Компьютерлік көру
Сипаттама: Курс кескіндерді жіктеу және нысандарды анықтау модельдерін әзірлеудің практикалық дағдыларын меңгеруге бағытталған. Оқу барысында магистранттар сызықтық жіктеуіштерді құру қағидаттарын, конволюциялық нейрондық желілердің жұмысын және нысандарды анықтауға арналған дайын шешімдерді қолдануды зерттейді. Магистранттар оқыту параметрлерін өз бетінше баптауды, модельдердің дәлдігін талдауды және Python бағдарламалау тілінде толыққанды бағдарламалық шешімдерді әзірлеуді үйренеді.
Кредиттер саны: 5
Пререквизиты:
- Макроэкономика
Пәннің еңбек сыйымдылығы:
| Жұмыс түрлері | сағат |
|---|---|
| Дәрістер | 15 |
| Практикалық жұмыстар | |
| Зертханалық жұмыстар | 30 |
| СӨЖО | 30 |
| СӨЖ | 75 |
| 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.
