создание маски Ответ: а) Нормализация 10. Какое геометрическое преобразование изменяет размеры изображения, но сохраняет его пропорции? а) Искажение б) Масштабирование в) Сдвиг г) Поворот Ответ: б) Масштабирование ПРИМЕРЫ ЗАДАЧ ЗАКРЫТОГО ТИПА: Какова роль градиентного спуска в обучении нейронных сетей? Ответ: Градиентный спуск — это оптимизационный алгоритм, используемый для минимизации функции ошибки, обновляя веса непрерывно в направлении противоположном градиенту. Как работают алгоритмы поиска ключевых точек в изображениях? Ответ: Алгоритмы поиска ключевых точек анализируют текстуру и структуру изображения, чтобы найти уникальные и инвариантные точки для сопоставления. Что такое пороговая обработка изображения? Ответ: Пороговая обработка — это метод сегментации, где пиксели сравниваются с заданным значением порога для определения, будет ли пиксель включён в объект или нет. Как используются методики transfer learning в распознавании образов? Ответ: Transfer learning позволяет использовать предобученные модели для решения новых задач, что уменьшает время и ресурсы на обучение. Что такое шум в изображении и как его можно устранить? Ответ: Шум — это случайные вариации яркости или цвета в изображении. Его можно устранить с помощью фильтрации, например, с помощью медианного фильтра. Каково назначение метрик оценки качества распознавания? Ответ: Метрики оценки качества, такие как точность, полнота и F1-мера, помогают оценить производительность модели и её способность правильно классифицировать объекты. Что такое извлечение признаков? Ответ: Извлечение признаков — это процесс выявления и выделения значимых характеристик из изображения, которые будут использоваться для обучения модели. Какие основные шаги в процессе распознавания образов можно выделить? Ответ: Основные шаги включают сбор данных, предварительную обработку, сегментацию, извлечение признаков, классификацию и постобработку. Как распознавание образов применяется в медицине? Ответ: Распознавание образов используется для анализа медицинских изображений, таких как рентгеновские снимки или МРТ, для диагностики заболеваний и планирования лечения. Какова роль интерпретируемости в распознавании образов? Ответ: Интерпретируемость важна для понимания того, как и почему модель принимает определённые решения, что особенно критично в чувствительных областях, таких как медицина и безопасность. КРИТЕРИИ ОЦЕНИВАНИЯ ОТКРЫТЫХ ВОПРОСОВ. «Отлично» (зачтено): Ответ полный, развернутый. Вопрос точно и исчерпывающе передан, терминология сохранена, студент превосходно владеет основной и дополнительной литературой, ошибок нет. «Хорошо» (зачтено): Ответ полный, хотя краток, терминологически правильный, нет существенных недочетов. Студент хорошо владеет пройденным программным материалом; владеет основной литературой, суждения правильны. «Удовлетворительно» (зачтено): Ответ неполный. В терминологии имеются недостатки. Студент владеет программным материалом, но имеются недочеты. Суждения фрагментарны. «Неудовлетворительно» (не зачтено): Не использована специальная терминология. Ответ в сущности неверен. Переданы лишь отдельные фрагменты соответствующего материала вопроса. Ответ не соответствует вопросу или вовсе не дан. |
| 5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
| Не предусмотрено |
| 5.3. Фонд оценочных средств для проведения промежуточной аттестации |
| Оценочные материалы для текущего контроля по разделам и темам дисциплины в полном объеме размещены в онлайн-курсе на образовательном портале «Цифровой университет АлтГУ» Промежуточная аттестация заключается в проведении в конце семестра зачета (для обучающихся, не получивших оценку по результатам текущей успеваемости) по всему изученному курсу. Зачет проводится в устной форме по билетам. В билет входит 2 вопроса теоретического характера Вопросы теоретического характера: 1. Объясните, что такое распознавание образов, и приведите примеры его практического применения. 2. Каковы основные этапы процесса распознавания образов? Опишите их кратко. 3. Что такое предварительная обработка изображений, и какие методы используются на этом этапе? 4. Опишите основные методы сегментации изображений и их применение. 5. Какова роль признаков в распознавании образов? Приведите примеры признаков. 6. Объясните, что такое свёрточные нейронные сети (CNN) и их преимущества по сравнению с традиционными методами распознавания образов. 7. Как работают слои свёртки и подвыборки (pooling) в CNN? Приведите подробный пример. 