Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania
Strona główna

Visual recognition

Informacje ogólne

Kod przedmiotu: 1000-318bVR
Kod Erasmus / ISCED: 11.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0612) Database and network design and administration Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Visual recognition
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty kierunkowe na studiach drugiego stopnia na kierunku bioinformatyka
Przedmioty obieralne dla informatyki
Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Przedmioty obowiązkowe dla I roku Machine Learning
Punkty ECTS i inne: 5.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

monograficzne

Wymagania (lista przedmiotów):

Głębokie sieci neuronowe (wspólne z 1000-317bDNN) 1000-2M16GSN

Skrócony opis:

Celem przedmiotu jest przedstawienie architektur głębokiego uczenia, technik implementacji, trenowania i debuggowania własnych sieci neuronowych przeznaczonych do rozpoznawania obrazów. Studenci zdobędą wiedzę teoretyczną, informacje na temat współczesnych badań w tej dziedzinie oraz praktyczne umiejętności związane z rozpoznawaniem obrazów.

Pełny opis:

1. Wprowadzenie do rozpoznawania obrazów (metody klasyczne: SIFT, transformacja Hougha)

2. Konwolucyjne sieci neuronowe - powtórzenie

3. Wizualizowanie i rozumienie

4. Wykrywanie przedmiotów

5. Segmentacja semantyczna i segmentacja instancji

6. Rozumienie obrazu wideo

7. Widzenie 3D

8. Modele generatywne

Literatura:

http://www.deeplearningbook.org/

Efekty uczenia się:

Wiedza: student zna i rozumie

* Ma uporządkowaną i podbudowaną teoretycznie wiedzę na temat klasyfikacji obrazów oraz detekcji obiektów na obrazie [K_W12].

Umiejętności: student potrafi

* Potrafi stworzyć rozbudowane rozwiązanie z zakresu klasyfikacji obrazów i detekcji obiektów na obrazie [K_U15].

Kompetencje społeczne: student jest gotów do

* krytycznej oceny posiadanej wiedzy i odbieranych treści [K_K01];

* uznawania znaczenia wiedzy w rozwiązywaniu problemów poznawczych i praktycznych oraz zasięgania opinii ekspertów w przypadku trudności z samodzielnym rozwiązaniem problemu [K_K02];

* myślenia i działania w sposób przedsiębiorczy [K_K03].

Metody i kryteria oceniania:

Laboratoria: projekty. Wykłady: egzamin pisemny.

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Piotr Biliński
Prowadzący grup: Piotr Biliński, Spyridon Mouselinos, Marcin Możejko, Konrad Staniszewski
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.
ul. Długa 44/50
00-241 Warszawa
tel: +48 22 55 49 126 https://www.wne.uw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.3.0 (2024-03-22)