Уф, весь видос как будто за 30 секунд пролетел. Братишка, спасибо, тема реально интересная. Вот не так давно, например, на работе была задачка реальная, есть 15к+ черно-белых однотипных планов квартир (однотипных - всмысле что везде стены одной толщины на плане, туалеты окна двери везде нарисованы одинаково), так вот и нужно найти на плане все окна, туалеты и стены и определить есть в уборной окно. Но меня на задачу не позвали потому что я не шарю, и вообще хикка.
Да, решили как-то, там что-то на питоне сложное. Мучает вопрос, допустим мы прямо с нуля берем задачу, то есть нейросеть не обучена совсем, как тогда быть? Берем n-ое количество фотографий и вручную классифицируем? Если так, какое количество нужно брать и от чего это зависит? Спасибо, братишка!
Однозначно лайк и подписка! Все кратко, чётко, быстро и по теме. Годный контент. Братан, пили ещё про машинное обучение (особенно на Go), очень интересно
Ты прав, сейчас он будет показывать максимально похожего (по его мнению) человека, даже если нужного человека нет в выборке. Чтобы убрать такие ложно положительные срабатывания, нужно установить порог евклидового расстояния между дескрипторами. Я покажу как это делать в следующих видосах.
Уф, весь видос как будто за 30 секунд пролетел. Братишка, спасибо, тема реально интересная. Вот не так давно, например, на работе была задачка реальная, есть 15к+ черно-белых однотипных планов квартир (однотипных - всмысле что везде стены одной толщины на плане, туалеты окна двери везде нарисованы одинаково), так вот и нужно найти на плане все окна, туалеты и стены и определить есть в уборной окно. Но меня на задачу не позвали потому что я не шарю, и вообще хикка.
Занятная задача! Решение было успешным?
Ещё пара роликов и ты сможешь решать такие задачи в соло (но это не точно).
Да, решили как-то, там что-то на питоне сложное. Мучает вопрос, допустим мы прямо с нуля берем задачу, то есть нейросеть не обучена совсем, как тогда быть?
Берем n-ое количество фотографий и вручную классифицируем? Если так, какое количество нужно брать и от чего это зависит? Спасибо, братишка!
@@trickster6123 братиш, в следующем видосе постараюсь ответить на эти вопросы. Сегодня начал снимать.
Однозначно лайк и подписка! Все кратко, чётко, быстро и по теме.
Годный контент. Братан, пили ещё про машинное обучение (особенно на Go), очень интересно
Привет, братишка, рад тебя видеть!
спасибо, братишка. Интересная тема. Всего хорошего!
watched only because of Sasha Grey;)
А теперь натрави классификатор на фотку какой-нибудь подруги, которой нет в семплах 🙄
Ты прав, сейчас он будет показывать максимально похожего (по его мнению) человека, даже если нужного человека нет в выборке. Чтобы убрать такие ложно положительные срабатывания, нужно установить порог евклидового расстояния между дескрипторами. Я покажу как это делать в следующих видосах.
(но вообще, согласись, иногда хочется, чтобы этот распознаватель оказался прав)