8. Что такое активационные функции и какую роль они играют в нейронных сетях? 9. Объясните, что такое метод опорных векторов (SVM) и как он используется для классификации изображений. 10. Каковы основные принципы обучения без учителя в контексте распознавания образов? 11. В чем заключается проблема переобучения (overfitting) и как её можно предотвратить при обучении моделей? 12. Опишите, как работает алгоритм k ближайших соседей (k-NN) для распознавания образов. 13. Какую роль играет работа с большими наборами данных в обучении моделей для распознавания образов? 14. Объясните, как можно использовать аугментацию данных для улучшения качества модели распознавания. 15. Какова цель использования методов трансферного обучения в задачах распознавания образов? 16. Опишите, как работает алгоритм кластеризации K-means и его применение в расстановке объектов на изображении. 17. Какова разница между детектированием объектов и сегментацией изображений? 18 . Какие метрики используются для оценки точности моделей в распознавании образов? 19.Объясните, что такое дилатация в контексте обработки изображений. Как этот метод влияет на форму объектов в изображении? 20. Что такое эрозия и как она используется для обработки изображений? Как эрозия и дилатация связаны между собой? 21. В каких ситуациях предпочтительнее применять эрозию, а в каких – дилатацию? Приведите примеры из практики. 22. Опишите, как методы морфологической обработки (дилатация и эрозия) могут быть использованы для улучшения результатов сегментации изображений. 23. Каковы основные методы преобразования изображений, такие как поворот, масштабирование и сдвиг? Как они влияют на распознавание образов? КРИТЕРИИ ОЦЕНИВАНИЯ: «Отлично»: студентом дан полный, в логической последовательности развернутый ответ на поставленные вопросы, где он продемонстрировал знания предмета в полном объеме учебной программы, достаточно глубоко осмысливает дисциплину, самостоятельно, и исчерпывающе отвечает на дополнительные вопросы, приводит собственные примеры по проблематике поставленного вопроса, решил предложенные практические задания без ошибок. «Хорошо»: студентом дан развернутый ответ на поставленный вопрос, где студент демонстрирует знания, приобретенные на лекционных и семинарских занятиях, а также полученные посредством изучения обязательных учебных материалов по курсу, дает аргументированные ответы, приводит примеры, в ответе присутствует свободное владение монологической речью, логичность и последовательность ответа. Однако допускаются неточности в ответе. Решил предложенные практические задания с небольшими неточностями. «Удовлетворительно»: студентом дан ответ, свидетельствующий в основном о знании процессов изучаемой дисциплины, отличающийся недостаточной глубиной и полнотой раскрытия темы, знанием основных вопросов теории, слабо сформированными навыками анализа явлений, процессов, недостаточным умением давать аргументированные ответы и приводить примеры, недостаточно свободным владением монологической речью, логичностью и последовательностью ответа. Допускается несколько ошибок в содержании ответа и решении практических заданий. «Неудовлетворительно»: студентом дан ответ, который содержит ряд серьезных неточностей, обнаруживающий незнание процессов изучаемой предметной области, отличающийся неглубоким раскрытием темы, незнанием основных вопросов теории, неумением давать аргументированные ответы. Выводы поверхностны. Решение практических заданий не выполнено. Студент не способен ответить на вопросы даже при дополнительных наводящих вопросах преподавателя. |
| 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 | Смоленцев Н.К. | Основы теории вейвлетов. Вейвлеты в MATLAB: Учебные пособия | Издательство "ДМК Пресс", 2014 | e.lanbook.com |
| Л1.3 | Глория Буэно Гарсия, Оскар Дениз Суарес, Хосе Луис Эспиноса Аранда | Обработка изображений с помощью OpenCV: | Издательство "ДМК Пресс", 2016 | e.lanbook.com |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | 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 |
| Л2.2 | 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 |
| 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 |
|---|---|---|
| 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 |
| 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 |
| 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) |
| 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. |