Задачі розпізнавання образів

«Образ» у машинному навчанні — не лише картинка. Це будь-який вхід, який несуть структуровану інформацію: пікселі фото, зразки звуку, слова речення, рядок логів. Задача розпізнавання — віднести такий вхід до класу або знайти у ньому обʼєкт: «цифра 7», «мова — українська», «на записі — слово “stop”». Схема та сама: набір даних з мітками, модель, навчання, прогноз.

Зображення

У компʼютерному зорі модель може класифікувати всю сцену («кіт на дивані») або знаходити обмежувальну рамку навколо обʼєкта. Вхід — тензор пікселів; ознаки — від простих країв до складних частин обʼєкта. Варіативність освітлення й ракурсу — головна причина, чому тут без машинного навчання не обійтися. Той самий п'ятикроковий процес, що й для інших модальностей, лишається: зібрати дані, обрати модель, провести навчання, робити прогноз, міряти оцінювання.

Приклад

Розпізнавання рукописних цифр для пошти: кожен конверт — зображення; мітка — цифра, яку написав людина. Модель бачить десятки тисяч прикладів різного почерку. На новому листі вона видає прогноз — і її перевіряють на окремому наборі конвертів, яких не було в навчання. Помилки аналізують, щоб додати складніші приклади або змінити модель.

Звук і текст

Для звуку вхід — хвиля або спектрограма; мітка може бути транскрипція, мова або команда «увімкни світло». Ознака — частоти, тривалість фонем, паузи. У тексті розпізнавання часто означає класифікацію: тональність листа, тема статті, чи запит токсичний. Слова перетворюють на числові представлення; далі знову розпізнавання закономірностей. Різниця між модальностями — у попередній обробці, а не в загальній логіці навчання.

Обʼєднує все те, що ми не пишемо правила для кожного варіанту вручну. Замість «якщо піксель #FF0000…» — навчання на розмічених прикладів. Замість словника усіх можливих вимов слова — модель на записах людей. Узагальнення перевіряють на відкладених дані: якщо точність висока лише на навчання, модель запамʼятала, а не навчилася. Це стосується і фото, і аудіо, і тексту однаково.

Порада

Коли чуєте «компʼютерний зір» чи «розпізнавання мовлення», думайте про той самий каркас: вхід → представлення → модель → прогноз. Спеціалізовані терміни описують предметна область, а не інший всесвіт. У цьому курсі ми спочатку тримаємо загальну картину, потім заглиблюємося в дані і навчання.

Python

modalities = {
    "image": ("pixels", "digit 7"),
    "sound": ("spectrogram", "word stop"),
    "text": ("word counts", "positive"),
}

for kind, (features, label) in modalities.items():
    print(kind + ":", "features=" + features, "label=" + label)

Вивід

Натисніть «Запустити» — вивід зʼявиться тут

Підказка

Додайте четверту модальність — змінюється лише представлення даних.

Практичний висновок: задачі розпізнавання образів у широкому сенсі — основа багатьох продуктів від камери телефона до голосового помічника. Зрозуміти спільний процес легше, ніж вчити три окремі «магії» для картинок, звуку й тексту.

Що запамʼятати

«Образ» у курсі — будь-який структурований вхід: пікселі, спектрограма, текст. Для зображень, звуку й тексту каркас однаковий: дані, модель, навчання, прогноз, оцінювання. Різниця — у попередній обробці й ознаках; відкладене оцінювання показує, чи модель узагальнює, а не зубрить на навчальному наборі.

Зображення

Звук і текст

Що запамʼятати

Перевірка