Задание по архитектуре нейронных сетей

Необходимо сделать 2 части работы. Первая:

Введение

Современные системы компьютерного зрения широко применяются для анализа изображений в различных областях: от спутникового мониторинга до автономного вождения. В рамках данной работы вам предлагается решить задачу классификации природных и городских ландшафтов с использованием нейросетевой архитектуры. В качестве базы используется датасет Intel Image Classification, содержащий более 25,000 цветных изображений, распределённых по 6 классам: buildings, forest, glacier, mountain, sea, street.

🎯 Цель работы

Разработать и обучить модель глубокого обучения, способную точно классифицировать изображения по типу местности, применяя подходы, изученные в курсе.

🛠️ Этапы выполнения

Анализ и загрузка датасета.

Предобработка данных: масштабирование изображений, аугментация, разделение на обучающую, валидационную и тестовую выборки.

Разработка модели: выбор архитектуры (например, CNN), настройка гиперпараметров.

Обучение модели: реализация цикла обучения, сохранение модели.

Оценка модели: расчёт метрик, визуализация результатов (confusion matrix, accuracy/loss curves).

Финальный отчёт: описание процесса, результатов, трудностей и выводов.

.

📏 Метрики оценки модели

Accuracy (точность классификации): ≥ 85% на тестовой выборке.

F1-score: по каждому классу — не ниже 0.80.

Confusion Matrix: адекватная интерпретация ошибок модели.

Loss: анализ функции потерь и её снижение в процессе обучения.

Визуализация результатов: графики точности и потерь по эпохам, примеры верных и ошибочных предсказаний.

✅ Требования к сдаче

Код проекта (в Jupyter Notebook или другом формате).

Отчёт (PDF или презентация), содержащий:

описание всех этапов работы,

графики, таблицы, примеры классификаций,

выводы и предложения по улучшению модели.

📌 Рекомендации по выполнению итоговой работы

Чтобы ваша работа была не только технически корректной, но и профессионально оформленной, следуйте следующим рекомендациям:

🧰 Подготовка данных

Балансировка классов: Проверьте, равномерно ли распределены классы. При необходимости — используйте методы oversampling или class weights.

Аугментация: Применяйте случайные трансформации (повороты, зеркалирование, яркость), чтобы улучшить обобщающую способность модели.

Разделение данных: Разделите датасет на training (70%), validation (15%) и test (15%). Это обеспечит корректную проверку модели.

🧠 Модель

Начните с простой архитектуры (например, 3–4 сверточных слоя), затем попробуйте более сложные подходы (ResNet, MobileNet, EfficientNet).

Используйте Dropout и BatchNormalization для борьбы с переобучением.

Применяйте EarlyStopping и ReduceLROnPlateau для контроля процесса обучения.

📊 Анализ метрик

Accuracy — не единственная метрика: обязательно анализируйте precision, recall и f1-score для каждого класса.

Постройте confusion matrix и объясните, какие классы модель путает и почему.

Используйте графики (matplotlib, seaborn) для визуализации обучения (loss и accuracy по эпохам).

🧾 Оформление отчёта

Объясняйте каждое ваше решение: почему выбрали именно эту модель, этот размер batch и learning rate.

Приводите скриншоты примеров правильной и ошибочной классификации.

Дайте рекомендации по улучшению модели, даже если достигли хороших метрик.

🚀 Продвинутое (по желанию)

Проведите эксперименты с transfer learning — возьмите предобученную модель (например, VGG16, ResNet50) и дообучите на вашем датасете.

Попробуйте разные функции активации и оптимизаторы (Adam, SGD, RMSProp).

Вторая:

Имеется дипломная работа с темой проектирование и разработка информационной системы для записи в груминг-салон. Необходимо дополнить данную дипломную работу так, чтобы в ней также была часть из области Data Science. Тему работы можем обсудить.