Фонд оценочных средств по дисциплине «Введение в компьютерное зрение»

Этот репозиторий предназначен для открытого и воспроизводимого представления фонда оценочных средств (ФОС) по дисциплине «Введение в компьютерное зрение». Здесь объединены рабочая программа дисциплины, модель измерения результатов обучения, контрольно-измерительные материалы (КИМ), критерии оценивания, методические рекомендации и используемые образовательные ресурсы. Результаты обучения связываются с компетентностно-ролевой моделью в области искусственного интеллекта (КРМ версии 3.0).

• Рабочая программа дисциплины
• Методические указания
• Информационные ресурсы
• Команда проекта

Цель дисциплины. Cформировать у студентов системное представление о теоретических основах и методах компьютерного зрения, а также практические навыки разработки и применения программных систем анализа и интерпретации визуальной информации в интеллектуальных информационных системах.

Основные задачи.

• формирование знаний принципов получения и хранения изображений в компьютере, а также классических необучаемых методов обработки изображений;

• формирование знаний архитектур бэкбонов нейронных сетей и их применения для задач классификации, сегментации и детекции;

• формирование знаний современных подходов и архитектур в компьютерном зрении, включая трансформеры, фундаментальные модели (CLIP, SAM, Grounding DINO) и методы детектирования объектов (two-stage, anchor-based, anchor-free);

• формирование умений и навыков обучения нейронных сетей для различных задач (классификация, детекция, сегментация, распознавание действий), а также построения эффективных пайплайнов обучения и применения современных библиотек;

• формирование умений проведения экспериментов, оценки результатов и декомпозирования сложных задач для создания комплексных решений в области компьютерного зрения;

• формирование представлений о современных направлениях развития компьютерного зрения и его роли в индустрии (робототехника, беспилотный транспорт, медицинская диагностика, промышленная автоматизация, безопасность, виртуальная и дополненная реальность, и др.).

Структура и содержание. Дисциплина состоит из 8 модулей:

1. Введение
2. Предобработка изображений
3. Элементы классических методов работы с изобраениями
4. Классификация объектов по вторичным признакам
5. Нейросетевые методы
6. Трекинг и анализ видео
7. Генеративные модели
8. Современные тенденции

Обучение включает лекции, практические занятия, лабораторные работы, проект, самостоятельную работу и завершается экзаменом.

Пререквизиты и связи с другими дисциплинами.

1. Информационные технологии (включая основы программирования) 1.2 сем.
2. Математика 1.2 сем.
3. Дискретная математика 3 сем.
4. Теория вероятностей и математическая статистика MF-1, 3 сем.
5. Теория и методы передачи информации, 3 сем
6. Основы программирования систем ИИ на языке Python. 3 сем. PL-1
7. Введение в машинное обучение и интеллектуальные системы 4 сем. ML-2, ML-3, BD-1
8. Архитектура информационных систем и сетей 4 сем.
9. Базы данных 4 сем.
10. Методы оптимизации 4 сем. MF-3
11. Моделирование систем 5 сем.
12. Программирование мобильных устройств, 5 сем.
13. Технологии программирования и создание WEB приложений 5 сем.
14. Математические основы обучения с подкреплением 5 сем MF-1. MF-4
15. Основы технологий искусственного интеллекта. 5 сем. ML-1, ML-2
16. Инфраструктура для машинного обучения / Контейнеризация и оркестрация в машинном обучении (элективная) 5 сем. BD-2, LC-5

Параллельно изучаются

1. Машинное обучение и анализ данных 6, 7 сем.
2. Нейронные сети 6 сем. DL-1, FC-2
3. Управление большими данными в ML-системах 6 сем. BD-1, BD-2, BD-4
4. Большие языковые модели 7 сем. DL-1, FC-2
5. Специализированные программно-аппаратные отраслевые комплексы. 6, 7 сем. LC-5, ML-2
6. НИР 6 сем

Постреквизиты

1. Продвинутые технологии компьютерного зрения, 7 сем. DL-1. DL-3. FC-2
2. Методы и средства проектирования информационных систем и технологий, 7, 8 сем.
3. Промышленные системы машинного обучения / ML-инженерия в облачных платформах. 7 сем. BD-5, ML-2
4. Интеллектуальные информационные технологии, 8 сем.
5. Инженерия и применение методов машинного обучения для отрасли инфокоммуникаций 7,8 сем. FC-1, ML-3
6. Производственная практика 8 сем
7. Преддипломная практика 8 сем.
8. Выполнение и защита выпускной квалификационной работы, 9 сем

Полное описание приведено в РПД.

Модель измерения представлена в таблице

Правила суммирования баллов, минимальные пороги и перевод результата в принятую шкалу оценок приводятся в системе итогового оценивания.

• Рекомендации обучающимся;
• Рекомендации преподавателям по оцениванию;
• Рекомендации преподавателям по использованию ресурсов.

Подробное дерево приведено в файле repository-tree.txt.

Сведения об авторах, ролях и вкладе участников размещаются в разделе «Команда проекта».

Предлагаемая лицензия для открытых образовательных материалов — Creative Commons Zero v1.0 Universal.