пятница, 10 ноября 2017 г.

Начинает свою работу страница курса "Прикладная информатика: машинное обучение" (осенняя сессия). Для участия в курсе необходима регистрация на сайте. Документы для зачисления на курс можно скачать по следующей ссылке. Обращаю внимание на то, что договор для учащихся, получивших высшее образование (бакалавр, магистр, специалист), отличается от договора для учащихся без высшего образования в п. 3.6. Заполнять договор и остальные документы можно вручную (максимально разборчиво вписав необходимые данные), места выделенные красным требуется заменить на свои ФИО. Договор должен быть составлен в 2-х экземплярах. Оплату обучения можно будет производить после того, как вторая версия договора с подписями и печатями будет у вас!

Важно! Примеры оформления документов можно скачать здесь.

В настоящем разделе размещена информация, затрагивающая литературу, ссылки, лекционные и практические занятия по темам курса, а также примеры реализаций алгоритмов.

Место и время проведения 

Знаменская башня  (ул. Первомайская, д. 2а). Занятия проводятся два раза в неделю: среда (15.00 до 17.35) и суббота (с 12.00 до 15.35).
Темы лекционных занятий
  1. Введение и обзор материала курса. Линейная регрессия с одной переменной (презентация .pptx). Python 3 скачиваем здесь. Ссылки на библиотеки NumPySciPyMatplotlib и Scikit-Learn. Опционально могут быть установлены библиотеки OpenCVPandas и Scikit-Image. Возможной сборкой пакетов для работы с Python может служить Anaconda. Коды можно набивать в текстовом редакторе Siblime Text 3, далее выполняя их через командную строку. Как установить библиотеку OpenCV под Python 3 можно прочитать здесь. Полезным введением в язык программирования Python является следующий online-курс, а также следующий источник. Для улучшения понимания внутренней работы Python рекомендуется обратиться к Python Tutor.
  2. Линейная регрессия со множеством переменных. Классификация. Логистическая регрессия (презентация .pptx).
  3. Искусственные нейронные сети (представление) (презентация .pptx). Для работы со сверточными нейронными сетям, возможно, окажутся полезными следующие библиотеки: OpenCVTheanoTensorFlow и Caffe.
  4. Искусственные нейронные сети (обучение) (презентация .pptx).
  5. Рекомендации по применению алгоритмов машинного обучения. Построение систем машинного обучения. Оптическое распознавание символов. Данные, данные, данные ... (презентация .pptx). Дополнительно рекомендуется ознакомиться с лекцией "Метрики качества классификации" курса "Введение в машинное обучение" от Высшей школы экономики. Ссылка на презентации из данной лекции находится здесь.
  6. Кластеризация (презентация .pptx).
  7. Анализ главных компонент (презентация .pptx). Копию оригинальной статьи К. Пирсона 1901 г., в которой было предложено описание анализа главных компонент может быть найдена здесьСсылка на статью Turk M., Pentland А. Eigenfaces for Recognition // Journal of Cognitive neuroscience. 1991. V. 3, №1. P. 73–86 может быть найдена здесь. Опционально, про применение анализа главных компонент в задаче шумоподавления на цифровых изображениях можно узнать из следующего источникаВ лекции №29 курса Strang G. Linear Algebra (18.06, 1999, MIT) можно ознакомиться с темой, посвященной SVD - Singular Value Decomposition (ссылка).
  8. Детектирование лиц на основе алгоритма Виола / Джонса (презентация .pptx). Ссылка на статью Viola P., Jones M. Robust Real-time Object Detection // Int. J. Computer Vision. 2004. V. 57, 2. P. 137–154 (ссылка). Видеоролики, демонстрирующие использование алгоритма Виола / Джонса для управления мобильным роботом (ссылка 1ссылка 2). Демонстрационный программный код, показывающий работу детектора Виола / Джонса можно найти здесь. Для запуска кода потребуется установить библиотеку OpenCV по следующей ссылке.
  9. Машинное обучение на больших базах данных (презентация .pptx).
  10. Введение в глубокое обучение. Сверточные нейронные сети (презентация .pptx).
Практические задания
  1. Линейная регрессия (описание .rar). Подсказка для выполнения практического задания (ссылка). Решение практического задания №1 (ссылка).
  2. Логистическая регрессия (описание .rar). Решение практического задания №2 (ссылка).
  3. Многоклассовая классификация и нейронные сети (описание .rar). Решение практического задания №3 (ссылка).
  4. Обучение нейронных сетей (описание .rar). Решение практического задания №4 (ссылка).
  5. Регуляризованная линейная регрессия. Недообучение и переобучение (описание .rar). Решение практического задания №5 (ссылка).
  6. Кластеризация с использованием алгоритма K-средних (описание .rar). Решение практического задания №6 (ссылка).
  7. Анализ главных компонент (описание .rar). Решение практического задания №7 (ссылка).
Тестовые задания
  1. Тест № 1 (ссылка).
  2. Тест № 2 (ссылка).
  3. Тест № 3 (ссылка).
  4. Тест № 4 (ссылка).
Дополнительные материалы
  1. Ng A. Machine Learning (CS 229), 2009. Stanford University (ссылка 1ссылка 2).
  2. Ng A. Unsupervised Feature Learning and Deep Learning. Stanford University (ссылка 1ссылка 2).
  3. Ng A. Machine Learning (Open Classroom). Stanford University (ссылка).
  4. Сайт посвященный новой области машинного обучения - глубокому обучению (Deep Learning). Глубокое обучение введено с целью смещения машинного обучения к одной из его первоначальных целей - искусственному интеллекту (Artificial Intelligence) (ссылка 1ссылка 2).
  5. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016 (ссылка).
  6. Li F.-F. et al. CS231n: Convolutional Neural Networks for Visual Recognition, 2017. Stanford University (ссылка).
  7. TensorFlow and Deep Learning, without PhD. Google Codelabs (ссылка).
  8. Воронцов К.В. Машинное обучение, 2012/2013. ШАД Яндекс (ссылка).
  9. Профессиональный информационно-аналитический ресурс, который затрагивает машинное обучение, а также распознавание образов и интеллектуальный анализ данных (ссылка).
  10. Анохин Н., Гулин В., Нестеров П. Data Mining. Проект Техносфера (ссылка).
  11. Szelicki R. Computer Vision: Algorithms and Applications. Springer, 2010 (ссылка).
  12. Конушин A. Семантическая классификация изображений (видеолекции), 2010. Сomputer Science клуб при ПОМИ РАН (ссылка).
  13. Ерухимов В. Компьютерное зрение и библиотека OpenCV (видеолекции), 2011. Сomputer Science клуб при ПОМИ РАН (ссылка).
  14. Конушин А. Курсы "Введение в компьютерное зрение" и "Доп. главы компьютерного зрения" (видеолекции), 2011. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
  15. Efros A. Learning-Based Methods in Vision (16-721), 2009. Carnegie Mellon University (ссылка).
  16. Kemelmacher I., Rao R., Seitz S., Shapiro L. Computer Vision (CSE 455), 2003 - 2017. University of Washington (ссылка).
  17. Lazebnik S. Computer Vision (COMP 776), 2016. The University of North Carolina at Chapel Hill (ссылка).
  18. Thrun S. Computer Vision / Introduction to Computer Vision (CS 223b), 2004 - 2009. Stanford University (ссылка).
Online курсы

