Download to read offline
More Related Content
Similar to CCI 2019 - Exploiting Custom Vision SDK in Python to create an efficient image classifier
CCI 2019 - Exploiting Custom Vision SDK in Python to create an efficient image classifier
- 1.
- 2. EXPLOITING CUSTOM VISIONSDK IN PYTHON TO CREATE AN EFFICIENT IMAGE CLASSIFIER Lucrezia Noli
- 3. Introduzione alla Data Science Deep Learning Demo - MachineLearning - Predictive Analytics - Big Data - Artificial Intelligence - Computer vision - Convolutional Neural Networks - Image classification with CNNs - Image classification with Custom Vision AGENDA
- 4. WHO AM I? LucreziaNoli Lucrezia.noli@dataskills.it Current roles Big Data Scientist atDataskills Academic Fellow at Bocconi University Curricular course: Computer Science Extracurricular course: Big Data Analytics Previous roles Business Development Manager at Metail,London Education Bocconi University Bachelor in Finance Master in Economics of Innovation & Technology Master Thesis: «Machine Learning Techniques to Investigate the ALS Disease» Won second prize of PRISLA competition for research on ALS disease
- 5. DATASKILLS Specializzati nella creazionedi soluzioni innovative nelle quattro aree principali della Data Science. • Come trasformare dati e informazioni in conoscenza BUSINESS INTELLIGENCE PREDICTIVE ANALYTICS • Come estrarre in maniera automatica le relazioni esistenti tra i driver dell’attività di business in questione, per creare insights prontamente attuabili BIG DATA • Come analizzare e dare un senso a immense moli di dati • Come sfruttare i dati provenienti da device interconnessi IOTANALYTICS 25 Anni di esperienza 40 Clienti attivi 3 Libri di Data Science pubblicati 3 Professori all’Università Bocconi F O R M A Z I O N E
- 6. MACHINE LEARNING “ Processotramite il quale una macchina impara a svolgere una funzione senza essere specificamente programmata” “ Processo tramite il quale una macchina impara a svolgere una funzione senza essere specificamente programmata” Tramite il Machine Learning un computer può risolvere molteplici compiti diversi, senza che il programmatore debba specificare tutti i parametri che caratterizzano il dato compito GENERICITA’ “A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E.” Tom M. Mitchell APPRENDIMENTO
- 7. 1. 2. 3. APPRENDIMENTO SUPERVISIONATO / NONSUPERVISIONATO RAPPRESENTAZIONE DEL PROBLEMA CLASSIFICAZIONE / REGRESSIONE /CLSUTEIRNG CONFRONTO PREVISIONE & REALTA’ VALUTAZIONE DELLA PERFORMANCE METRICHE STATISTICHE MINIMIZZAZIONE FUNZIONE DICOSTO OTTIMIZZAZIONE DEI PARAMETRI RICERCA DELL’OTTIMO
- 8.
- 9. ANALISI PREDITTIVA Che tipodi problema vogliamo risolvere? Regressione? Classificazione? Clustering? Quali algoritmi sono appropriati per risolvere il problema definito? Quanto sono dispendiosi computazionalmente? Abbiamo i supporti HW e SW appropriati? Che uso vogliamo fare delle previsioni fornite dal modello? Azione automatica Direttiva a determinati team Inclusione nei processi aziendali
- 10. PREDICTIVE ANALYTICS Estrazione informazioni conoscenza da di e una tramite Machine base dati, tecnichedi Learning P ESISTENZA DI DATI STORICI, che vengono studiati per capire quali interazioni tra variabili di input hanno causato un certo output SCOPO DI PREVEDERE quale sarà lo stato dei fatti nel futuro ANALISI PREDITTIVA
- 11.
- 12. “Data of avery large size, typically to the extentthat its manipulation and management present significant logistical challenges.” Oxford English Dictionary “An all-encompassing term for any collection of datasets so large and complex that it becomes difficult to process using on-hand data management tools or traditional data processing applications.” Wikipedia “…data sets are generallyquite large, taxing the capacities of main memory, local disk, and even remote disk. We call this the problem of bigdata” Cox, Ellsworth – NASA 1997 McKinsey 2011 “datasets whose size is beyond the ability of typical databasesoftware tools to capture, store, manage, and analyze,” 2013 “…things one can do ata large scale that cannot be done at a smaller one, to extract new insights or create new forms ofvalue.” Mayer-Schönberger Cukier Big Data described by the 3Vs: Volume, Velocity, Variety Doug Laney -Gartner 2001 BIG DATA
- 13.
- 14. ARTIFICIAL INTELLIGENCE 1. Ilfine ultimo dell’intelligenza artificiale è creare sistemi che funzionino intelligentemente ed autonomamente 2. Essendo macchina più intelligente al momento, l’essere umano la che le dell’intelligenza conosciamo caratteristiche artificiale si possono spiegare come parallelismi con l’operato umano 14
- 15.
- 16. SCRIVERE E LEGGERE NATURALLANGUAGE PROCESSING ARTIFICIAL INTELLIGENCE
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23. IMAGE RECOGNITION WITHDEEP LEARNING Architetture formate da insieme di trasformazioni matematiche, di carattere non lineare, che desumono automaticamente e in modo gerarchico caratteristiche all’interno di un insieme di dati
- 24.
- 25.
- 26.
- 27. SCENARIO 1: QUALITYCONTROL Scopo: analizzando immagini o video del pezzo prodotto, identificare in real time se sono presenti difetti QUALITY CONTROL
- 28. Scopo: contare il numero dielmetti a seconda di quante sono nell’area persone presenti di lavoro SAFETY CHECKING OPERATIONG
- 29. SCENARIO 2: OBJECTIDENTIFICATION Scopo: Identificare oggetti che non dovrebbero essere presenti nell’area di lavoro
- 30. Scopo: analizzando i video fornitidalle telecamere in real-time, si vuole identificare se ci sono «intrusi», o se alcune persone si trovano in zone vietate INTRUSION CHECKS
- 31.
- 32. 1950-60 Studidi Hubel & Wiesel sul funzionamento della corteccia visiva CONVOLUTIONAL NEURAL NETWORKS
- 33. CONVOLUTIONAL NEURAL NETWORKS Lacorteccia visiva è organizzata gerarchicamente in livelli I primi livelli individuano le caratteristiche più semplici, i seguenti quelle più complesse HIERARCY SPATIALINVARIANCE RECEPTIVE FIELD
- 34. CONVOLUTIONAL NEURAL NETWORKS FORCLASSIFICATION TASKS
- 35. CONVOLUTIONAL NEURAL NETWORKS 1.CONVOLUTION2.POOLING 3.FLATTENING 4.FULL CONNECTION
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
- 46.
- 47. TRANSFER LEARNING “Pre-trained modelsused with minor modification on wholly new predictive modeling tasks, harnessing the state- of-the-art feature extraction capabilities of proven models” “Transfer learning is a machine learning method where a model developed for a task is reused as the starting point for a model on a second task” OXFORD VGGMODEL GOOGLE INCEPTION MODEL MICROSOFT ResNetMODEL
- 48.
- 49.
- 50.
- 51.
- 52.
- 53.
- 54.
- 55. DEMO ZUCCA POMODORO ANGURIA TRAININGSET 600 IMMAGINI TEST SET 150 IMMAGINI
- 56.
- 57.
- 58.
- 59.