Details of Lazy Deep Learning for Images Recognition in ZZ Photo appPAY2 YOU
В докладе представлена тема глубокого обучения (Deep Learning) для распознавания изображений. Рассматриваются практические аспекты обучения глубоких сверточных сетей на GPU, обсуждается личный опыт портирования обученных нейросетей в приложение на основе библиотеки OpenCV, проводится сравнение полученного детектора домашних животных на основе подхода Lazy Deep Learning с детектором Виолы-Джонса.
Докладчики: Артем Чернодуб – эксперт в области искусственных нейронных сетей и систем искусственного интеллекта. В 2007 году закончил Московский физико-технический институт. Руководит направлением Computer Vision в компании ZZ Wolf, а также по совместительству работает научным сотрудником в Институте проблем математических машин и систем НАНУ.
Юрий Пащенко – специалист в области систем машинного зрения и машинного обучения, магистр НТУУ «Киевский Политехнический Институт», факультет прикладной математики (2014). Работает в компании ZZ Wolf на должности R&D Engineer.
What one needs to know to work in Natural Language Processing field and the aspects of developing an NLP project using the example of a system to identify text language
Details of Lazy Deep Learning for Images Recognition in ZZ Photo appPAY2 YOU
В докладе представлена тема глубокого обучения (Deep Learning) для распознавания изображений. Рассматриваются практические аспекты обучения глубоких сверточных сетей на GPU, обсуждается личный опыт портирования обученных нейросетей в приложение на основе библиотеки OpenCV, проводится сравнение полученного детектора домашних животных на основе подхода Lazy Deep Learning с детектором Виолы-Джонса.
Докладчики: Артем Чернодуб – эксперт в области искусственных нейронных сетей и систем искусственного интеллекта. В 2007 году закончил Московский физико-технический институт. Руководит направлением Computer Vision в компании ZZ Wolf, а также по совместительству работает научным сотрудником в Институте проблем математических машин и систем НАНУ.
Юрий Пащенко – специалист в области систем машинного зрения и машинного обучения, магистр НТУУ «Киевский Политехнический Институт», факультет прикладной математики (2014). Работает в компании ZZ Wolf на должности R&D Engineer.
What one needs to know to work in Natural Language Processing field and the aspects of developing an NLP project using the example of a system to identify text language
Распознавание лиц в реальном времени по базам фотографий глобального масштаба...Ontico
Наш алгоритм по распознаванию лиц может осуществлять поиск по миллиардам фотографий за доли секунды с высокой точностью. Уже сейчас работает решение, которое осуществляет поиск по базе в 300 млн. фотографий меньше чем за секунду и держит нагрузку 50 запросов в секунду на 5 амазоновских серверах.
Solit 2014, MapReduce и машинное обучение на hadoop и mahout, Слисенко Конста...solit
Слисенко Константин, Минск. Компания JazzTeam, Senior Software Engineer
«Scrum для большого проекта. Как это работает на практике». Development секция. Agile отделение.
«MapReduce и машинное обучение на Hadoop и Mahout». Development секция. Для разработчиков. Высокий уровень подготовки.
Алгебраический подход к анализу данных и его приложенияАлександр Дьяконов
Доклад на конференции профессоров РАН по Отделению математических наук РАН.
15 июня 2016 г. 15:25, г. Москва, ул. Губкина, д. 8, Математический институт имени В. А. Стеклова Российской Академии наук
http://www.mathnet.ru/conf908
Описан алгоритм, занявший второе место на соревновании
CardioQvark. Подробное описание - см. в отчёте https://alexanderdyakonov.wordpress.com/2016/04/03/%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BA%D1%83%D1%80%D0%B8%D0%BB%D1%8C%D1%89%D0%B8%D0%BA%D0%B0/
код - https://github.com/Dyakonov/cardioqvark
Machine learning with Python / Олег Шидловский / Doist [Python Meetup 27.03.15] Python Meetup
Machine learning with Python / Олег Шидловский / Web developer Doist
Олег расскажет о базовых концепциях Machine learning и покажет примеры работы с библиотеками, при помощи которых можно легко решать задачи, связанные с машинным обучением.
