| Kods | LA0665 | |||||||||||||||||||||||||||||||||||||||
| Nosaukums | Mākslīgā intelekta pamati | |||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles | |||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Pamatstudiju, Akadēmiskais | |||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Inovācijas | |||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Liepājas akadēmija | |||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Ēvalds Urtāns | |||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 6.0 | |||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | |||||||||||||||||||||||||||||||||||||||
| Anotācija |
Studiju kurss paredz izpratnes veidošanu, teorētisko pamatu, kā arī praktisko iemaņu iegūšanu mākslīga intelekta lietojumos. Studenti atkārtos programmēšanas un matemātikas pamatus un apgūs prasmes un zināšanas sekojošās mākslīga intelekta lietojumu sadaļās: māšīnmācīšanas, dziļajā masīnmācīšanās, ģeneratīvie sacīkstes tīkli un datorredze.. |
|||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
|||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studiju kursa mērķis ir radīt izpratni par teorētisko pamatu, kā arī apgūt praktiskas iemaņas mākslīga intelekta lietojumos. Studiju kursa uzdevumi: 1. Atkārtot visbiežāk izmantotos programmēšanas un matemātikas pamatus. 2. Sniegt zināšanas par mašīnmācīšanas algoritmiem. 3. Sniegt zināšanas par dziļajā mašīnmācīšanās algoritmiem. 4. Sniegt pamazināšanas par ģeneratīviem sacīkstes tīkliem. 5. Sniegt zināšanas par mākslīga intelekta lietojumiem datorredzes nozarē. | |||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Prot lietot gatavus risinājumus izplatītāko datorredzes problēmu risināšanai, ar OpenCV,
Sklearn, Tensorflow, PyTorch, u.c. - Studējošiem jāveic visi patstāvīgā darba uzdevumi un jānokārto eksamens. Prot veikt attēlu apstrādi ar tādiem paņēmieniem kā: - attēlu filtri trokšņu noņemšanai, - šķautņu un apgabalu atpazīšanas algoritmi (edge & blob detectors), - kontūru atpazīšana (contour, circles detection) perspektīvas transformācijas, - Hugh līnijas, - attēlu rezolūcijas maiņa ar Gausa un Laplasa piramīdām, - attēlu binarizācija ar adaptīvām sliekšņa vērtībām, - attēlu kaskāžu klasifikatori (Cascade Classifier), - optiskā plūduma algoritmi iezīmju atrašanai (optical flow), - ORB iezīmju atrašanas modeļi. - Studējošiem jāveic visi patstāvīgā darba uzdevumi un jānokārto eksamens. Saprot teorētiskus pamatus un pratīs izmantot attēlu instanču segmentēšanas modeļi kā YOLO; - Studējošiem jāveic visi patstāvīgā darba uzdevumi un jānokārto eksamens. Spēj izstrādāt programmas kodu, lasot un saprotot programmatūras projektējuma aprakstus; - Studējošiem jāveic visi patstāvīgā darba uzdevumi un jānokārto eksamens. Spēj analizēt ieejas un izejas datus. - Studējošiem jāveic visi patstāvīgā darba uzdevumi un jānokārto eksamens. |
|||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Patstāvīgais darbs - 50%
Eksāmens - 50% |
|||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Modulis “Programmatūras inženierija II” Augstākā matemātika II Varbūtību teorija un matemātiskā statistika | |||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
|||||||||||||||||||||||||||||||||||||||