| Kods | LA0938 | |||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Modulis "Mākslīgā intelekta lietojumi": Datorredze | |||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Brīvās izvēles | |||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Augstākā līmeņa, Profesionālais | |||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | |||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Liepājas akadēmija | |||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Katrīna Šmite, Anita Jansone | |||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 3.0 | |||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | |||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Šis kurss piedāvā ieskatu datorredzes jomā mākslīgā intelekta lietojumu kontekstā, akcentējot gan teorētisko principu izpratni, gan praktisku iemaņu attīstīšanu attēlu apstrādē, segmentēšanā, īpašību iegūšanā un klasifikācijā, izmantojot mūsdienīgas programmēšanas bibliotēkas un metodes.. Izmantojot praktiskus programmēšanas uzdevumus un pielietotus eksperimentus, studenti apgūs, kā veikt attēlu pirmapstrādi, iegūt būtiskas īpašības un ieviest klasifikācijas modeļus, izmantojot gan klasiskos mašīnmācīšanās algoritmus (piemēram, izlases mežus), gan neironu tīklus. Kurss ir strukturēts tā, lai studenti spētu kritiski analizēt un novērtēt modeļu darbību, izmantojot standarta novērtēšanas metodes.. Pēc kursa pabeigšanas studenti spēs patstāvīgi izstrādāt un pielietot datorredzes metodes reālu attēlu datu problēmu risināšanai.. |
|||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
|||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Kursa mērķis ir nodrošināt studentus ar teorētiskām zināšanām un praktiskajām kompetencēm datorredzes jomā. Kursa uzdevumi: 1. Sniegt izpratni par galveniem jēdzieniem attēlu apstrādē, segmentēšanā, īpašību iegūšanā un klasifikācijā. 2. Attīstīt praktiskās iemaņas pielietot Python rīkus (OpenCV, NumPy, scikit-learn, TensorFlow), lai realizētu datorredzes uzdevumus. 3. Attīstīt praktiskās iemaņas izstrādāt un novērtēt mašīnmācīšanās un neironu tīklu modeļus attēlu klasifikācijai. 4. Attīštīt spējas analizēt eksperimentu rezultātus un skaidri, strukturēti prezentēt secinājumus atskaitē. | |||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Izprot attēlu priekšapstrādes metodes un spēj realizēt un pielietot tādas metodes kā trokšņa noņēmšanu, kontūru detektēšanu. - Tests – īss teorētisks pārbaudes darbs, kas aptver digitālās attēlveidošanas pamatus un attēlu pirmapstrādes metodes. Tiek vērtētas studentu atbildes uz jautājumiem.
Praktiskais uzdevums – uzdevums, kurā studenti realizē attēlu pirmapstrādes metodes un sagatavo atskaiti, balstoties uz veiktajiem eksperimentiem. Balstoties uz sagatavotu atskaiti, tiek vērtēta studentu spēja realizēt pirmskodu, veikt eksperimentus un to rezultātu analīzi, kā arī veikt secinājumus.
