Тема доклада является логическим продолжением выступления Александра Бакулина в области робототехники и посвящена актуальной на сегодняшний момент проблеме технического зрения
Тема доклада является логическим продолжением выступления Александра Бакулина в области робототехники и посвящена актуальной на сегодняшний момент проблеме технического зрения
Лекция №12 "Ограниченная машина Больцмана" Technosphere1
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №12 "Ограниченная машина Больцмана"
Лектор - Павел Нестеров
Нейросетейвой автоэнкодер. Стохастические и рекурентные нейронные сети. Машина Больцмана и ограниченная машина Больцмана. Распределение Гиббса. Алгоритм contrastive divergence для обучения РБМ. Сэмплирование данных из РБМ. Бинарная РБМ и гауссово-бинарная РБМ. Влияние регуляризации, нелинейное сжатие размерности, извлечение признаков. Semantic hashing.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Презентация с бесплатного вебинара по когортному анализу, который прошел 11 марта.
Ведущий вебинара: Алексей Куличевский, директор Oh My Stats.
Специальный гость Даниил Шулейко, директор по маркетингу Delivery Club.
Лекция №12 "Ограниченная машина Больцмана" Technosphere1
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №12 "Ограниченная машина Больцмана"
Лектор - Павел Нестеров
Нейросетейвой автоэнкодер. Стохастические и рекурентные нейронные сети. Машина Больцмана и ограниченная машина Больцмана. Распределение Гиббса. Алгоритм contrastive divergence для обучения РБМ. Сэмплирование данных из РБМ. Бинарная РБМ и гауссово-бинарная РБМ. Влияние регуляризации, нелинейное сжатие размерности, извлечение признаков. Semantic hashing.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Презентация с бесплатного вебинара по когортному анализу, который прошел 11 марта.
Ведущий вебинара: Алексей Куличевский, директор Oh My Stats.
Специальный гость Даниил Шулейко, директор по маркетингу Delivery Club.
Как изменить свое отношение к деньгам? 47 негативных убеждений по поводу денег (по Джо Витале). На какие позитивные и рациональные убеждения их можно заменить.
Руководство по обучению сверточной нейронной сети для поиска ключевых точек о...Azoft
В нашем руководстве вы узнаете, как получить модель свёрточной нейронной сети для поиска ключевых точек объекта на изображении. В качестве объекта исследования нами были выбраны автомобильные номера. Представленное руководство также может быть использовано для поиска других объектов.
Это руководство является дополнение к публикции "Локализация объектов на изображении методом свёрточных нейронных сетей", с которой вы можете ознакомиться: http://www.azoft.ru/blog/lokalizaciya-obektov-na-izobrazhenii-metodom-svyortochnyx-nejronnyx-setej/
hse{sun} Экономика стартапа и метрики: как помочь проекту найти цель и эффект...Business incubator HSE
Летняя школа hse{sun} 2015
Экономика стартапа и метрики: как помочь проекту найти цель и эффективно к ней идти
Илья Красинский (Magic Inc, Фонд развития интернет-инициатив - http://www.iidf.ru/startups/accel/)
For all the attention given to design and UX in recent years, here’s the truth: Most companies are not set up to truly deliver an experience. Consider the rich, nuanced experiences we’ve come to expect from more mature mediums like film or game design. These experiences makes us feel, in deep and profound ways. But pulling this off requires a constant orchestration of things at the systems-level and a laser focus on incredibly fine emotional details. And speaking frankly, things like “feelings” “experiences” and “emotions” — these are intangible things. Businesses are trained to prioritize, quantify, and measure tangible things, that promise a clear payoff. We pit belief–about what will create a great customer experience— against data. Is there a reconciliation between these two mindsets?
In this session on design leadership, speaker Stephen P. Anderson will share his experiences, both as a consultant and as part of an executive team, trying to balance the needs of the business with needs of the customer. He’ll share a model — adapted from game design — that offers to balance theses kinds of “art and science” issues, promising to bring together cross-functional teams and reconcile competing interests. Taking cues from game design, this new model will give you a constructive way to think about everything from designing for emotional needs to tracking key metrics to discerning between “little e” experiences and the “Big E” experience. Walk away with a framework you can use to balance what’s right for the business with what’s right for the customer.
