Pattern Recognition

2025/2026

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered at:

Department of Information Technologies in Business (Faculty of Computer Science, Economics, and Social Sciences)

Course type:

Elective course

When:

4 year, 1, 2 module

Instructor

Zamyatina, Elena

Программа дисциплины

Аннотация

Целями освоения дисциплины «Распознавание образов» являются: ознакомление с концептуальными основами теории и практики распознавания образов; формирование систем знаний о принципах работы систем распознавания; формирование навыков самостоятельной разработки систем распознавания.

Цель освоения дисциплины

• Подготовить специалистов, владеющих как теоретическими основами создания программных систем для распознавания образов, так и основными методами, алгоритмами и современными технологиями, применяемыми для создания таких систем.
• Подготовить специалистов, способных самостоятельно разрабатывать программные системы различной сложности для различных предметных областей, применяя наиболее подходящие инструментальные средства, алгоритмы и технологии, обеспечивающие максимальную эффективность как при создании сложных систем, так и при их эксплуатации и сопровождении.

Планируемые результаты обучения

• Знает основные методы и классические алгоритмы классификации и кластеризации, методы и алгоритмы понижения размерности.
• Способен самостоятельно разработать алгоритм классификации и кластеризации и выполнить оценку эффективности разработанной системы классификации или кластеризации.
• Способен использовать библиотеки и специальные процедуры для реализации алгоритмов классификации и кластеризации.
• Способен решать проблемы в профессиональной деятельности на основе анализа постановки задачи и анализа предметной области.
• Способен обосновать принимаемые проектные решения при разработке классификаторов.
• Знает особенности применения нейронных сетей при решении различных задач распознавания образов.
• Способен работать с информацией: находить, оценивать и использовать информацию, необходимую для конкретных задач, способен использовать синтетические данные для глубокого обучения систем распознавания, знает методы metalearning.
• Знает методы работы с аналитическими платформами Loginom, Orange, Knime, Rapid Minor.

Содержание учебной дисциплины

• Раздел 1. Методы и алгоритмы классификации и кластеризации
• Раздел 2. Распознавание изображений.
• Раздел 3. Использование нейронных сетей для решения задач распознавания образов.
• Раздел 4. Использование аналитических нейронных сетей для решения задач распознавания образов.

Элементы контроля

• Лабораторная работа №2
• Лабораторная работа №3
• Контрольная работа №2
• Лабораторная работа №4
• Лабораторная работа №1
• Лабораторная работа №5
• Контрольная работа №3
• Лабораторная работа №6
• Контрольная работа №4
• Контрольная работа №1
• Экзамен
• Лабораторная работа №7
• Лабораторная работа №8
• Лабораторная работа №9
• Лабораторная работа №10
• Лабораторная работа №11

Промежуточная аттестация

• 2025/2026 2nd module
  0.05 * Контрольная работа №1 + 0.05 * Контрольная работа №2 + 0.05 * Контрольная работа №3 + 0.05 * Контрольная работа №4 + 0.05 * Лабораторная работа №1 + 0.05 * Лабораторная работа №10 + 0.1 * Лабораторная работа №11 + 0.05 * Лабораторная работа №2 + 0.05 * Лабораторная работа №3 + 0.05 * Лабораторная работа №4 + 0.05 * Лабораторная работа №5 + 0.05 * Лабораторная работа №6 + 0.05 * Лабораторная работа №7 + 0.05 * Лабораторная работа №8 + 0.05 * Лабораторная работа №9 + 0.2 * Экзамен

Список литературы

Рекомендуемая основная литература

• Глубокое обучение и TensorFlow для профессионалов : математический подход к построению систем искусственного интеллекта на Python, Паттанаяк, С., 2019
• Основы глубокого обучения : создание алгоритмов для искусственного интеллекта следующего поколения, Будума, Н., Локашо, Н., 2020

Рекомендуемая дополнительная литература

• Глубокое обучение, Вейдман, С., 2021

Авторы

• Карпович Марина Валерьевна
• Замятина Елена Борисовна