Eksāmens – noslēguma eksāmens, aptver digitālās attēlveidošanas un attēlu pirmapstrādes metožu teorētiskos un praktiskos aspektus. Tiek vērtētas studentu atbildes uz jautājumiem. Izprot attēlu segmentēšanas metodes un to pielietošanu datorredzē, spēj realizēt un pielietot attēlu segmentācijas metodes attēlu analīzei. - Tests – īss teorētisks pārbaudes darbs, kas aptver segmentēšanas metodes. Tiek vērtētas studentu atbildes uz jautājumiem. Praktiskais uzdevums – uzdevums, kurā studenti realizē segmentēšanas metodes un sagatavo atskaiti, balstoties uz veiktajiem eksperimentiem. Balstoties uz sagatavotu atskaiti, tiek vērtēta studentu spēja realizēt pirmskodu, veikt eksperimentus un to rezultātu analīzi, kā arī veikt secinājumus. Eksāmens – noslēguma eksāmens, segmentēšanas metožu teorētiskos un praktiskos aspektus. Tiek vērtētas studentu atbildes uz jautājumiem. Izprot attēlu īpašību, īpašību iegūšanas un datu sagatavošanas metožu pamatjēdzienus, kā arī spēj realizēt un pielietot šīs metodes, lai iegūtu attiecīgās objektu īpašības no attēliem. - Tests – īss teorētisks pārbaudes darbs, kas aptver attēlu īpašību iegūšanu un datu sagatavošanu. Tiek vērtētas studentu atbildes uz jautājumiem. Praktiskais uzdevums – uzdevums, kurā studenti realizē attēlu īpašību iegūšanu, sagatavo datu kopas klasifikācijai, kā arī sagatavo atskaiti, balstoties uz veiktajiem eksperimentiem. Balstoties uz sagatavotu atskaiti, tiek vērtēta studentu spēja realizēt pirmskodu, veikt eksperimentus un to rezultātu analīzi, kā arī veikt secinājumus. Eksāmens – noslēguma eksāmens, aptver digitālās attēlveidošanas un attēlu pirmapstrādes metožu teorētiskos un praktiskos aspektus. Tiek vērtētas studentu atbildes uz jautājumiem. Izprot mašīnmācīšanās metožu pamatjēdzienus un spēj realizēt un pielietot mašīnmācīšanās metodes attēlu datu klasificēšanai, balstoties uz iepriekš iegūtajām īpašībām. - Tests – īss teorētisks pārbaudes darbs, kas aptver mašīnmācīšanās metožu pamatus. Tiek vērtētas studentu atbildes uz jautājumiem. Praktiskais uzdevums – uzdevums, kurā studenti realizē māsīnmācīšanas metodi (nejaušo mežu) attēlu klasifikācijai un sagatavo atskaiti, balstoties uz veiktajiem eksperimentiem. Balstoties uz sagatavotu atskaiti, tiek vērtēta studentu spēja realizēt pirmskodu, veikt eksperimentus un to rezultātu analīzi, kā arī veikt secinājumus. Eksāmens – noslēguma eksāmens, aptver mašīnmācīšanās metožu teorētiskos un praktiskos aspektus. Tiek vērtētas studentu atbildes uz jautājumiem. Izprot uz neironu tīkliem balstītas attēlu klasifikācijas pamatjēdzienus un spēj praktiski realizēt un pielietot šīs metodes attēlu datu klasificēšanai. - Tests – īss teorētisks pārbaudes darbs, kas aptver uz neironu tīkliem balstītas attēlu klasifikācijas pamatjēdzienus. Tiek vērtētas studentu atbildes uz jautājumiem. Praktiskais uzdevums – uzdevums, kurā studenti realizē uz neironu tīkliem balstītas attēlu klasifikācijas metodes un sagatavo atskaiti, balstoties uz veiktajiem eksperimentiem. Balstoties uz sagatavotu atskaiti, tiek vērtēta studentu spēja realizēt pirmskodu, veikt eksperimentus un to rezultātu analīzi, kā arī veikt secinājumus. Eksāmens – noslēguma eksāmens, aptver uz neironu tīkliem balstītas attēlu klasifikācijas metožu teorētiskos un praktiskos aspektus. Tiek vērtētas studentu atbildes uz jautājumiem. |
|||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Testi – īsi teorētiskie pārbaudes darbi, kas tiek veikti lekcijas laikā, aptver kursa tēmu pamatjēdzienus - 20%
Praktiskie uzdevumi – darbi, kuros studenti pielieto teorētiskās zināšanas, lai izpildītu prakstisko uzdevumu, kas ietver programmēšanu, eksperimentus un rezultātu analīzi - 60% Eksāmens – noslēguma eksāmens aptver kursa tēmu teorētiskos un praktiskos aspektus. - 20% |
|||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Ieteicamas pamatzināšanas programmēšanā (vēlams Python valodā) un pamatizpratne par lineāro algebru un statistiku. Iepriekšēja pieredze ar datu struktūrām, algoritmiem vai ievadu mašīnmācīšanās jomā ir vēlama, bet nav obligāta. | |||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
|||||||||||||||||||||||||||||||||||||||||||||||||