AI харааны загварыг сургахад ашигласан зургийн тоог хэрхэн тодорхойлох вэ?
Хиймэл оюун ухаан, машин сургалтын чиглэлээр, ялангуяа TensorFlow болон түүнийг компьютерийн хараанд хэрэглэх хүрээнд загвар сургахад ашигласан зургийн тоог тодорхойлох нь загвар боловсруулах үйл явцын чухал хэсэг юм. Энэ бүрэлдэхүүн хэсгийг ойлгох нь сургалтын өгөгдлөөс үл үзэгдэгчийг нэгтгэх загварын чадавхийг ойлгоход зайлшгүй шаардлагатай.
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow-ийн танилцуулга, ML бүхий компьютерийн үндсэн алсын хараа
AI харааны загварыг сургахдаа сургалтын эрин үе бүрт өөр өөр зураг ашиглах шаардлагатай юу?
Хиймэл оюун ухааны салбарт, ялангуяа TensorFlow ашиглан компьютерийн алсын хараатай даалгавруудыг шийдвэрлэхэд загвар сургах үйл явцыг ойлгох нь оновчтой гүйцэтгэлд хүрэхэд чухал ач холбогдолтой юм. Энэ нөхцөлд гарч ирдэг нийтлэг асуулт бол сургалтын үе шат бүрт өөр өөр зургуудыг ашигладаг эсэх явдал юм. Үүнийг шийдвэрлэхийн тулд
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow-ийн танилцуулга, ML бүхий компьютерийн үндсэн алсын хараа
Хувиралт мэдрэлийн сүлжээ өөр хэмжээс нэмэхгүйгээр өнгөт дүрсийг таньж чадах уу?
Convolutional Neural Networks (CNNs) нь угаасаа өндөр, өргөн, өнгөт суваг гэсэн гурван хэмжээст дүрслэлээс гадна нэмэлт хэмжээс нэмэх шаардлагагүйгээр өнгөт зургийг боловсруулах чадвартай. Нэмэлт хэмжээс нэмэх ёстой гэсэн буруу ойлголт нь CNN олон сувгийн оролтын өгөгдлийг хэрхэн зохицуулдаг талаар төөрөгдлөөс үүдэлтэй. Зургийн стандарт дүрслэл -
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/DLPP Python ба PyTorch програмтай гүнзгий суралцах, Конволюцийн мэдрэлийн сүлжээ (CNN), Сургалтын Convnet
Машины сургалт яагаад чухал вэ?
Machine Learning (ML) нь хиймэл оюун ухааны (AI) чухал хэсэг бөгөөд янз бүрийн салбар дахь хувиргах чадавхаасаа шалтгаалан ихээхэн анхаарал хандуулж, хөрөнгө оруулалт татсан. Түүний ач холбогдлыг хүний оролцоо багатайгаар өгөгдлөөс суралцах, хэв маягийг тодорхойлох, шийдвэр гаргах боломжийг системд олгох чадвараараа онцолж байна. Энэ чадвар нь ялангуяа чухал ач холбогдолтой юм
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GCML Google Cloud Machine Learning, Оршил, Машины сургалт гэж юу вэ
Хавтгай дүрсний шугаман дүрслэлийг хэрхэн ойлгох вэ?
Хиймэл оюун ухааны (AI), ялангуяа Python болон PyTorch ашиглан гүнзгий суралцах хүрээнд дүрсийг тэгшитгэх тухай ойлголт нь олон хэмжээст массивыг (зураг дүрслэх) нэг хэмжээст массив болгон хувиргахтай холбоотой юм. Энэ процесс нь ялангуяа мэдрэлийн сүлжээнд оруулах зургийн өгөгдлийг бэлтгэх үндсэн алхам юм
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/DLPP Python ба PyTorch програмтай гүнзгий суралцах, Өгөгдөл, Дата линкүүд
PyTorch-ийг хэрхэн хамгийн сайн дүгнэх вэ?
PyTorch бол Facebook-ийн хиймэл оюун ухааны судалгааны лаборатори (FAIR)-аас боловсруулсан иж бүрэн, олон талын нээлттэй эхийн машин сургалтын номын сан юм. Энэ нь байгалийн хэлний боловсруулалт (NLP), компьютерийн хараа, гүнзгий суралцах загвар шаарддаг бусад домэйн зэрэг програмуудад өргөн хэрэглэгддэг. PyTorch-ийн үндсэн бүрэлдэхүүн хэсэг нь NumPy-тэй төстэй олон хэмжээст массив (тензор) объектыг хангадаг `бамбар` номын сан юм.