Информация по наиболее интересным online курсам приведена в первой презентации. Напоминаю, что с 2011 года ряд западных университетов начал практику создания online-курсов (www.coursera.orgwww.udacity.org) по различным дисциплинам. Например, "Искусственный интеллект", "Машинное обучение", "Компьютерное зрение" и т.д. Для ознакомления с материалами курсов (видеолекциями, практическими заданиями и т.д.) нужна регистрация!

Руководитель курса: доцент кафедры инфокоммуникаций и радиофизики Волохов В.А.

суббота, 23 сентября 2017 г.

Начинает свою работу единая страница курса "Основы цифровой обработки сигналов" направлений "Инфокоммуникационные технологии и системы связи" и "Радиотехника".

В настоящем разделе размещена единая информация, затрагивающая лабораторный практикум (состоящий из 6-ти лабораторных работ, выполняемых в пакете Matlab), лекционный материал и практические задания.

Место проведения: Физический факультет, к. 306 (309), 1-ый учебный корпус (лабораторный практикум), к. 217, 2-ой учебный корпус (ИТС-31БОРТ-31БО(лекционные занятия).

Время
  1. Направление "Инфокоммуникационные технологии и системы связи" (группа ИТС-31БО) лабораторный практикум раз в две недели по вторникам, с 12.00 до 13.35 (числитель/знаменатель разделение на подгруппы), лекции каждую неделю по пятницам, с 12.40 до 14.15.
  2. Направление "Радиотехника" (группа РТ-31БО) лабораторный практикум раз в две недели по четвергам, с 16.00 до 17.35 (числитель), лекции каждую неделю по пятницам, с 12.40 до 14.15.
Темы лекционных занятий
    1. Введение в курс "Основы цифровой обработки сигналов" ("Цифровая фильтрация"). Работу C.E. Shannon "A Mathematical Theory of Communication", написанную в 1948 г., можно найти здесь или здесь. Книгу P. Prandony, M. Vetterly "Signal Processing for Communications" можно найти здесь (версия в html) или здесь (версия в pdf). При решении задач по курсу рекомендуется использовать источник [15] в дополнительных материалах ниже. Пример проигрывания звукового фрагмента с разной частотой дискретизации (ссылка). Пример генерации звукового колебания на основе алгоритма Карплуса-Стронга (ссылка). Материалы курса P. Prandony, M. Vetterly "Digital Signal Processing" на www.coursera.org  можно найти здесь (для доступа к материалам нужна регистрация). "Машина для генерации значений комплексной экспоненты" (ссылка).
    2. Дискретное преобразование Фурье. Быстрое преобразование Фурье. Теория и задачи по настоящему занятию могут быть найдены в главе 7 источника [15] в дополнительных материалах ниже, а также в главе 6 книги Брюханов Ю.А., Приоров А.Л., Джиган В.И., Хрящев В.В. "Основы цифровой обработки сигналов". Книга доступна в печатном виде в библиотеке ЯрГУ. Пример вычисления дискретного преобразования Фурье (ДПФ) для изображения, демонстрирующий преимущество ДПФ перед каноническим базисом при передаче данных (ссылка). Про работу с платой Arduino можно почитать здесь. Про интеграцию платы Arduino и Matlab можно узнать на следующем сайте. Пример интеграции платы Arduino c Matlab, рассмотренный на лекции, можно найти здесь. Машина для предсказания приливов (ссылка).
    3. Оконное преобразование Фурье. Пример практического использования оконного преобразования Фурье к обработке сигнала первого спутника и двухтонального многочастотного сигнала в Matlab можно скачать здесь.
    4. Введение в цифровые фильтры. Цифровые фильтры могут использоваться для решения разнообразных задач. Рассмотрим одну из них на примере ЛИС-системы. Представим себе, что в качестве импульсной характеристики такой системы выступает импульсный отклик помещения. Этот отклик можно получить с использованием микрофона, который записывает звук, представляющий рассеивание импульсного источника звука. Примером подобного отклика может выступать импульсный отклик Лозаннского собора, который измерил Докманич И. (Dokmanic I.) и его коллеги, записав звук лопнувшего в соборе воздушного шарика. Скачать эту запись можно здесь. Выполнение операции свертки этой записи (импульсной характеристики собора), например, с записью музыкального фрагмента, полученного с использованием виолончели, позволяет искусственно пересоздать акустику большого пространства собора. Пример Matlab-кода, выполняющего подобную операцию, можно скачать здесь.
    5. КИХ-фильтры с линейной фазочастотной характеристикой.
    6. Всепропускающие фильтры. Хорошо описанный теоретический материал с примерами и задачами по данной теме можно найти в источнике [15] в дополнительных материалах ниже. Анализировать нужно стр. 193-194, 209-212. Дополнительно рекомендуется обратиться к источнику [16] (стр. 89-91).
    7. Минимально-фазовые системы. Хорошо описанный теоретический материал с примерами и задачами по данной теме можно найти в источнике [15] в дополнительных материалах ниже. Анализировать нужно стр. 194-195, 212-216. Дополнительно рекомендуется обратиться к источнику [16] (стр. 91-93).