Python Meetup - встречи минского сообщества любителей языка программирования Python.
Присоединяйся к нам!
Мы в twitter: https://twitter.com/pythonminsk
Мы на youtube: http://www.youtube.com/pythonMinsk
Мы на slideshare: http://www.slideshare.net/MinskPythonMeetup
Reinforcement learning is an area of machine learning inspired by behaviorist psychology, concerned with how software agents ought to take actions in an environment so as to maximize some notion of cumulative reward.
Слайды доклада "Машинное обучение на платформе .NET" с Global IT Meetup. Запись доклада доступна по ссылке:
https://www.youtube.com/watch?v=rmkbb2MutOo
Распознавание лиц в реальном времени по базам фотографий глобального масштаба...Ontico
Наш алгоритм по распознаванию лиц может осуществлять поиск по миллиардам фотографий за доли секунды с высокой точностью. Уже сейчас работает решение, которое осуществляет поиск по базе в 300 млн. фотографий меньше чем за секунду и держит нагрузку 50 запросов в секунду на 5 амазоновских серверах.
Solit 2014, MapReduce и машинное обучение на hadoop и mahout, Слисенко Конста...solit
Слисенко Константин, Минск. Компания JazzTeam, Senior Software Engineer
«Scrum для большого проекта. Как это работает на практике». Development секция. Agile отделение.
«MapReduce и машинное обучение на Hadoop и Mahout». Development секция. Для разработчиков. Высокий уровень подготовки.
Алгебраический подход к анализу данных и его приложенияАлександр Дьяконов
Доклад на конференции профессоров РАН по Отделению математических наук РАН.
15 июня 2016 г. 15:25, г. Москва, ул. Губкина, д. 8, Математический институт имени В. А. Стеклова Российской Академии наук
http://www.mathnet.ru/conf908
Описан алгоритм, занявший второе место на соревновании
CardioQvark. Подробное описание - см. в отчёте https://alexanderdyakonov.wordpress.com/2016/04/03/%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BA%D1%83%D1%80%D0%B8%D0%BB%D1%8C%D1%89%D0%B8%D0%BA%D0%B0/
код - https://github.com/Dyakonov/cardioqvark
Machine learning with Python / Олег Шидловский / Doist [Python Meetup 27.03.15] Python Meetup
Machine learning with Python / Олег Шидловский / Web developer Doist
Олег расскажет о базовых концепциях Machine learning и покажет примеры работы с библиотеками, при помощи которых можно легко решать задачи, связанные с машинным обучением.
Python Meetup - встречи минского сообщества любителей языка программирования Python.
Присоединяйся к нам!
Мы в twitter: https://twitter.com/pythonminsk
Мы на youtube: http://www.youtube.com/pythonMinsk
Мы на slideshare: http://www.slideshare.net/MinskPythonMeetup
Reinforcement learning is an area of machine learning inspired by behaviorist psychology, concerned with how software agents ought to take actions in an environment so as to maximize some notion of cumulative reward.
Слайды доклада "Машинное обучение на платформе .NET" с Global IT Meetup. Запись доклада доступна по ссылке:
https://www.youtube.com/watch?v=rmkbb2MutOo
Для эффективной борьбы с большими данными одних технологий недостаточно. Необходим правильный настрой по отношению к ним, позволяющий видеть перспективы и особенности их использования. В данном рассказе предлагается точка зрения на совокупность проблем больших данных и их возможные пути разрешения. Рассказ построен на конкретных примерах из личной практики.
Целевая аудитория доклада, ее примерный уровень: аналитики, менеджеры ИТ, CTO.
