Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Uczenie maszynowe w przetwarzaniu obrazów
Tok studiów:
2019/2020
Kod:
ZSDA-3-0123-s
Wydział:
Szkoła Doktorska AGH
Poziom studiów:
Studia III stopnia
Specjalność:
-
Kierunek:
Szkoła Doktorska AGH
Semestr:
0
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Głowacz Adam (adglow@agh.edu.pl)
Dyscypliny:
Moduł multidyscyplinarny
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Przedmiot będzie obejmował tematykę uczenia maszynowego w przetwarzaniu obrazów. Omówione zostaną definicje procesu uczenia, motywacja dla budowy systemów uczących i metody przetwarzania. Przedstawiona zostanie analiza obrazów i rozpoznawanie elementów znajdujących się na obrazie. Zaprezentowane zostaną przykłady problemów rozwiązywanych przez systemy uczące oraz praktyczne zastosowania.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Zna podstawowe pojęcia z zakresu przetwarzania obrazów i uczenia maszynowego. SDA3A_W02 Aktywność na zajęciach
M_W002 Zna metodologie przeprowadzania badań z zakresu uczenia maszynowego i przetwarzania obrazów SDA3A_W03 Aktywność na zajęciach
M_W003 Ma rozszerzoną wiedzę w zakresie tworzenia i budowy systemów przetwarzania obrazów SDA3A_W07 Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Potrafi zaprojektować system przetwarzania obrazów z zastosowaniem wybranych metod uczenia maszynowego SDA3A_U01 Aktywność na zajęciach
M_U002 Potrafi wykonać analizę obrazów i samodzielnie wyciągnąć wnioski SDA3A_U01 Aktywność na zajęciach
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
24 0 0 10 0 0 14 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Zna podstawowe pojęcia z zakresu przetwarzania obrazów i uczenia maszynowego. - - + - - + - - - - -
M_W002 Zna metodologie przeprowadzania badań z zakresu uczenia maszynowego i przetwarzania obrazów - - + - - + - - - - -
M_W003 Ma rozszerzoną wiedzę w zakresie tworzenia i budowy systemów przetwarzania obrazów - - + - - + - - - - -
Umiejętności
M_U001 Potrafi zaprojektować system przetwarzania obrazów z zastosowaniem wybranych metod uczenia maszynowego - - + - - + - - - - -
M_U002 Potrafi wykonać analizę obrazów i samodzielnie wyciągnąć wnioski - - + - - + - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 30 godz
Punkty ECTS za moduł 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 24 godz
Przygotowanie do zajęć 2 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 4 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Ćwiczenia laboratoryjne (10h):

W trakcie zajęć laboratoryjnych omówione zostaną następujące tematy:
1. Wstępne przetwarzanie i ekstrakcja cech w przetwarzaniu obrazów
2. Projekt i zastosowanie cech obrazu do rozpoznawania
3. Liniowa analiza dyskryminacyjna, klasyfikator k-najbliższego Sąsiada
4. Klasyfikator Bayesa, klasyfikator k-means, Support Vector Machine
5. Sztuczne Sieci neuronowe

Zajęcia seminaryjne (14h):

Doktorantom zostaje zaproponowana lista rozdziałów z książek i artykułów z czasopism posiadających Impact Factor. Doktoranci przygotowują i referują prezentację dotyczące wybranych artykułów lub rozdziałów książek na kolejnych zajęciach seminaryjnych.
Uczestniczą czynnie w dyskusji.

Pozostałe informacje
Metody i techniki kształcenia:
  • Ćwiczenia laboratoryjne: Nie określono
  • Zajęcia seminaryjne: Nie określono
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

nie dotyczy

Zasady udziału w zajęciach:
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Ćwiczenia laboratoryjne
  • Zajęcia seminaryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Zajęcia seminaryjne
Sposób obliczania oceny końcowej:

ocena końcowa= 0,2*(ocena z ćwiczeń laboratoryjnych)+0,8*(ocena z zajęć seminaryjnych)

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Zaliczenie indywidualne po uzgodnieniu z prowadzącym.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

nie dotyczy

Zalecana literatura i pomoce naukowe:

1. Wróbel Z., Koprowski R.: Praktyka przetwarzania obrazów w programie Matlab, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2004.
2. Gonzalez Rafael C., Woods Richard E., Eddins Steven L., Digital Image Processing Using MATLAB, 2011.
3. William K. Pratt, Digital Image Processing – 4th Edition – John Wiley & Sons, 2007.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. Głowacz A., Głowacz Z.: Diagnostics of stator faults of the single-phase induction motor using thermal images, MoASoS and selected classifiers. Measurement, vol. 93, 2016, pp. 86–93.
2. Głowacz A., Głowacz Z.: Diagnosis of the three-phase induction motor using thermal imaging, Infrared Physics & Technology, vol. 81, 2017, pp. 7–16.
3. Głowacz A., Głowacz Z.: Recognition of images of finger skin with application of histogram, image filtration and K-NN classifier. Biocybernetics and Biomedical Engineering, vol. 36, Iss. 1, 2016, pp. 95–101.

Informacje dodatkowe:

Ćwiczenia laboratoryjne: Treści prezentowane na zajęciach laboratoryjnych będą odbywać się w laboratorium z zastosowaniem oprogramowania Matlab.
Zajęcia seminaryjne: Prezentacje pokazywane będą w formie slajdów na komputerze. Następnie doktoranci biorą udział w dyskusji.

Doktorant prezentuje swoją wiedzę i umiejętności w trakcie zajęć seminaryjnych oraz laboratoryjnych.