    8. Системы с обратной связью. Хорошо описанный теоретический материал с примерами и задачами по данной теме можно найти в источнике [15] в дополнительных материалах ниже. Анализировать нужно стр. 195-196, 216-217. Дополнительно рекомендуется обратиться к источнику [16] (стр. 94-95).
    9. Синтез цифровых КИХ- и БИХ-фильтров.
    10. Многоскоростная цифровая обработка сигналов.
    Задания для самостоятельного выполнения
    1. Тест № 1 (ссылка). Выполненное задание должно быть сдано не позднее 29.09.2017.
    2. Тест № 2 (ссылка). Выполненное задание должно быть сдано не позднее 20.10.2017.
    3. Тест № 3 (ссылка). Выполненное задание должно быть сдано не позднее 27.10.2017Замечание. В задаче № 20 Matlab может выдать такую фразу: Error using imread (line 349). File "cameraman.tif" does not exist. Пугаться не нужно. Фраза означает, что изображение cameraman.tif не существует. Видимо, это зависит от версии пакета. Если такая проблема возникает, то скачайте это изображение здесь. Поместите его в текущую папку Matlab и вызовите в файле image_filtering.m такой командой: I = double(imread('Cameraman256.png'))/255; Удачи!
    4. Тест № 4 (ссылка). Выполненное задание должно быть сдано не позднее 24.11.2017.
    Темы лабораторных работ
    1. Синтез цифровых КИХ-фильтров методом окон (описание .pdfприложение .pdf, m-файлы .rar).
    2. Синтез цифровых БИХ-фильтров методом билинейного z-преобразования (описание .pdfприложение .pdf, m-файлы .rar). Замечание. При реализации полосового или режекторного фильтра в качестве функции zmapping используйте следующую.
    3. Синтез оптимальных по Чебышёву КИХ-фильтров (описание .pdfприложение .pdf, m-файлы .rarмодель simulink .rar).
    4. Многоскоростная цифровая обработка сигналов (описание .pdf, m-файлы .rar).
    5. Обработка сигналов на основе вейвлет-преобразования (описание .pdf, приложение .pdfm-файлы .rar).
    6. Применение адаптивной фильтрации в обработке цифровых сигналов (описание .pdfm-файлы .rar).
    7. Список опечаток в книге Приоров А.Л., Волохов В.А., Лаврентьев А.М. Основы цифровой обработки сигналов. Лабораторный практикум.  Ярославль: ВУНЦ ВВС «ВВА им. профессора Н.Е. Жуковского и Ю.А. Гагарина» (филиал г. Ярославль), 2012 (список .pdf). Замечание: пожалуйста, в случае нахождения опечаток или неточностей в вышеозначенной книге, сообщите о них мне в комментах здесь или на электронную почту. Заранее спасибо!
    Дополнительные материалы
    1. Список рекомендуемой литературы (список .pdf).
    2. Волохов В.А. Лекция по разностным уравнениям. ЯрГУ, 2010 (описание .djvu).
    3. Хрящев В.В., Приоров А.Л., Волохов В.А. Основы теории цепей. Сборник задач. Глава 4. ЯрГУ, 2008 (описание .pdf).
    4. Волохов В.А. Синтез цифровых КИХ-фильтров методом окон. Сборник задач. ЯрГУ, 2010 (описание .pdf).
    5. Волохов В.А. Синтез цифровых БИХ-фильтров методом билинейного z-преобразования. Сборник задач. ЯрГУ, 2011 (описание .pdf).
    6. Лукин А.С., Крылов А.С. "Интегральные преобразования в обработке изображений, введение в цифровую обработку мультимедийной информации" 2011 (ссылка).
    7. Freeman D. Signal and Systems (6.003), 2010. Massachusetts Institute of Technology (ссылка).
    8. Lustig M. Digital Signal Processing (EE123), 2011. University of California, Berkeley (ссылка).
    9. Lustig M. Digital Signal Processing (EE123), 2012. University of California, Berkeley (ссылка).
    10. Kundur D. Real-Time Digital Signal Processing (ECEN448), 2011. Texas A&M University (ссылка).
    11. Gilbert S. Wavelets, Filter Banks and Application (18.327 / 1.130), 2003. Massachusetts Institute of Technology (ссылка).
    12. Gilbert S. Wavelets, Filter Banks and Application (18.327 / 1.130), 2004. Massachusetts Institute of Technology (ссылка). Примечание: здесь можно найти примеры Matlab-кодов по теме связанной с вейвлетами и вейвлет-преобразованием.
    13. Oppenheim A.V. Signals and Systems (6.007), 2011. Massachusetts Institute of Technology (ссылка).  Примечание: здесь можно найти видеолекции одного из ведущих специалистов в области "Цифровой обработки сигналов" - Алана Оппенгейма.
    14. Грибунин В.Г. Глоссарий по цифровой обработке сигналов (ссылка).
    15. Hayes M.H. Schaum’s Ouline of Theory and Problems of Digital Signal Processing. McGraw-Hill, 1999 (ссылка).
    16. Хрящев В.В., Приоров А.Л., Волохов В.А. "Основы теории цепей. Сборник задач".  Ярославль: ЯрГУ, 2008 (ссылка).
    Замечание: Вопросы, затрагивающие решение задач, описание лабораторного практикума, трудности возникающие при написании программной части лабораторных работ, разбор листинга языка пакета Matlab и т.п., могут быть заданы в комментариях настоящего раздела или присланы по электронной почте.