Өндөр нарийвчлалтай, фото бодит зураг бүтээх боломжийг олгосон GAN архитектур, сургалтын арга техникт гарсан гол дэвшил юу вэ?
Generative Adversarial Networks (GANs) нь 2014 онд Иан Гудфелло болон түүний хамтрагчид үүсгэн байгуулагдсан цагаасаа хойш мэдэгдэхүйц ахиц дэвшилд хүрсэн. Эдгээр дэвшил нь өмнөх загваруудад боломжгүй байсан өндөр нягтралтай, фото бодит зургуудыг бүтээхэд чухал үүрэг гүйцэтгэсэн. Энэхүү ахиц дэвшлийг GAN архитектур, сургалтын техник,
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/ADL Advanced Deep Learning, Үүсгэгч өрсөлдөөний сүлжээ, Ерөнхий өрсөлдөөний сүлжээний дэвшил, Шалгалтын тойм
ResNet архитектур дахь үлдэгдэл холболтууд нь маш гүн мэдрэлийн сүлжээг сургахад хэрхэн тусалдаг вэ, энэ нь дүрсийг таних загваруудын гүйцэтгэлд ямар нөлөө үзүүлсэн бэ?
Алгасах холболтууд эсвэл товчлолууд гэж нэрлэгддэг үлдэгдэл холболтууд нь гүнзгий суралцах талбарыг, ялангуяа дүрсийг таних талбарыг ихээхэн ахиулсан Үлдэгдэл сүлжээний (ResNets) үндсэн бүрэлдэхүүн хэсэг юм. Эдгээр холболтууд нь маш гүнзгий мэдрэлийн сүлжээг сургахтай холбоотой хэд хэдэн чухал сорилтуудыг шийддэг. Градиент алга болох, тэсрэх асуудал Нэг
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/ADL Advanced Deep Learning, Компьютерийн алсын хараа, Зургийг танихад зориулагдсан мэдрэлийн мэдрэлийн сүлжээ, Шалгалтын тойм
Зургийг таних контекстэд бүрэн холбогдсон уламжлалт давхаргууд болон орон нутагт холбогдсон давхаргуудын хооронд ямар гол ялгаа байдаг вэ, яагаад орон нутгийн холболттой давхаргууд энэ ажилд илүү үр дүнтэй байдаг вэ?
Зургийг таних талбарт мэдрэлийн сүлжээний архитектур нь тэдгээрийн үр ашиг, үр нөлөөг тодорхойлоход чухал үүрэг гүйцэтгэдэг. Энэ хүрээнд ихэвчлэн хэлэлцдэг давхаргын хоёр үндсэн төрөл нь уламжлалт бүрэн холбогдсон давхаргууд ба орон нутгийн холболттой давхаргууд, ялангуяа эргэлтийн давхаргууд юм. Эдгээр давхаргын гол ялгаа, үүсэх шалтгааныг ойлгох
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/ADL Advanced Deep Learning, Компьютерийн алсын хараа, Зургийг танихад зориулагдсан мэдрэлийн мэдрэлийн сүлжээ, Шалгалтын тойм
Зураг, видеон дээр амьтдын эргэн тойронд объектын хүрээ зурж, эдгээр хүрээг тодорхой амьтны нэрээр тэмдэглэж хэрхэн хэрэгжүүлэх вэ?
Зураг, видеон дээрх амьтдыг илрүүлэх, тэдгээрийн эргэн тойрон дахь хил хязгаарыг зурах, эдгээр хил хязгаарыг амьтны нэрээр тэмдэглэх ажил нь компьютерийн хараа, машин сургалтын салбаруудын техникийг хослуулсан байдаг. Энэ үйл явцыг хэд хэдэн үндсэн үе шатанд хувааж болно: объект илрүүлэхэд Google Vision API ашиглах,
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GVAPI Google Vision API, Хэлбэр ба объектын талаархи ойлголт, Python дэрний дэр ашиглан объектын хүрээ зурах