Консультант(ы):
Ключевые слова:
Тематика проводимого исследования:
Наука о данных, машинное обучение, идентификация систем
Приобретаемые знания:
Алгоритмы компьютерного зрения (в том числе системы стерео- и 3D-зрения), подходы и методы глубокого обучения, линейная алгебра, теория графов, теория оптимизации, теория вероятностей и математическая статистика. Полученный багаж знаний позволит профессионально заняться разработкой нейросетевых моделей для решения аналитических задач машинного зрения.
Приобретаемые навыки и умения:
Разработка и тестирование скриптов на языке Python, уверенная работа с библиотеками Python и фреймворком PyTorch, библиотекой OpenCV, решение статистических задач на языке R, методология разведочного анализа данных, формирование и тестирование датасетов, разработка и тестирование сложных нейросетевых моделей, интеграция моделей в производственные и бизнес-процессы, написание справок, отчетов, статей по результатам проведённых исследований.
Необходимый уровень знаний и навыков практиканта для выполнения задания:
Начальный уровень владения теорией и знание основных алгоритмов машинного обучения, знание основных алгоритмов компьютерного зрения, начальный уровень владения языком программирования Python и основными библиотеками, базовое владение теорией вероятностей и математической статистики, очень желательно знать основные алгоритмы и структуры данных.
Тип проекта:
Курсовая работа
Период практики:
6 месяцев
Краткое описание проекта:
На реальных сложных фото- и/или видео-данных необходимо разработать и протестировать нейросетевую модель, решающую одну из следующих задач: обнаружение, распознавание, локализация, сегментация, идентификация, диагностика состояния и т.п. Разрабатываемые алгоритмы и модели применяются для решения различных производственных задач в сельском хозяйстве: определение состояния и поведения животных, определение линейных размеров животных, «взвешивание» животных, идентификация животных, распознавание заболеваний и поражений растений, определение прироста биомассы растений, определение спелости плода и т.д.
Результат выполнения проекта:
Отчёт о проведённом исследовании; референсный программный код, реализующий разработанный алгоритм/модель; выступление с докладом на конференции; статья в научном журнале; трудоустройство в ИПУ РАН.