Машинное обучение в электронной коммерции — практика использования и подводны...Ontico
HighLoad++ 2017
Зал «Найроби+Касабланка», 7 ноября, 16:00
Тезисы:
http://www.highload.ru/2017/abstracts/2851.html
Анализ, проектирование, разработка и эксплуатация моделей предиктивной аналитики в Битрикс24.
В докладе расскажем, как мы создали несколько хайлоад-моделей для предсказания платных клиентов, потенциальной прибыли клиентов и клиентов, вероятно покидающих сервис. Поделимся опытом выбора алгоритмов, библиотек, тонкой настройки моделей в Spark MLib, фильтрации и обработки бигдаты на кластерах Spark в Amazon Web Services и всем тем, что необходимо для доведения "предиктивных" моделей до работающего при высоких нагрузках сервиса.
Самое важное в докладе - опыт доведения алгоритмов до прикладного бизнес-применения, тонкости и техники выжимания из данных самой ценной информации.
Как начать моделировать? Переход от текстов к моделям в требованиях (Григорий...Alexander Orlov
Как начать моделировать? Переход от текстов к моделям в требованиях
Ведущие мастер-класса:
Григорий Печенкин – аналитик службы бизнес-процессов Colvir Software Solutions.
Несколько фактов об опыте тренера:
Более 20 лет в IT. В начале карьеры служил в ВВС, где занимался разработкой и испытаниями автоматизированных систем управления оружием и познакомился с “тяжёлыми” методологиями разработки ПО во всей их красе. После увольнения из армии прошёл путь от программиста до руководителя ключевого направления разработки ПО.
Живо интересуюсь всеми аспектами профессиональной разработки ПО. Приверженец гибких подходов к разработке. Часто выступаю на профессиональных софтверных конференциях.
Активный участник Сообщества системных аналитиков. Убеждён, что ключ к успеху программных проектов – это качественный анализ и проработка требований.
Ирина Сурова – teamlead команды системных аналитиков в Лаборатории Касперского, активный участник Cообщества аналитиков uml2.ru.
Несколько фактов об опыте тренера:
Более 10 лет в IT, в основном в продуктовой разработке (коробочные продукты для частных лиц и корпоративных заказчиков, кастомизация их под конкретных клиентов). Работала в тестировании (от тестировщика до начальника отдела), создавала технологию производства ПО, сейчас занимаюсь как разработкой системных требований, так и методологической поддержкой процессов системного анализа.
Сфера интересов: методология системного анализа и ее применение на практике, методология процессов производства программного обеспечения, инструментальная поддержка процессов производства ПО.
Докладчик на ЛАФ 2010, 2011, SEF и мероприятиях сооб
Нейросетевые системы автоматического распознавания морских объектовNatalia Polkovnikova
Полковникова Н.А. Нейросетевые системы автоматического распознавания морских объектов // Эксплуатация морского транспорта. Гос. морской университет им. адмирала Ф.Ф. Ушакова, Новороссийск. – 2020, №1(94). – C. 207-219.
Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)motivnt
Презентация к докладу на Одиннадцатой Всероссийской научно-практической конференции "Перспективные системы и задачи управления" Россия, г. Евпатория, Республика Крым с 4 по 8 апреля 2016 г.
1. Машинное обучение
Распознавание рукописных цифр
Бабий А.С. - apratster@gmail.com
2. Задача распознавания.
Уже существует поддержка рукописного ввода
Как это работает?
Почему иногда не срабатывает?
Как обучать готовые программы?
Как научиться самому создавать обучаемые программы?
Машинное обучение. Распознавание рукописных цифр. 2
3. Задача распознавания.
Этапы решения задачи распознавания:
1) Где взять выборки?
Создаем тестовую
2) Размер выборок?
и обучающую выборки
3) Что внутри выборок?
1) Подготовка данных.
Выделяем признаки 2) Как сравнивать объекты?
3) Как искать признаки?
Выделяем классы 1) Как определить качество кластеризации?
2) Когда остановиться
Классифицируем 1)Какой алгоритм классификации выбрать?