Domain-тестирование – формальное название методики тестирования, за которым скрывается банальная работа с классами эквивалентности. Впрочем, не такая уж и банальная. Даже в популярной литературе по тестированию часто упоминают только о существовании классов эквивалентности и о том, что с их граничными значениями работать очень полезно.
Мы знакомимся с основами этой методики, когда делаем первые шаги в тестировании, и больше никогда о ней не задумываемся, наивно считая, что она попала в нашу зону неосознанной компетентности и мы всегда используем ее правильно. А так ли это?
Ключевые идеи алгоритмов обучения по прецедентам и почему про них следует помнить при выборе алгоритма и его настройке, поиске оптимальных параметров. Какие подходы позволяют повысить качество модели, какие программные средства удобно использовать при проведении экспериментов и где спрятаны любимые “грабли”.
5. Задача Разделить изображение на области связанные между собой по определенным признакам Часто сегментация зависит от задачи 5
6. Типы сегментации Бинарная Области Примитивы Вопрос: Как бы вы сформулировали что такое хорошая сегментация? 6
7. Хорошая сегментация Области сегментированного изображения должны быть однородны по некоторому признаку Внутренние части сегментированных областей должны иметь простую форму и не содержать большого количества мелких отверстий Смежные сегменты должны существенно отличаться по выбранному признаку 7
8. Пространства Чтобы разделить изображение на области нам нужно выбрать признаки по которым будем делить. Вопрос: Какие пространства можно использовать? 8
15. Бинарная сегментация Разделить на два класса: обычно объект фон Обычно выбирается порог l из промежутка [0..255] Если значение яркости пикселя больше порога то присваиваем значение 1, иначе 0 15
27. Адаптивная бинаризация Для окрестности R пикселя I(x,y) вычисляется порог T Если I(x,y) > T + C, то B(x,y)=1 иначе B(x,y) = 0 T – среднее по области R T – медианна T – (max – min)/2 C – произвольная константа 27
31. K-means (К средних) Выбираем случайно K точек в нашем векторном пространстве Для всех точек из выборки приписываем их к классу к которому они ближе всего Пересчитываем центры кластеровна шаг 2 Останавливаемся, когда смещения всех центров масс меньше порога или истекло кол-во итераций 31 Matlab: Demo
39. Методы основанные на разбиении графа X(i) – место расположение узла I F(i) – вектор признаков Для полутоновых изображений F(i) = I(i) Для цветных F(i)=[v,v*s*sin(h),v*s*cos(h)](i), где h,s,v – цветовая кодировка HSV 39
43. Реализация OpenCV grabCut(Входное изображение, маска в которой выделены области принадлежащие объекту и фону, прямоугольник внутри которого содержится объект, Выходная маска фона (можно подавать существующую для уточнения), Выходная маска переднего плана, К-во итераций, Режим см. док) См. пример samples/grabcut.cpp 43
44. Выделение краев Задача: Выделить точки по которым проходит разрыв яркости Прямое решение: Взять градиент, например оператор prewittи потом выделить по порогу Вопрос: чем такое решение плохо? 44
49. Шаги алгоритма Сгладить изображение Гауссом Вычисляем направление градиента и силу градиента Утончаем границы (supress_nonmaxima) Следуем вдоль границ 49
50. Утончение границы (supress_nonmaxima) Если по направлениям градиента (+,-) существует значение с силой больше чем в интересующей точки, то обнуляем точку 50 Вопрос: Почему по направлению градиента а не по области?
51. Следовать вдоль границ Ищем во всем изображении точки, в которых сила градиента больше порога Th Найдя такую точку идем помечаем ее как точку контура и проверяем соседние точки Если есть точки больше порога Tlто переходим в эту точку (шаг 2) 51
53. Обнаружение прямых Задача обнаружить прямы на изображении Вопрос: Чем плох прямой подход как в операторе Кенни? 53
54. Преобразование Хафа (Hough) Идея: Перевести черно-белое изображение в пространство параметров прямой Создать новое изображение с параметрами угол и расстояние 54
55. Преобразование Хафа (Hough) for i=1:N for j=1:M di=rowgrad(I,i,j) dj=colgrad(I,i,j) θ=atan2(di,dj) //Угол r = |i*cos(θ)-j*sin(θ)|//Расстояние A(r, θ)+=(|di|+|dj|)/2//Сила градиента end end A – выходной массив 55