    Руководитель курса: доц. каф. ИКР Волохов В.А.

    среда, 20 сентября 2017 г.

    Начинает свою работу страница курса "Инженерная и компьютерная графика" направлений "Инфокоммуникационные технологии и системы связи" и "Радиотехника".

    В настоящем разделе размещена единая информация, затрагивающая лабораторный практикум (выполняемый в пакете КОМПАС-3D) и лекционный материал.

    Место проведения: Физический факультет (2-ой учебный корпус), к. 114 (лабораторный практикум), к. 217 и 111 (лекционные и практические занятия).

    Время
    1. Направление "Инфокоммуникационные технологии и системы связи" (группа ИТС-11БО) лабораторный практикум раз в две недели по пятницам, с 10.15 до 11.50 (числитель/знаменатель разделение на подгруппы), практические занятия раз в две недели по понедельникам с 12.00 до 13.35 (знаменатель), лекции раз в две недели по понедельникам  12.00 до 13.35  (числитель).
    2. Направление "Радиотехника" (группа РТ-11БО) лабораторный практикум раз в две недели по четвергам, с  12.00 до 13.35  (числитель/знаменатель разделение на подгруппы), практические занятия раз в две недели по пятницам с 14.15 до 15.50 (знаменатель), лекции раз в две недели по понедельникам  12.00 до 13.35  (числитель).
    Темы лекционных занятий
    1. Лекция №1. Введение. Стандарты ЕСКД по графическому оформлению конструкторской документации (материалы .rar).
    2. Лекция №2. Метод проекций как основа построения чертежа. Примечание: материал рассматривается в рамках источника [6] в дополнительных материалах ниже, стр. 5-11. Для углубленного изучения инструментов начертательной геометрии рекомендуется обратиться к видеолекциям из источника [12].
    3. Лекции №3, 4, 5. Ортогональные проекции элементарных геометрических образов (точка, прямая, плоскость). Примечание: материал рассматривается в рамках источника [6] в дополнительных материалах ниже, стр. 11-55. Более краткое изложение данной темы может быть найдено в источнике [11] на стр. 19-31.
    4. Доп. лекция №1. Виды и комплектность изделий и конструкторских документов. Примечание: материал рассматривается в рамках источника [7] в дополнительных материалах ниже (ГОСТ 2.101-68 - Виды изделий; ГОСТ 2.102-68 - Виды и комплектность конструкторских документов).
    5. Доп. лекция №2. Стадии разработки. Примечание: материал рассматривается в рамках источника [7] в дополнительных материалах ниже (ГОСТ 2.103-68 - Стадии разработки).
    6. Лекции №6. Аксонометрические проекции. Примечание: материал рассматривается в рамках источника [6] в дополнительных материалах ниже, стр. 143-154. Окружность в аксонометрии (ссылка). Про пересечение поверхностей в аксонометрии читаем здесь.
    7. Лекции №7. Изображения - виды, разрезы, сечения. Примечание: материал рассматривается в рамках источника [6] в дополнительных материалах ниже, стр. 155-170.
    8. Лекции №8. Основы компьютерной графики (презентация .pptxпрезентация .pdf).
    9. Доп. лекция №3Применение компьютерных технологий для выполнения и оформления графической конструкторской документации. Примечание: материал рассматривается в рамках задач, решаемых в лабораторном практикуме курса "Инженерная и компьютерная графика".
    Задания для самостоятельного выполнения
    1. Тест № 1 (ссылка). Выполненное задание должно быть сдано не позднее 28.09.2017.
    2. Тест № 2 (ссылка). Выполненное задание должно быть сдано не позднее 05.10.2017.
    3. Задачи № 1-9 для самостоятельного решения из источника [4] в дополнительных материалах (ссылка). Сроки решения произвольные.
    4. Тест № 3 (ссылка). Выполненное задание должно быть сдано не позднее 16.11.2017.
    5. Тест № 4 (ссылка). Выполненное задание должно быть сдано не позднее 16.11.2017.
    Темы лабораторных работ
    1. Изучение основных приемов работы в среде КОМПАС-3D (описание и доп. материалы .rar). Документацию по среде КОМПАС-3D можно скачать (здесь). Разбор материала первого лабораторного занятия, а также то, как построить чертеж детали Шаблон, можно найти (здесь). Как правильно наносить размеры учимся здесь!
    2. Построение и редактирование геометрических объектов (описание .rar).
    3. Построение третьей проекции фигуры по двум известным (описание и доп. материалы .rar). Видеоролик - создание чертежа ортогональных проекций детали в КОМПАС-3D (ссылка).
    4. Аксонометрические проекции (описание и доп. материалы .rar). Видеоролик - построение аксонометрических проекций в КОМПАС-3D (ссылка).
    5. Создание и редактирование трехмерных моделей деталей (описание и доп. материалы .rar). Видеоролик - создание трехмерной детали в КОМПАС-3D (ссылка).
    6. Создание и редактирование трехмерных моделей деталей. Сечения. Разрезы сложные (описание и доп. материалы .rar). Примечание: материал настоящей лабораторной работы рассматривается в рамках источника [9] в дополнительных материалах ниже, стр. 25-53. Видеоролик - создание трехмерной детали вала в КОМПАС-3D (ссылка 1ссылка 2). Азбука КОМПАС-3D, ЗАО АСКОН, 2010 - Урок № 2. Создание рабочего чертежа, стр. 74-91 (ссылка).
    7. Создание и редактирование сборки (описание и доп. материалы .rar)Видеоролик - создание сборки в КОМПАС-3D (ссылка 1ссылка 2ссылка 3).
    8. Проектирование печатных плат в САПР KiCAD (описание).
    Дополнительные материалы
    1. Список рекомендуемой литературы (список .pdf).
    2. Бесплатный PDF-конвертер - doPDF (dopdf-7 .exe). Официальный сайт (ссылка).
    3. Миронов Б.Г., Панфилова Е.С. Сборник упражнений для чтения чертежей по инженерной графике: учеб. пособие для студ. учреждений сред. проф. образования. - 3-е изд., стер. - М.: Издательский центр "Академия", 2010 (ссылка).
    4. Чекмарев А.А. Задачи и задания по инженерной графике: учеб. пособие для студ. техн. спец. вузов - 2-е изд., стер. - М.: Издательский центр "Академия", 2007, стр. 2-26 (ссылка).
    5. Чекмарев А.А. Задачи и задания по инженерной графике: учеб. пособие для студ. техн. спец. вузов - 3-е изд., стер. - М.: Издательский центр "Академия", 2008. Аксонометрические проекции, стр. 34-36 (ссылка).
    6. Чекмарев А.А. Начертательная геометрия и черчение: учеб. для студ. высш. учеб. заведений. – 2-е изд., перераб. и доп. – М. Гуманит. изд. центр ВЛАДОС, 2002 (ссылка).
    7. ГОСТ «Единая система конструкторской документации». – М.: Издательство стандартов, 2001 (ссылка).
    8. Вольхин К.А. Учебные пособия: начертательная геометрия, конструкторские документы и правила их оформления, инженерная и прикладная компьютерная графика, геометрические основы построения чертежа (ссылка).
    9. Система автоматизированного проектирования bCAD-студент. ЗАО ПроПро Группа, 2004 (ссылка).
    10. Ляшков А.А., Куликов Л.К., Панчук К.Л. Сборник заданий по начертательной геометрии и инженерной графике. – Омск: ОмГТУ, 2005 (ссылка).
    11. Сараева Г.П. Графика: учеб. пос. (часть 1). – Томск: Центр учебно-методической литературы ТГПУ, 2004 (ссылка).
    12. Павлов А.В. Начертательная геометрия (курс видеолекции). Национальный технический университет Украины "Киевский политехнический институт" (ссылка).
    13. Бесплатная версия пакета КОМПАС-3D LT (V12) и КОМПАС-3D (V15) (ссылка).
    Замечание: Вопросы, затрагивающие описание лабораторного практикума, трудности возникающие при рассмотрении теоретических вопросов и решении задач по данному курсу, могут быть заданы в комментариях настоящего раздела или присланы по электронной почте.

