RA0292 Ievads dziļajā mašīnmācīšanā

Kods RA0292
Nosaukums Ievads dziļajā mašīnmācīšanā
Statuss Obligātais/Ierobežotās izvēles
Līmenis un tips Pamatstudiju, Profesionālais
Tematiskā joma Datormācība
Struktūrvienība Rēzeknes akadēmija
Mācībspēks Sergejs Kodors
Kredītpunkti 3.0
Daļas 1
Anotācija Šis kurss ir sagatavots studentiem bez iepriekšējām zināšanām mākslīgajā intelektā un attēlu apstrādē. Kursa ietvaros studenti tiek iepazīstināti ar trendiem mākslīgajā intelektā un ES stratēģijām kā Trustworthy AI, EU AI Act un Industry 4.0/5.0. Studenti apgūst praktiskās iemaņas Python programmēšanā un konvolūcijas neirontīklu apmācīšanā, izmantojot teachablemachine, Google Tensorflow+Keras, PyTorch, Google Colab un YOLO framework. .
Studiju kursa saturs
Saturs Pilna un nepilna laika klātienes studijas Nepilna laika neklātienes studijas
Kontaktstundas Patstāvīgais darbs Kontaktstundas Patstāvīgais darbs
Ievads mākslīgajā intelektā: trendi un ES stratēģijas. 2 2 0 0
Mākslīgā intelekta problēmu klasifikācija un pielietošanas veidi. 2 2 0 0
EU AI Act un viedo sistēmu risku analīze. 2 2 0 0
Ievads kursa tehnoloģijās un to izvēles pamatojums: teachablemachine, Tensorflow+Keras, PyTorch, YOLO frameworks. Ievads Python un Jupyter Notebook 2 2 0 0
Attēlu struktūra, RGB krāsu modelis, kontrasts. Tālizpēte. 2 2 0 0
Industry 3.0 risinājumi. Attēlu priekšapstrāde un pazīmju balstītās metodes. 2 2 0 0
Ievads neirontīklos. Teachablemachine. 2 2 0 0
Neirontīkli, aktivācijas funkcijas, feed-forward algoritms. 2 4 0 0
Backpropagation algoritms un apmācības koeficients. 4 8 0 0
Konvolūcijas neirontīkli un AlexNet arhitektūra. Konvolūcijas, pooling, normalizācijas, dropout, softmax un pilno saišu slāņu modeļu skaidrojums kā arī to parametru kā stride un padding. 2 4 0 0
Datukopas, repozitoriji, licences un marķēšanas rīki. 2 4 0 0
AlexNet modeļa izveidošana un apmācībā Tensorflow+Keras vidē. Modeļa uzlabošanas principi. 2 4 0 0
PyTorch izstrādes vide un AlexNet modeļa izveidošana. 2 2 0 0
Google Colab un CUDA. 2 2 0 0
YOLO ietvari. 2 4 0 0
Kopā: 32 46 0 0
Mērķis un uzdevumi, izteikti
kompetencēs un prasmēs 		Mērķis ir iemācīt studentus izstrādāt daorredzes risinājumus. Uzdevumi: 1.) Izstāstīt par MI klasifikāciju, trendiem un tehnoloģijām; 2.) Iemācīt veidot konvolūcijas neirontīklus attēlu apstrādei.
Sasniedzamie studiju
rezultāti un to vērtēšana 		Pārzin mākslīgā intelekta veidus. - Elektroniskais test.
Prot izstrādāt attēlu apstrādes algoritmus - Mājasdarbi.
Prot izstrādāt neirontīklus. - Mājasdarbi.
Spēj izstrādāt objektu atpazīšanas neirontīklus - Individuāls projekts ar YOLO ietvaru.
Spēj marķēt attēlus. - Individuāls projekts ar attēlu marķēšanu.
Studiju rezultātu vērtēšanas kritēriji
Elektroniskais tests (MI klasifikācija) - 20%
Mājasdarbi. - 50%
Individuāls projekts ar YOLO framework. - 20%
Individuāls projekts ar attēlu marķēšanu. - 10%
 
Priekšzināšanas Programmēšanas pamati.
Studiju kursa plānojums
Daļa KP Stundas Pārbaudījumi
Lekcijas Prakt. d. Lab. Ieskaite Eksāmens Darbs
1 3.0 16.0 16.0 0.0 *
Pieteikties uz šo kursu
[Kursa apraksts PDF formātā]