Aprender profundamente uma palavra de tendência em tecnologia nos últimos 6 anos e centenas de trabalhos de pesquisa têm sido publicados a cada semana com novas técnicas para resolver várias tarefas de Processamento de Linguagem Natural, Compreensão da Linguagem Natural e visão computacional.
No entanto, como um principiante, é preciso estar focado no básico e entender como as coisas funcionam.
Tarefa: Para prever a etiqueta da imagem de entrada
Agendas Gerais:
1)Construindo redes neurais de Convolução a partir do zero para que possa detectar bordas na imagem e ajuda a classificar a entrada
2) Transferir aprendizagem usando modelos pré-treinados como VGGG-16
Datasets:
- MNIST
- CIFAR-10
- IMAGENET
- SVHN
- DOGS vs CATS
Utilização em tempo real: Fotos do Google
Referência:
2)Segmentação da imagem :
Tarefa: Para prever uma máscara pixel-wise para cada objeto na imagem
>
>
>
>
>>
Agendas Gerais:
1)Criar uma rede neural de convolução codificador-descodificador a partir do zero
2) Transferir aprendizagem usando modelos pré-treinados como U-net
Mala de uso do mundo real: Automobilismo
Dados:
- Cityscapes
- COCO
- Dados de condução indiana
>
3)Resumido do texto:
Tarefa: Para gerar um resumo significativo de parágrafo ou notícia
Agendas Gerais:
1)Como o texto precisa ser gerado, haverá a necessidade de um decodificador e para codificar a informação de um determinado artigo ou codificador de parágrafo deve ser exigido Assim, se o comprimento da seqüência de entrada é pequeno Lstm codificador-decodificador funciona bem, caso contrário, tem que ir para o mecanismo de atenção e modelos Transformer
2) Ajuste fino de transformadores pré-treinados para a geração de linguagem com os nossos dados.
Mala de uso no mundo real: Inshorts
Datasets:
- Xsum
- CNN/Dailymail
4) Legenda da imagem:
Task: Para prever a legenda de uma determinada imagem
>>
>
>
Aplicações: Extrair características de imagens usando rede neural de convolução e gerar legenda usando um decodificador
Dataset: