A gépi tanulás az, amikor a gép tanul... ok de mit, meg hogyan, egyáltalán ki tanítja. Vegyünk egy datasetet, azaz pl. egy táblázatot rengeteg adattal. Az egyik ilyen híres dataset pl. a bostoni házak árát tartalmazza sok más adattal együtt. Pl. a szobák számat, a környéken a bűnözési adatokat az épület életkorát vagy akár a nitrogén oxid koncentráció számát.
A cél az, hogy ha megadnánk egy olyan ház adatát, ami nem szerepel a táblázatban, akkor mégis mennyi lenne az ára.
A tanulás itt jön képbe, hiszen adunk neki néhány adatot vagy szakszóval élve feature-t, egyszerűen fogalmazva, néhány oszlopot tulajdonságokkal és párba állítjuk az árral. Ezt hívjuk labelnek. Tehát keressük az összefüggést, hogy ház tulajdonságaiból, hogyan képződik az ár. Azért tanulás, mert mi nem "programozzuk be az" az összefüggéseket" hogy pl. amelyiknek sok szobája van és alacsony a nitrogén koncentráció és kicsi a bűnözés az sokat ér. Lehet hogy éppen ez a helyzet, de még sem mi mondjuk meg.
A bevezető után mi a computer vision-re fókuszálunk és neurális hálókat tanítunk be képek felismerésére. Ezen a tanfolyamon a Fast.ai keretrendszerét használjuk első hálózatunk betanítására, ami természetesen a klasszikus: macska vagy kutya van a képen?
1. Bevezetés a deep learningbe
2. Mi az a gépi tanulás? (machine learning)
3. Classification típusú feladatok
4. A nagy mesterséges intelligencia állatkert
5. MNIST dataset táblázatosan
6. Deep learninghez frameworkök
7. Oxford pets dataset
8. Dataset megvizsgálása
9. Dataloader
10. Hálózat tanítása
11. Ez egy macska?
12. Hálózat tesztelése rókával
13. Több kategória
14. Több label tesztelése
15. Hasonló macskák pl. ragdoll
17. És ha rossz a label?
18. Hálózat tanítása hosszabban
19. Hálózat elmentése
20. Hálózat betöltése
Project letöltése
Péter Litkei
