• Нейросети справляются с задачами компьютерного зрения лучше, чем другие типы моделей.
• Линейная регрессия, случайный лес и градиентный бустинг работают хорошо на табличных данных.
• Нейронные сети способны учитывать порядок признаков и учитывать взаимосвязь соседних признаков.
• Нейросети помогают справиться с большим числом признаков и информации в данных.
• Нейросети могут преобразовывать текст в численный формат для решения задач классификации.
• Нейросети используются для решения задач компьютерного зрения и классификации данных.

• Keras - это интерфейс для работы с TensorFlow, созданной командой Google Brain.
• Линейная регрессия - это тоже нейронная сеть, но лишь с одним нейроном.
• В начале темы вы будете работать с данными из прошлых курсов.
• В sklearn код выглядел бы так: # подключение sklearn from sklearn.linear_model import LinearRegression # создание модель model = LinearRegression() # обучить модель model.fit(features, target) В Keras этот же код такой: # подключение Keras from tensorflow import keras # создание модели model = keras.models.Sequential() # параметры нейронной сети model.add(keras.layers.Dense(units=1, input_dim=features.shape[1])) # как обучается нейронная сеть model.compile(loss='mean_squared_error', optimizer='sgd') # обучить модель model.fit(features, target)

• Линейная и логистическая регрессии - это нейронные сети с одним нейроном.
• Разница между линейной и логистической регрессиями проявляется при наличии нескольких классов объектов.
• Логистическая регрессия включает сигмоидную функцию, которая возвращает число в диапазоне от 0 до 1.
• Функция потерь зависит от типа нейронной сети и задачи.
• Для бинарной классификации подходит метрика Binary Cross-Entropy (BCE).
• Функция ВСЕ используется для вычисления ошибки и оптимизации параметров сети.
• Вероятность правильного ответа (p) зависит от значения целевого признака.
• Если p приблизительно равно единице, то ошибка маленькая.
• Если p≈0, то ошибка большая

• Для получения логистической регрессии, нужно изменить код линейной регрессии в Keras.
• К полносвязному слою примените функцию активации 'sigmoid'.
• Поменяйте функцию потерь MSE на binary_crossentropy.
• Модель должна быть скомпилирована с использованием оптимизатора 'sgd'.

• Полносвязные нейронные сети состоят из слоев нейронов, связанных между собой.
• Скрытые слои - это все слои, кроме входного и выходного.
• После каждого нейрона, кроме последнего, есть функция активации.
• Для получения значения z нужно просуммировать произведения значений входов на веса.
• Чтобы получить сигмоиду, нужно просуммировать значения входов на веса и сигмоиду.
• Сигмоида позволяет сделать сеть сложнее и сделать ее более сложной.

• Обучение нейронных сетей происходит с помощью градиентного спуска и минимизации функции потерь.
• Многослойные сети могут быть обучены с помощью сайта TensorFlow Playground.
• Затухание сигнала возникает из-за сигмоидной функции активации, которая преобразует большие значения в маленькие.
• Для устранения затухания сигнала можно использовать функцию активации ReLU, которая пропускает положительные значения без изменений.
• Успешное обучение сети требует выбора функции активации, количества скрытых слоев, нейронов и шага градиентного спуска

Полносвязные слои в Keras создаются вызовом метода Dense(). Что нужно сделать, чтобы построить многослойную полносвязную сеть? Несколько раз добавить полносвязный слой! Чем больше слоёв, тем сложнее модель.

• Работа с изображениями в Python с использованием библиотеки OpenCV и NumPy.
• Изображения представлены в виде двумерного массива чисел.
• Пример загрузки картинки и преобразования ее в NumPy-массив.
• Примеры работы с массивом, включая задачи по анализу и обработке изображений.

• Цветные изображения состоят из трёх каналов: красного, зелёного и синего.
• Трёхмерные массивы в NumPy устроены аналогично двумерным.
• В трёхмерном массиве первая координата - номер строки, вторая - номер столбца, третья - номер канала.
• В каждом пикселе массива хранятся три числа: яркость красного, зелёного и синего каналов.

• Многоклассовая классификация - это классификация объектов, принадлежащих одному из нескольких классов.
• В логистической регрессии для многоклассовой классификации используется полносвязная сеть с тремя нейронами в выходном слое.
• Функция потерь вычисляется аналогично бинарной кросс-энтропии, но с использованием вероятностей, полученных сигмоидами.
• Вероятности вычисляются с использованием функции активации SoftMax, которая возвращает вероятности, сумма которых равна единице.
• В многоклассовой классификации инициализация последнего слоя меняется с sigmoid на softmax.
• Функция потерь минимизируется методом градиентного спуска, который требует производной по всем параметрам сети.

• Задача многоклассовой классификации изображений для агрегатора магазинов одежды.
• Требуется классификатор на 10 классов, каждый класс соответствует определенной категории товаров.
• Цель: создать классификатор, который позволит определить категорию товара на сайте агрегатора.
• Датасет состоит из 10 классов с описанием товаров.
• Описание товаров может содержать некорректную информацию, поэтому работа с изображениями более эффективна.
• На входе модель получает чёрно-белую фотографию товара.

• Обучение моделей на сервере требует ожидания своей очереди.
• Рекомендуется не откладывать задачи на потом, чтобы избежать увеличения очереди.
• Настройте обучение так, чтобы информация о прогрессе была доступна для быстрого исправления ошибок.
• Перед отправкой кода на сервер, проверьте его на своем компьютере.
• Создайте три функции для загрузки обучающей и тестовой выборки, а также для создания модели.
• Яркость изображений из обучающей выборки приведите к диапазону от 0 до 1.
• Создайте модель для нейронной сети и верните ее командой return.
• Убедитесь, что в этой части кода нет долгих операций, иначе предварительную проверку код не пройдет.
• Обучите и верните модель командой return.
• Функция train_model получает на вход модель, обучающую и тестовую выборку, аргументы для метода fit().

Теперь вы умеете:

• Обучать нейронные сети в Keras;
• Строить полносвязные сети из нескольких слоёв;
• Классифицировать изображения полносвязными сетями.

Заберите с собой

Чтобы ничего не забыть, скачайте шпаргалку и конспект темы.

В следующей теме вы познакомитесь со свёрточными слоями и обучите нейронную сеть для классификации более сложных изображений.