    Руководитель курса: доц. каф. ИКР Волохов В.А.

    Начинает свою работу страница курса "Цифровая обработка изображений" направления "Радиотехника".

    В настоящем разделе размещена единая информация, затрагивающая лекционный материал и задания к практическим работам.

    Место проведения: Физический факультет (1-ый учебный корпус), к. 309.

    Время: Лекции и практические занятия каждую неделю с 10.15 до 11.50 по четвергам.

    Темы лекционных занятий
    1. Введение и обзор материала курса (презентация .pptx). Чудеса фотографии "Восстановление фотографического наследия С.М. Прокудина-Горского" (ссылка1, ссылка2).
    2. Формирование изображений. Камера и ее основные характеристики  (презентация .pptx). Awareness Test - "тест на внимательность" (ссылка).
    3. Цифровая обработка изображений в среде Matlab (презентация .pptx). Seam Carving Algorithm - "контурное вырезание по шву" (описание, презентация .pptxпример реализации .rar).
    4. Фильтрация и улучшение изображений. Часть 1 (презентация .pptx). Hybrid Images - "гибридные изображения" (описание). Дополнительную информацию про Bilateral Filter (билатеральный фильтр) и Non-Local Means Algorithm (алгоритм вычисления нелокальных средних) можно найти здесь и здесь соответственно.
    5. Фильтрация и улучшение изображений. Часть 2 (презентация .pptx).
    6. Оценка качества цифровых изображений (презентация .pptxm-файлы .rar). Описание и Matlab-реализацию Structural SIMilarity (SSIM) index - коэффициент структурного подобия (КСП) можно найти здесь. Рекомендации ITU-R BT.500-11 Methodology for the Subjective Assessment of the Quality of Television Pictures - методология для субъективной оценки качества телевизионных изображений (ссылка). Про субъективную оценку качества можно также почитать здесь.
    7. Цвет и обработка цветных изображений (презентация .pptx). Awareness Test - "тест на внимательность" (ссылка). Tiny images - "крошки картинки" (ссылка). Смотрим визуальные иллюзии на Planet Perplex (ссылка). Про трекинг глаз читаем здесь. Так же интересно почитать следующую книгу Yarbus Alfred L. Eye Movements and Vision. Plenum Press, 1967 (ссылка). Пример законченного кода для самостоятельного исследования по методу K-средних, а также анализу главных компонент из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
    8. Сжатие изображений. Стандарт JPEG (презентация .pptx). Хорошо написанная статья и ссылки для самостоятельного изучения по стандарту JPEG могут быть найдены здесь. Стандарт JPEG (ссылка). Также рекомендуется проанализировать источники [7, 8] в дополнительных материалах.
    9. Куда двигаться дальше (презентация .pptx)?
    10. Вопросы к зачету (вопросы .pdf).
    Практические задания
    1. Фильтрация изображений (описание .pdfизображения .rar). Срок сдачи задания - 09.11.2017.
    2. Цифровая хроматография изображений Российской Империи, полученных С.М. Прокудиным-Горским (описание .pdfизображения .rar). Срок сдачи задания - 14.12.2017.
    Дополнительные материалы
    1. Peters R.A. Image Processing (EECE / CS 253) , 2007. Vanderbilt University School of Engineering (ссылка).
    2. Крылов А., Лукин А. Интегральные преобразования в обработке изображений, введение в цифровую обработку мультимедийной информации, 2011. МГУ им. М.В. Ломоносова (ссылка). Примечание: здесь можно послушать аудиозаписи лекторов, посмотреть соответствующие презентация, попробовать выполнить предлагаемые практические задания, ну и понять чему учат в МГУ по аналогичным курсам.
    3. Ватолин Д. Методы обработки и сжатия видео, 2010-2011. МГУ им. М.В. Ломоносова (ссылка).
    4. Волохов В. Курс "Цифровая обработка изображений" 2012. Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ (ссылка).
    5. Волохов В. Курс "Цифровая обработка изображений" 2013. Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ (ссылка).
    6. Волохов В. Курс Компьютерное зрение, 2012/2013 (факультатив). Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ (ссылка).
    7. Приоров А.Л., Апальков И.В., Хрящев В.В. Цифровая обработка изображений: учебное пособие. - Ярославль: ЯрГУ, 2007 (ссылка).
    8. Wallace G.K. The JPEG Still Picture Compression Standard // IEEE Trans. Consumer Electronics. 1992. V. 38, №1. P. xviii - xxxiv (ссылка).
    9. Efros A. Computational Photography (15-463 / 15-862), 2013. Carnegie Mellon University (ссылка).
    Руководитель курса: доц. каф. ИКР Волохов В.А.

