Jako, że na blogu umieszczam materiały o różnym poziomie zaawansowania tutaj zebrałem posty, które proponuję początkującym. Ich kolejność jest dobrana tak, aby poznawanie otoczenia przetwarzania obrazów, wykorzystywania i uczenia modeli sieci neuronowych było łatwe i przyjemne.
- Intro: Computer Vision
- Konfiguracja środowiska
- OpenCV: podstawy
- Dataset: Skany histopatologiczne
- Binarna klasyfikacja obrazów (także: instalacja TensorFlow/Keras)
- Dataset: MNIST
- Sieci konwolucyjne
- Jak testować wyuczony model? (Train/Val/Test)
(więcej postów wkrótce)
W nurcie pozwalającym na regularną naukę pojawią się między innymi:
- walidacja krzyżowa (cross-validation)
- dzielenie niezbalansowanego zbioru uczącego
- regularyzacja sieci
- augmentacja danych
- metryki binarne
- klasyfikacja wielu klas obrazu
- opisy funkcji aktywacji
- wyjaśnienie entropii krzyżowej
- wizualizacja danych z użyciem TSNE
- transfer learning
- standardowe modele klasyfikacyjne
- detekcja obiektów
- wdrażanie modeli z użyciem TFLite
- uruchamianie modeli na Google Coral