Ta strona korzysta z plików cookie, abyśmy mogli zapewnić jak najlepszą obsługę. Informacje o plikach cookie są przechowywane w przeglądarce i wykonują takie funkcje, jak rozpoznawanie cię po powrocie do naszej witryny i pomaganie naszemu zespołowi w zrozumieniu, które sekcje witryny są dla Ciebie najbardziej interesujące i przydatne.
Stephen Hawking powiedział kiedyś: “whatever you want to uncover the secrets of the universe, or you just want to pursue a career in the 21st century, basic computer programming is an essential skill to learn”. Te słowa jakże znamiennie wybrzmiewają w dzisiejszych czasach. Nie ulega wątpliwości, że przyszłość zależeć będzie w dużej mierze od postępu technologicznego i ludzi, którzy będą w stanie ten postęp kreować. Jak pokazują dane, utrzymujące się ogromne zapotrzebowanie na specjalistów w sektorze technologii powoduje, że zarobki w branży także są bardzo satysfakcjonujące.
Zastosowania sztucznej inteligencji (Artificial Intelligence) rosną w tempie wykładniczym. Od prostych modeli klasyfikujących pocztę mailową, wybierających najbardziej optymalną trasę dojazdu, rozpoznających nas w czasie rzeczywistym (wideoweryfikacja) po auta a nawet samoloty autonomiczne. A przed nami przecież tyle nieodkrytych obszarów w których można zastosować AI.
Do czego służy biblioteka Keras?
Keras to biblioteka open source do tworzenia sieci neuronowych, która jako backend wykorzystuje Tensorflow, CNTK, czy Theano. Jest doskonałym narzędziem do prototypowania i eksperymentowania oszczędzając nam wiele czasu przy pisaniu kodu. Stanowi także niską barierę wejścia dla osób, które dopiero zaczynają swoją karierę w uczeniu maszynowym.
Wzrost popularności języka Python
Język Python świetnie nadaje się do przetwarzania, przygotowania, analizy i modelowania danych. Jest prosty do nauki i nie powinien sprawiać problemów osobie, która dopiero zaczyna uczyć się programowania. Na przestrzeni ostatnich lat i rosnącej popularności sztucznej inteligencji Python wyrósł na gwiazdę w tym sektorze. Powstało sporo potężnych bibliotek do machine learningu, czy deep learningu. Przykładem może być stworzona przez Google biblioteka Tensorflow.
Wszechstronność Zastosowań
Języka Python możemy używać na bardzo wielu poziomach. Czy to u siebie w domu, w biurze, czy uruchamiając skrypty w chmurze. W połączeniu z mnogością zastosowań i doskonałym zestawem narzędzi takich jak Spyder, Jupyter Notebook, Zeppelin, IPython i innymi bibliotekami środowisko do analizy danych w Pythonie wyróżnia się wydajnością, produktywnością i doskonałą elastycznością.
Sztuczna Inteligencja - Deep Learning
Funkcje aktywacji - Implementacja
Funkcje Straty - Implementacja
Algorytm Stochastycznego Spadku Gradientu
Implementacja Sieci Neuronowej
Klasyfikacja Obrazów - Sztuczne Sieci Neuronowe - ANN
-
20Implementacja Sieci Neuronowej cz. 1
-
21Implementacja Sieci Neuronowej cz. 2
-
22Implementacja Sieci Neuronowej cz. 3
-
23Implementacja Sieci Neuronowej cz. 4
-
24Implementacja Sieci Neuronowej cz. 5
-
25Implementacja Sieci Neuronowej cz. 6
-
26Implementacja Sieci Neuronowej cz. 7
-
27Implementacja Sieci Neuronowej cz. 8
CNN - Konwolucyjne Sieci Neuronowe
-
28Problem klasyfikacji obrazów
-
29Jak obraz jest przechowywany w pamięci komputera?
-
30Wybór biblioteki do uczenia głębokiego
-
31Perceptron Wielowarstwowy cz. 1
-
32Perceptron Wielowarstwowy cz. 2
-
33Perceptron Wielowarstwowy cz. 3
-
34Perceptron Wielowarstwowy cz. 4
-
35Perceptron Wielowarstwowy cz. 5
CNN - Klasyfikator - pies czy kot?
-
36Wprowadzenie do CNN
-
37Architektura CNN
-
38Operacja konwolucji - update
-
39Operacja konwolucji
W tej części wkradł się mały błąd rachunkowy. W macierzy wynikowej (Output) w pierwszym wierszu (druga kolumna) zamiast -6 powinna być wartość -2.
-
40Filtry w sieci CNN
-
41Operacja MaxPooling
-
42Konwolucja + MaxPooling - Wyliczenie
-
43CNN Implementacja
-
44CNN Trenowanie Modelu
-
45CNN Podsumowanie
CNN - dron, samolot pasażerski czy helikopter? - Tensorflow 2.0 + Keras
-
46Pobranie danych do modelu
Link do zbioru danych:
https://ml-repository-krakers.s3-eu-west-1.amazonaws.com/kaggle+/cats_and_dogs/dogs-vs-cats.zip
-
47Eksploracja danych i budowa pierwszego modelu
-
48Budowa i trenowanie modelu z augmentacją danych
-
49Budowa i trenowanie modelu z augmentacją danych cz. 2
-
50Ocena modelu
-
51Transfer Learning - model VGG16
-
52Ocena modelu z wykorzystaniem Transfer Learningu
-
53Otworzenie black box'a konwolucyjnych sieci neuronowych
-
54Mapy ciepła, obszary decyzyjne i podsumowanie
Projekt własny
-
55Update
-
56Przetwarzanie obrazu - Augmentacja danych
-
57Klasyfikacja obrazów - omówienie problemu
-
58Przygotowanie obrazów do modelu
-
59Przygotowanie obrazów do modelu cz. 2
-
60Budowa sieci CNN
-
61Transfer Learning - model VGG16
-
62Wyświetlenie błędów predykcji
-
63Dron, samolot pasażerski czy helikopter? - Klasyfikacja wieloklasowa
-
64Wyświetlenie błędów predykcji