    воскресенье, 3 сентября 2017 г.

    Задачи для самостоятельного решения по курсу "Основы теории информации" 2017 можно скачать здесь. Список литературы доступен по следующей ссылке. Материалы лекции по алгоритму JPEG можно скачать здесь. Вопросы к экзамену можно скачать здесь.

    Темы лабораторных работ
    1. Информация, энтропия и избыточность (ссылка).
    2. Кодирование для дискретных источников без памяти (ссылка).
    3. Реализация и исследование алгоритма локализации мобильного робота на основе гистограммного фильтр. Замечание. Настоящая лабораторная работа является опциональной и может быть выполнена по усмотрению студента. При выполнении лабораторной работы требуется ознакомиться с теоретическими материалами и программными кодами, которые можно найти здесь.
    4. Алгоритм сжатия цифровых изображений JPEG (ссылка).
    5. Дискретные каналы без памяти и передача информации (ссылка).
    6. Помехоустойчивое кодирование и декодирование сообщений (ссылка).
    Дополнительные материалы
    1. Hsu H.P. Schaum’s Ouline of Analog and Digital Communications. McGraw-Hill, 2003 (ссылка).
    2. Hsu H.P. Schaum’s Ouline of Theory and Problems of Probability, Random Variables, and Random Processes. McGraw-Hill, 1997 (ссылка).
    С уважением, Владимир Волохов.

    Материалы по практическим занятиям курса "Общая теория связи (Часть 2)" будут выкладываться в рамках данного поста.

    Задачи для самостоятельного решения
    1. Случайные величины. Интегральная функция распределения, закон распределения дискретной случайной величины и плотность вероятностей. Из источника [1] в дополнительных материалах требуется решить задачи №1.1-1.17. Домашнее задание практики от 04.09.2017.
    2. Случайные величины. Математическое ожидание и дисперсияИз источника [1] в дополнительных материалах требуется решить задачи №1.18-1.27. Домашнее задание практики от 11.09.2017.
    3. Случайные величины. Условная вероятность. Правило Байеса. Теорема БайесаИз источника [1] в дополнительных материалах требуется решить задачи №1.28-1.33. Домашнее задание практики от 25.09.2017. Про использование байесовского подхода для решения задачи локализации мобильного робота можно прочитать здесь. Видеоролик, позволяющий наглядно продемонстрировать решение данной задачи, можно посмотреть здесь.
    4. Случайные процессы. Прохождение случайных процессов через безынерционные цепи. Из источника [1] в дополнительных материалах требуется решить задачи №2.11-2.21. Домашнее задание практики от 02.10.2017.
    5. Случайные процессы. Корреляционная функция. Спектральная плотность мощности. Прохождение случайных процессов через ЛИС-системы. Из источника [1] в дополнительных материалах требуется решить задачи №2.1-2.10. Домашнее задание практики от 18.10.2017.
    6. Теория принятия решений. Из источника [1] в дополнительных материалах требуется решить задачи №4.1-4.13. Домашнее задание практики от 30.11.2017.
    7. Теория оценок. Из источника [1] в дополнительных материалах требуется решить задачи №3.1-3.13. Домашнее задание практики от 20.11.2017.
    8. Информация, энтропия и избыточность. Кодирование для дискретных источников без памяти. Из источника [1] в дополнительных материалах требуется решить задачи №6.1-6.7, 6.33-6.38. Домашнее задание практики от 04.12.2017.
    9. Дискретные каналы без памяти. Из источника [1] в дополнительных материалах требуется решить задачи №6.8-6.24. Раздаточный материал к практике можно скачать здесь. Домашнее задание практики от 18.12.2017.
    10. Основы помехоустойчивого кодирования. Из источника [1] в дополнительных материалах требуется решить задачи №7.1-7.8. Раздаточный материал к практике можно скачать здесьДомашнее задание практики от 25.12.2017.
    11. Оптимальное обнаружение сигналов. Из источника [1] в дополнительных материалах требуется решить задачи №5.1-5.18. Тема выносится на самостоятельное изучение! Решение задач и краткая теория по ним представлены в источнике [2] на стр. 226-244.
    Дополнительные материалы
    1. Общая теория связи: задачник / сост.: В.А. Волохов, А.Л. Приоров, М.А. Дубов, И.В. Апальков; Яросл. гос. ун-т им. П.Г. Демидова. - Ярославль: ЯрГУ, 2017 (ссылка).
    2. Hsu H.P. Schaum’s Ouline of Analog and Digital Communications. McGraw-Hill, 2003 (ссылка).
    3. Hsu H.P. Schaum’s Ouline of Theory and Problems of Probability, Random Variables, and Random Processes. McGraw-Hill, 1997 (ссылка).
    С уважением, Владимир Волохов.

