2 message from 1985
99%
PHOTO MATH
2^5 + 10
= 42
5
Örs felöli csoport
Photo Math
kamera alapú problémamegoldó alkalmazás
Amire képes
- Kézírás-felismerés
- Lépésről lépésre történő megoldás
- Grafikus ábrázolás
Amire (még) nem képes
- Kézírás-felismerés
- Szöveges feladatok megoldása
![classification](img/classification.png)
K-nearest neighbors
Működése:
- Adatok normalizáslása (preprocessing)
- Megjegyzi az tanulási adathalmazt (train)
- K érték beállítása
- Megjósolandó adat előfeldolgozása
- K legközelebbi adat megtalálása
- K legközelebbi adat átlagának kiszámítása
![linear regression](img/linear-regression.gif)
linear regression
Meg lehet-e jósolni a egy autó fogyasztását abból, hogy hány lóerős?
Miért nem jó a KNN?
- Lassú
- Sok adatot igényel
Mennyit fogyaszt egy autó?
- Álló helyzetben is van fogyasztása (nem jó a szórzás)
- A sebességgel nagyjából egyenesen arányos (szórzás)
- De nem teljesen (exponenciális növekedés) #polynomial regression
-
Egy nagyon pontos képlet a meghatározásra:
f(x) = b + mx + cx^2
Mennyire hatékony az algoritmus?
- Egyszerű statisztikai problémákra tökéletes megoldás lehet
- Kevés adatot igényel
- Gyors mind tanulás mind felhasználás (még fejben is kiszámolom)
- A képletet nem lehet sokkal tovább bővíteni
- Rosz teljesítmény nem statisztikai adatoknál
Gépi tanulás rétegekkel
Nem csak egy nagyon túlméretezett linear regression
Működése:
- Megtanulja, hogy milyen APRÓ minták vannak egy képen
- megtanulja a kép méretű mitákat (pl. egy forma alakját)
- Ezeket az információkat súlyozva összeadja
Convolutional rétegek
![Convolutional rétegek](img/cnn_layer.png)
Object Detection
![Deep network](img/deep_conv2.png)