Машинное и глубокое обучение
•
0 likes•1,513 views
Мы постараемся показать, как любой технический специалист может использовать различные методы машинного обучения в своей повседневной работе. Продемонстрируем специализированные инструменты Classification Learner и Regression Learner для быстрого обучения классификаторов и сравнения точности распознавания. Особе внимание уделим созданию и обучению сверточных нейронных сетей (CNN)
![2
Применение машинного обучения
§ Распознавание образов
§ Распознавание речи
§ Предсказание цен
§ Медицинская диагностика
§ Анализ данных
§ Робототехника
§ и многое другое…
[TBD]](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Recommended
Recommended
More Related Content
Viewers also liked
Viewers also liked (10)
Similar to Машинное и глубокое обучение
Similar to Машинное и глубокое обучение (20)
More from MATLAB
More from MATLAB (10)
Машинное и глубокое обучение
- 1. 1 ЦИТМ Экспонента Глубокое и машинное обучение Артём Багров
- 2. 2 Применение машинного обучения § Распознавание образов § Распознавание речи § Предсказание цен § Медицинская диагностика § Анализ данных § Робототехника § и многое другое… [TBD]
- 3. 3 § Машинное обучение – Что такое машинное обучение и зачем нам его использовать? – Общие сложности при использовании машинного обучения § Пример1: Регрессионный анализ – Прогнозирование прочности бетона § Пример2: Изучение активности человека на основе показаний мобильных телефонов – Обучение по сенсорным данным § Пример3: Классификация сцены – Обучение по сенсорным данным План
- 4. 4 Пример 1: Прогнозирование прочности бетона § Предсказание прочности бетона на сжатие для данного состава и возраста Ash,...)Slag,FlyFurnaceBlast r,Cement,f(Age,WateStrength =
- 5. 5 Деревья решений § Удобны для тех случаев, когда вид модели неизвестен. § Последовательность операторов if-then, if-else, завершающихся предсказанием ответа § Может использоваться как для классификации так и для регрессии 1 if Age<21 then node 2 elseif Age>=21 then node 3 else 35.7928 2 if Cement<354.5 then node 4 elseif Cement>=354.5 then node 5 else 23.3874 3 if Cement<355.95 then node 6 elseif Cement>=355.95 then node 7 else 41.3278 4 fit = 18.3255 5 fit = 34.9657
- 6. 6 Машинное обучение Машинное обучение использует данные и производит программу для выполнения задачи Стандартный подход Подход машинного обучения модель= < 𝑴𝒂𝒄𝒉𝒊𝒏𝒆 𝑳𝒆𝒂𝒓𝒏𝒊𝒏𝒈 алгоритм >(𝑠𝑒𝑛𝑠𝑜𝑟_𝑑𝑎𝑡𝑎, 𝑎𝑐𝑡𝑖𝑣𝑖𝑡𝑦) Комп прогр Machine Learnin g модель: Вход → Выход Программа написанная вручную Формула или уравнение If X_acc > 0.5 then “SITTING” If Y_acc < 4 and Z_acc > 5 then “STANDING” … 𝑌PQRSTSRU = 𝛽W 𝑋PQQ + 𝛽Z 𝑌PQQ + 𝛽[ 𝑍PQQ + … Задача: Определение активности человека
- 7. 7 Пример 2: Определение активности человека на основе данных мобильного телефона Machine Learning Данные: Ø 3-х осевого акселерометра Ø 3-х осевого гироскопа
- 8. 8 MODEL ПРЕДСКАЗАНИЯ Рабочий процесс машинного обучения Обучение: итеративный процесс, пока не найдена лучшая модель Предсказание: Интеграция обученных моделей в приложения модельОбучение с учителем КЛАССИФИКАЦИЯ РЕГРЕССИЯ PREPROCESS DATA SUMMARY STATISTICS PCAFILTERS CLUSTER ANALYSIS Загрузка данных Предобработка SUMMARY STATISTICS PCAFILTERS CLUSTER ANALYSIS НОВЫЕ ДАННЫЕ