    суббота, 18 марта 2017 г.

    Начинает свою работу страница курса "Прикладная информатика: машинное обучение". Курс проводится при поддержке компании Akvelon.

    В настоящем разделе размещена информация, затрагивающая литературу, ссылки, лекционные и практические занятия по темам курса, а также примеры реализаций алгоритмов.

    Место и время проведения 

    Лаборатория "Дискретная и вычислительная геометрия" им. Б.Н. Делоне (ул. Комсомольская, д. 3). Занятия проводятся два раза в неделю: среда (с 18.30 до 20.30) и суббота (с 12.00 до 15.00).

    Что сделать до следующего занятия?
    1. До 22.03.2017 (среда) необходимо установить программное обеспечение указанное в лекции 1.
    2. До 25.03.2017 (суббота) изучить материалы лекции № 2. Сдать решение тестового задания № 1.
    3. До 29.03.2017 (среда) сдать отчет по практическому заданию № 1.
    4. До 01.04.2017 (суббота) изучить материалы лекции № 3.
    5. До 05.04.2017 (среда) сдать отчет по практическому заданию № 2.
    6. До 08.04.2017 (суббота) изучить материалы лекции № 4. Сдать решение тестового задания № 2.
    7. До 12.04.2017 (среда) сдать отчет по практическому заданию № 3.
    8. До 15.04.2017 (суббота) изучить материалы лекции № 5.
    9. До 19.04.2017 (среда) сдать отчет по практическому заданию № 4.
    10. До 22.04.2017 (суббота) изучить материалы лекции № 6. Сдать решение тестового задания № 3.
    11. До 26.04.2017 (среда) сдать отчет по практическому заданию № 5.
    12. До 29.04.2017 (суббота) изучить материалы лекции № 7.
    13. До 03.04.2017 (среда) сдать отчет по практическому заданию № 6.
    14. До 06.05.2017 (суббота) изучить материалы лекций № 8 и № 9. Сдать решение тестового задания № 4.
    15. До 10.05.2017 (среда) сдать отчет по практическому заданию № 7.
    16. До 15.05.2017 (понедельник) заполнить и выслать форму обратной связи по курсу (ссылка).
    Результаты проверки практических и тестовых заданий можно узнать здесь.

