Теоретичні та прикладні аспекти обробки мультимедійних даних

Анотація навчальної дисципліни
 
Мета дисципліни 
 
формування і розвиток компетенцій спрямованих на вироблення нових ідей, рішення комплексних завдань професійної та / або дослідно-інноваційної діяльності в області обробки мультимедійних даних за рахунок поглибленого  оволодіння сучасними методами інтелектуального аналізу складно структурованих мультимедійних даних для проведення фундаментальних і (або) прикладних наукових досліджень по моделювання, проектування, розробки, впровадження інтелектуальних інформаційних систем і технологій.
 
Завдання дисципліни:
 
оволодіння теорією та реалізаційними основами машинного навчання і глибинного навчання для обробки мультимедійних даних. 
 
поглиблене оволодіння методами класичного машинного навчання та засобами їх  реалізації для розпізнавання і класифікації мультимедійних даних; 
 
побудова і навчання моделей нейронних мереж для вирішення задачі розпізнавання і класифікації мультимедійних даних;
 
оволодіння теорією побудови генеративних нейронних мереж GANs та засобами їх реалізації; 
 
оволодіння теоретичними та практичними засобами обробки природної мови, їх технологіями, знайомство з особливостями реалізації для нейромережевого машинного перекладу, генерування підписів до зображень.
 
 
Основні результати навчання
 
Глибоко розуміти загальні принципи та методи комп’ютерних наук, а також методологію наукових досліджень, застосувати їх у власних дослідженнях у сфері комп’ютерних наук та у викладацькій практиці.

Розробляти та досліджувати моделі та методи машинного навчання та штучного інтелекту для проведення фундаментальних та (або) прикладних наукових досліджень з моделювання, проектування, розробки, впровадження організаційних, технічних, природничих і соціально-економічних інтелектуальних інформаційних систем та технологій

Володіти методами оптимізації та прийняття рішень при створенні комп’ютерних систем різноманітного призначення.
 
Володіти методологічними основами та інструментальними засобами обробки мультимедійних даних при створенні та вдосконаленні комп’ютерних систем у різних галузях людської діяльності
 
 
Форми організації освітнього процесу та види навчальних занять

Л – лекційні заняття; 
ЛЗ – лабораторні заняття; 
СРС – самостійна робота здобувача вищої освіти; 
К – консультації викладача;
ІЗ – індивідуальні завдання;
МКР – модульна контрольна робота.
 
Тематика і види навчальних занять
 
1 тиждень. Задачі дисципліни. Види мультимедійних даних та особливості їх аналізу. Застосування машинного навчання і глибокого навчання для обробки та аналізу мультимедійних даних. Особливості застосування глибокого навчання для комп'ютерного зору. Використання можливостей Python для обробки мультимедійних даних. (Л, СРС, К). Застосування можливостей класичного машинного навчання: завдання класифікації, узагальнення та  кластеризації даних (Л, СРС, К). Побудова логістичної регресії для класифікації зображень числових цифр з набору даних MNIST з використанням Scikit-learn Python (ПЗ № 1).
3, 4 тижні. Нейронні мережі. Нейронні мережі прямого поширення. Зворотне поширення помилки. Практичне застосування і приклад роботи нейромережі при розпізнаванні образів (Л, СРС, К). Побудова і навчання моделі багатошарового персептрона з використанням бібліотеки Keras TensorFlow для класифікації цифр в наборі даних MNIST (ПЗ № 2).
5, 6 тижні. Згорткові нейронні мережі (Л, СРС, К). Побудова і навчання моделі згорткової нейронної мережі з використанням бібліотеки Keras TensorFlow для класифікації зображення в наборі даних CIFAR-10 (ПЗ № 3).
7, 8 тижні. Генеративні змагальні нейроні мережі (GAN): особливості реалізації та навчання. Розробка GAN з використанням бібліотеки Keras Tensorflow для створення невеликих кольорових фотографій CIFAR10 (Л, ПЗ № 4, СРС, К).
9 тиждень. Обговорення та аналіз отриманих результатів і особливостей їх використання у власних дослідженнях. Проведення першого модульного контролю. (МКР1)
10 тиждень. Обзор методів з обробки природної мови (Natural Language Processing). Технологія Word2Vec (Л, ПЗ № 6, СРС, К)
11, 12 тижні. Нейромережевий машинний переклад з застосуванням (seq2seq). Приклад навчання моделі послідовності (seq2seq) для перекладу з іспанської на англійську (Л, ПЗ № 6, СРС, К).
13, 14 тижні. Генерування підписів до зображень. Реалізація моделі на основі CNN (Inception V3, СNN Encoder) і RNN (GRU) для генерування підпису до зображень з набору даних MS COCO (Л, ПЗ № 7, СРС, К).
15 тиждень. Підведення підсумків курсу. Обговорення існуючих можливостей та перспектив машинного навчання і глибинного навчання для обробки мультимедійних даних. Проведення другого модульного контролю (Л, СРС, МКР 2)
 
Самостійна робота
 
Самостійна робота складає 120 годин. Розподіл самостійної роботи за видами навчальних робіт: 
1) підготовка до лекційних занять  – 15 годин; 
2) підготовка до практичних занять та МКР – 45 години;
3) підготовка та виконання РР – 30 годин
4) підготовка до екзамену – 30 годин.
 
 
Процедура оцінювання
 
Система оцінювання рівня навчальних досягнень ґрунтується на принципах ЄКТС і є накопичувальною. Здобувачі протягом семестру готуються до лекційних та лабораторних занять, виконують самостійну роботу та індивідуальні завдання, готують реферативну наукову роботу і виконують дві модульні контрольні роботи. 
 
Кожний модуль оцінюється у максимально можливі 50 балів:

Семестровий модуль № 1
Виконання РР – 8 балів
Захист ЛР – 24 бали
МКР1 – max 14 балів.

Семестровий модуль № 2
Захист ЛР – 21 бал
Виконання РР – 5 балів; захист РР – 9 балів
МКР2 – max 10 балів.

Оцінка виконання РР враховує: дотримування  графіку роботи; якість аналізу та  глибину обґрунтування; дотримування  вимог стандартів, насамперед бібліографічних. Критерій оцінки захисту РР включають: якість доповіді; ступінь володіння матеріалом; аргументованість відповідей на запитання; вміння захищати обрану точку зору
 
Умови допуску до підсумкового контролю
 
До екзамену допускаються здобувачі вищої освіти, які виконали всі види навчальних елементів навчальної дисципліни на не менше, ніж 60%. Екзамен відбувається за всіма тематичними (змістовними) модулями дисципліни.
Складання/перескладання екзаменів відбувається за встановленим відділом аспірантури розкладом.
 
 
Політика освітнього процесу
 
Здобувач зобов'язаний своєчасно і якісно виконувати всі отримані завдання; при необхідності з метою з'ясування всіх незрозумілих під час самостійної та індивідуальної роботи питань, відвідувати консультації викладача. Дотримуватися принципів академічної доброчесності.
 
Роботи, виконана після встановлених викладачем термінів, не приймається.
 
Відсутність здобувача на екзамені або на контрольній роботі відповідає оцінці «0».
 
Складання/перескладання екзаменів відбувається за встановленим відділом аспірантури розкладом.
 
Під час лекції або екзамену здійснювати телефонні дзвінки забороняється.
 
Заборонено використання будь-яких підручників, посібників, конспектів лекцій, шпаргалок під час проходження модульних контролів і здачі іспиту з дисципліни.