Актуальность темы исследования: Дипломная работа посвящена анализу современных баз данных, методов и моделей, использующихся в задачах семантической сегментации и классификации дорожной обстановки, основанных на обучаемом искусственном интеллекте. На сегодняшний день технологии компьютерного зрения широко внедряются в автомобильную промышленность, для обеспечения своевременной поддержки и оповещения водителя о текущей ситуации на дороге. В связи с этим решение задачи по анализу и выбору метода машинного обучения на основе нейросетевых технологий, позволяющему быстро и точно классифицировать дорожную обстановку, является актуальной.  Краткая характеристика структуры работы и отдельных ее разделов: Пояснительная записка бакалаврской работы изложена на 23 листах основного текста. В работе рассмотрены вопросы: произведен обзор существующих баз данных, состоящих из размеченных и оригинальных наборов видео данных; методов и средств сегментации объектов; так же в работе приведены метрики для оценки качества сегментации, а также представлены результаты экспериментов, описывающие сравнение трех нейросетевых технологий в задачах семантической сегментации объектов.  Достоинства работы (интересные материалы, положения, выводы, в которых проявились самостоятельность студента, его эрудиция, оригинальность мышления, знание литературы, уровень теоретической подготовки и т.п.): Представленная выпускная квалификационная работа довольно содержательна и снабжена соответствующими иллюстрациями. В ходе бакалаврской работы выполнено исследование нейросетевых методов машинного обучения в задачах семантической сегментации объектов и дорожной ситуации. Проведены экспериментальные исследования на существующих базах данных, полученные результаты демонстрируют актуальность использования нейросетевых методов. В работе проявляются высокий уровень теоретической подготовки студента, его умение работать с технической литературой.   Недостатки работы (по содержанию и по оформлению): Рассмотренные нейросетевые методы описаны достаточно кратко, что не позволяет в полной мере понять основные принципы работы моделей. Кроме того, оформление работы, в частности библиографический список и оформление заголовков разделов, не соответствует ГОСТ. 	 Общий вывод о выпускной квалификационной работе, ее соответствии предъявляемым к данному виду работ требованиям: Считаю, что дипломная работа Румянцева В.Ф. «Использование методов машинного обучения для семантической классификации дорожной обстановки» отвечает основным требованиям, предъявляемым к выпускным квалификационным работам.  Мнение рецензента об оценке работы: Выпускная работа Румянцева В.Ф. заслуживает оценки «ОТЛИЧНО», а ее автор достоин степени бакалавра.