    Темы лекционных занятий
    1. Введение и обзор материала курса. Линейная регрессия с одной переменной (презентация .pptx). Python 3 скачиваем здесь. Ссылки на библиотеки NumPySciPyMatplotlib и Scikit-Learn. Опционально могут быть установлены библиотеки OpenCVPandas и Scikit-Image. Возможной сборкой пакетов для работы с Python может служить Anaconda. Коды можно набивать в текстовом редакторе Siblime Text 3, далее выполняя их через командную строку. Как установить библиотеку OpenCV под Python 3 можно прочитать здесь. Полезным введением в язык программирования Python является следующий online-курс, а также следующий источник. Для улучшения понимания внутренней работы Python рекомендуется обратиться к Python Tutor.
    2. Линейная регрессия со множеством переменных. Классификация. Логистическая регрессия (презентация .pptx).
    3. Искусственные нейронные сети (представление) (презентация .pptx). Для работы со сверточными нейронными сетям, возможно, окажутся полезными следующие библиотеки: OpenCVTheanoTensorFlow и Caffe.
    4. Искусственные нейронные сети (обучение) (презентация .pptx).
    5. Рекомендации по применению алгоритмов машинного обучения. Построение систем машинного обучения. Оптическое распознавание символов. Данные, данные, данные ... (презентация .pptx). Дополнительно рекомендуется ознакомиться с лекцией "Метрики качества классификации" курса "Введение в машинное обучение" от Высшей школы экономики. Ссылка на презентации из данной лекции находится здесь.
    6. Кластеризация (презентация .pptx).
    7. Анализ главных компонент (презентация .pptx). Копию оригинальной статьи К. Пирсона 1901 г., в которой было предложено описание анализа главных компонент может быть найдена здесьСсылка на статью Turk M., Pentland А. Eigenfaces for Recognition // Journal of Cognitive neuroscience. 1991. V. 3, №1. P. 73–86 может быть найдена здесь. Опционально, про применение анализа главных компонент в задаче шумоподавления на цифровых изображениях можно узнать из следующего источникаВ лекции №29 курса Strang G. Linear Algebra (18.06, 1999, MIT) можно ознакомиться с темой, посвященной SVD - Singular Value Decomposition (ссылка).
    8. Детектирование лиц на основе алгоритма Виола / Джонса (презентация .pptx). Ссылка на статью Viola P., Jones M. Robust Real-time Object Detection // Int. J. Computer Vision. 2004. V. 57, 2. P. 137–154 (ссылка). Видеоролики, демонстрирующие использование алгоритма Виола / Джонса для управления мобильным роботом (ссылка 1ссылка 2). Демонстрационный программный код, показывающий работу детектора Виола / Джонса можно найти здесь. Для запуска кода потребуется установить библиотеку OpenCV по следующей ссылке.
    9. Машинное обучение на больших базах данных (презентация .pptx).
    10. Введение в глубокое обучение. Сверточные нейронные сети (презентация .pptx). Демонстрационные программные коды, показывающие работу сверточной нейронной сети можно найти здесь.
    Практические задания
    1. Линейная регрессия (описание .rar). Подсказка для выполнения практического задания (ссылка). Срок сдачи задания - 29.03.2017Решение практического задания №1 (ссылка).
    2. Логистическая регрессия (описание .rar). Срок сдачи задания - 05.04.2017Решение практического задания №2 (ссылка).
    3. Многоклассовая классификация и нейронные сети (описание .rar). Срок сдачи задания - 12.04.2017Решение практического задания №3 (ссылка).
    4. Обучение нейронных сетей (описание .rar). Срок сдачи задания - 19.04.2017Решение практического задания №4 (ссылка).
    5. Регуляризованная линейная регрессия. Недообучение и переобучение (описание .rar). Срок сдачи задания - 26.04.2017Решение практического задания №5 (ссылка).
    6. Кластеризация с использованием алгоритма K-средних (описание .rar). Срок сдачи задания - 03.05.2017Решение практического задания №6 (ссылка).
    7. Анализ главных компонент (описание .rar). Срок сдачи задания - 10.05.2017Решение практического задания №7 (ссылка).
    8. Итоговые проекты для защиты (презентация .pptx). Срок сдачи задания - 17.05.2017.
    Тестовые задания
    1. Тест № 1 (ссылка). Срок сдачи решения - 25.03.2017.
    2. Тест № 2 (ссылка). Срок сдачи решения - 08.04.2017.
    3. Тест № 3 (ссылка). Срок сдачи решения - 22.04.2017.
    4. Тест № 4 (ссылка). Срок сдачи решения - 06.05.2017.
    Дополнительные материалы
    1. Ng A. Machine Learning (CS 229), 2009. Stanford University (ссылка 1ссылка 2).
    2. Ng A. Unsupervised Feature Learning and Deep Learning. Stanford University (ссылка 1ссылка 2).
    3. Ng A. Machine Learning (Open Classroom). Stanford University (ссылка).
    4. Сайт посвященный новой области машинного обучения - глубокому обучению (Deep Learning). Глубокое обучение введено с целью смещения машинного обучения к одной из его первоначальных целей - искусственному интеллекту (Artificial Intelligence) (ссылка 1ссылка 2).
    5. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016 (ссылка).
    6. Li F.-F. et al. CS231n: Convolutional Neural Networks for Visual Recognition, 2017. Stanford University (ссылка).
    7. TensorFlow and Deep Learning, without PhD. Google Codelabs (ссылка).
    8. Воронцов К.В. Машинное обучение, 2012/2013. ШАД Яндекс (ссылка).
    9. Профессиональный информационно-аналитический ресурс, который затрагивает машинное обучение, а также распознавание образов и интеллектуальный анализ данных (ссылка).
    10. Анохин Н., Гулин В., Нестеров П. Data Mining. Проект Техносфера (ссылка).
    11. Szelicki R. Computer Vision: Algorithms and Applications. Springer, 2010 (ссылка).
    12. Конушин A. Семантическая классификация изображений (видеолекции), 2010. Сomputer Science клуб при ПОМИ РАН (ссылка).
    13. Ерухимов В. Компьютерное зрение и библиотека OpenCV (видеолекции), 2011. Сomputer Science клуб при ПОМИ РАН (ссылка).
    14. Конушин А. Курсы "Введение в компьютерное зрение" и "Доп. главы компьютерного зрения" (видеолекции), 2011. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
    15. Efros A. Learning-Based Methods in Vision (16-721), 2009. Carnegie Mellon University (ссылка).
    16. Kemelmacher I., Rao R., Seitz S., Shapiro L. Computer Vision (CSE 455), 2003 - 2017. University of Washington (ссылка).
    17. Lazebnik S. Computer Vision (COMP 776), 2016. The University of North Carolina at Chapel Hill (ссылка).
    18. Thrun S. Computer Vision / Introduction to Computer Vision (CS 223b), 2004 - 2009. Stanford University (ссылка).
    Online курсы

    Информация по наиболее интересным online курсам приведена в первой презентации. Напоминаю, что с 2011 года ряд западных университетов начал практику создания online-курсов (www.coursera.orgwww.udacity.org) по различным дисциплинам. Например, "Искусственный интеллект", "Машинное обучение", "Компьютерное зрение" и т.д. Для ознакомления с материалами курсов (видеолекциями, практическими заданиями и т.д.) нужна регистрация!

    Руководитель курса: доцент кафедры инфокоммуникаций и радиофизики Волохов В.А.