Машинное обучение. Распознавание рукописных цифр. 3
4. Задача распознавания.
1. Kaggle – что это? We’re making data science a sport.
2. Как научиться? Где соревноваться? http://www.kaggle.com
Машинное обучение. Распознавание рукописных цифр. 4
5. Задача распознавания
Выборка:
Данные для этой задачи взяты из набора данных MNIST
http://yann.lecun.com/exdb/mnist/
Обучающая выборка - 60000 образцов
таблица с результатами применения методов
+
Ссылки на публикации с описанием методов
Машинное обучение. Распознавание рукописных цифр. 5
6. Предварительная обработка данных
Матрица 28х28, цвет в градации серого от 0 до 255
1) Переходим к черно-белому изображению(адаптивный порог, метод
Оцу[1])
2) Морфологическое преобразование – уменьшаем до толщины 1
пиксела[2].
Машинное обучение. Распознавание рукописных цифр. 6
7. Предварительная обработка данных
Наклон символа – находим эллипс максимально близкий к нашему символу
Есть функция в OpenCV, Matlab b т.п. Используется метод наименьших квадратов
Машинное обучение. Распознавание рукописных цифр. 7
8. Предварительная обработка данных
Число Эйлера
Дополнительные значимые свойства?
1) Симметрия
2) Расположение «центра масс» цифры
Машинное обучение. Распознавание рукописных цифр. 8
9. Предварительная обработка данных
На вход сети подаются такие данные:
1) Данные о пикселах(bw) после обработки 16х16
2) Число Эйлера
3) Треть в которой расположен «центр масс»
Все данные нормализованы!
Машинное обучение. Распознавание рукописных цифр. 9
10. Создание сети
В зависимости от наших предпочтений, можем выбрать
1) Matlab
2) R, Python + libraries
Для Matlab – nftool, довольно все просто понятно, мастер ИНС
Библиотеки для создания ИНС
Fast Artificial Neural Network Library
(FANN)
http://leenissen.dk
Kohonen neural network library
http://knnl.sourceforge.net/
Python! Neurolab
http://code.google.com/p/neurolab/
Машинное обучение. Распознавание рукописных цифр. 10
11. Создание сети
Выбор размера скрытого слоя ИНС
Слишком мало нейронов скрытого слоя – плохо
Слишком много мало нейронов скрытого слоя - плохо
Как подобрать?
Мера Вапника-Червоненкиса
Один из методов редукции сети
Перебор возможных вариантов, ГА
Машинное обучение. Распознавание рукописных цифр. 11
12. Создание сети
Пути улучшения:
Машинное обучение. Распознавание рукописных цифр. 12
13. Выводы
1. Важно определить стойкие признаки
2. Нормализация данных
3. ИНС – не всегда срабатывает лучше других методов!
4. Обучение - долгий процесс
Понимание сути задачи первично для анализа данных
Как автоматически(полуавтоматически) выявлять признаки?
Качество распознавания персептроном - 88%
Машинное обучение. Распознавание рукописных цифр. 13
14. Результаты
Машинное обучение. Распознавание рукописных цифр. 14
15. Результаты
Машинное обучение. Распознавание рукописных цифр. 15
16. Результаты
Машинное обучение. Распознавание рукописных цифр. 16
17. Результаты
Машинное обучение. Распознавание рукописных цифр. 17
19. Источники литературы
1. Otsu, N., "A Threshold Selection Method from Gray-Level Histograms," IEEE Transactions
on Systems, Man, and Cybernetics, Vol. 9, No. 1, 1979, pp. 62-66.
2. Lam, L., Seong-Whan Lee, and Ching Y. Suen, "Thinning Methodologies-A Comprehensive
Survey," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 14, No. 9,
September 1992, page 879, bottom of first column through top of second column.
3. http://leenissen.dk
4. http://knnl.sourceforge.net/
5. http://code.google.com/p/neurolab/