Klasyfikacja obrazów przy użyciu CNN: Praktyczny przewodnik po Fashion-MNIST

Widzenie komputerowe zmienia sposób, w jaki oprogramowanie interaguje ze światem wizualnym, jednak zaczynanie od złożonych zestawów danych może przytłaczać. Ten kurs zapewnia jasną, ustrukturyzowaną ścieżkę do opanowania klasyfikacji obrazów przy użyciu klasycznego zestawu danych Fashion-MNIST. Poprzez szczegółowe wyjaśnienia tekstowe i praktyczne analizy kodu przejdziesz od zrozumienia podstawowych pojęć sieci neuronowych do zaprojektowania, wytrenowania i optymalizacji niestandardowej konwolucyjnej sieci neuronowej (CNN). Czego się nauczysz: - Zrozumieć fundamentalne zasady widzenia komputerowego, reprezentacji obrazu i terminologii głębokiego uczenia. - Przygotować i wstępnie przetworzyć zestaw danych Fashion-MNIST, w tym normalizację i podział danych. - Zbudować architekturę konwolucyjnej sieci neuronowej od zera przy użyciu warstw konwolucyjnych, pooling oraz warstw gęstych. - Trenować swój model za pomocą funkcji straty, optymalizatorów oraz technik zapobiegających przeuczeniu, takich jak dropout. - Oceniać wydajność modelu za pomocą macierzy pomyłek, precyzji, czułości (recall) oraz raportów klasyfikacji. Zaczniesz od podstawowych pojęć dotyczących danych obrazowych i architektury sieci neuronowych, zanim przejdziesz do pisania czystego, ustrukturyzowanego kodu w celu trenowania i testowania swojego modelu. Kurs kończy się praktycznymi strategiami dostrajania hiperparametrów i poprawy dokładności. Ten kurs jest przeznaczony dla przyszłych data scientists, deweloperów i entuzjastów AI, którzy dopiero zaczynają przygodę z widzeniem komputerowym. Wcześniejsze doświadczenie z głębokim uczeniem nie jest wymagane, chociaż przydatna jest podstawowa znajomość języka Python. Zacznij czytać już dzisiaj, aby zbudować swój pierwszy klasyfikator obrazów oparty na głębokim uczeniu.