- 9. 9 Пример2: Изучение активности человека на основе показаний мобильных телефонов Цель: Обучение классификатора Data: Подход: – Извлечение характеристик из сигналов датчиков – Обучение и сравнение классификаторов – Результаты испытаний на новых данных датчиков Предикторы Данные 3-х осевого акселерометра и гироскопа Ответ Активность:
- 10. 10 ПРЕДСКАЗАНИЕМОДЕЛЬ Рабочий процесс машинного обучения на примере 1Обучение: итеративный процесс, пока не найдена лучшая модель Предсказание: Интеграция обученных моделей в приложения МОДЕЛЬОБУЧЕНИЕ С УЧИТЕЛЕМ CLASSIFICATION REGRESSION ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА SUMMARY STATISTICS PCAFILTERS CLUSTER ANALYSIS ЗАГРУЗКА ДАННЫХ ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА SUMMARY STATISTICS PCAFILTERS CLUSTER ANALYSIS ТЕСТОВЫЕ ДАННЫЕ 1. Mean 2. Standard deviation 3. PCA КЛАССИФИКАЦИЯ 1. Mean 2. Standard deviation 3. PCA
- 11. 11 Пример3: Классификация сцены Поле Лес Шоссе Кухня
- 12. 12 Рабочий процесс машинного обучения ‘Кот’ Обучаемые данные Извлечение характеристик Тестовые данные Модель классификации
- 13. 13 Мешок визуальных слов 0,4 0,8 0,3 0,1 tree sand chair table 0,2 0,1 0,8 0,7 tree sand chair table Beach Restaurant Tree, Sand, Chair, Table Частота слов на рассматриваемо м изображении Определение слов Количество вхождений
- 14. 14 Пример 3 § Classification Learner App § Мешок слов
- 15. 15 План Использование машинного и глубокого обучения для ответа на следующие вопросы: Где я? На что я смотрю?
- 16. 16 Рабочий процесс машинного обучения ‘Кот’ Обучаемые данные Извлечение характеристик Тестовые данные Модель классификации
- 17. 17 Рабочий процесс глубокого обучения ‘Кот’ Обучаемые данные Извлечение характеристик Тестовые данные Модель классификации
- 18. 18 Рабочий процесс глубокого обучения ‘Кот’ Обучаемые данные Тестовые данные Convolutional Neural Network (CNN) Feature Learning & Classification
- 19. 19 Подход в глубоком обучении … 𝟗𝟓% 𝟑% l l 𝟐% Truckû Car ü Bicycleû l l Convolutional Neural Network (CNN) характеристики 1. Обучить глубокую сеть с нуля Большие объемы данных New Task Точная настройка весов сети Печеньеû Торт üПредварительно обученная CNN Средние объемы данных 2. Тонкая настройка предварительно подготовленной модели (передача обучения)
- 20. 20 Подход к Deep Learning Подход 1: Обучение с нуля Данные От 1000 до миллиона размеченных изображений Вычисления Расчеты интенсивные (требуется GPU) Время обучения От нескольких дней до нескольких недель для реальных задач Точность модели Высокая (можно переобучиться на малом наборе) Рекомендовано в случаях: … 𝟗𝟓% 𝟑% l l 𝟐% Truckû Car ü Bicycleû l l Сверточная сеть (CNN) Характеристики
- 21. 21 Демо 4 Тонкая настройка предварительно обученной модели(Transfer learning) Пред обученная CNN (AlexNet – 1000 классов) Яичница Сырная тарелка Новая задача – 4 класса для классификации Яблочный пирог Карпаччо
- 22. 22 Демонстрация 4 § Использование хороших данных § Transfer Learning
- 23. 23 Комбинирование глубокого и машинного обучения Feature Learning Classification& Deep Learning Machine Learning
- 24. 24 Демонстрация #5: Классификация сцены Поле Лес Шоссе Кухня Машинное и глубокое обучение
- 25. 25 яя Контакты Центр Инженерных Технологий и Моделирования инженер ЦИТМ Экспонента Контакты Москва, Дербеневская наб. 7 стр.8 +7 (495) 232 00 23 доб. 1050 +7 (903) 678 89 83 bagrov@sl-matlab.ru Pavel.Roslovets@sl-matlab.ru Exponenta.ru