CCI 2019 - Exploiting Custom Vision SDK in Python to create an efficient image classifier
- 2. EXPLOITING CUSTOM VISION SDK IN PYTHON TO CREATE AN EFFICIENT IMAGE CLASSIFIER Lucrezia Noli
- 3. Introduzione alla Data Science Deep Learning Demo - Machine Learning - Predictive Analytics - Big Data - Artificial Intelligence - Computer vision - Convolutional Neural Networks - Image classification with CNNs - Image classification with Custom Vision AGENDA
- 4. WHO AM I? Lucrezia Noli Lucrezia.noli@dataskills.it Current roles Big Data Scientist atDataskills Academic Fellow at Bocconi University Curricular course: Computer Science Extracurricular course: Big Data Analytics Previous roles Business Development Manager at Metail,London Education Bocconi University Bachelor in Finance Master in Economics of Innovation & Technology Master Thesis: 束Machine Learning Techniques to Investigate the ALS Disease損 Won second prize of PRISLA competition for research on ALS disease
- 5. DATASKILLS Specializzati nella creazione di soluzioni innovative nelle quattro aree principali della Data Science. Come trasformare dati e informazioni in conoscenza BUSINESS INTELLIGENCE PREDICTIVE ANALYTICS Come estrarre in maniera automatica le relazioni esistenti tra i driver dellattivit di business in questione, per creare insights prontamente attuabili BIG DATA Come analizzare e dare un senso a immense moli di dati Come sfruttare i dati provenienti da device interconnessi IOTANALYTICS 25 Anni di esperienza 40 Clienti attivi 3 Libri di Data Science pubblicati 3 Professori allUniversit Bocconi F O R M A Z I O N E
- 6. MACHINE LEARNING Processo tramite il quale una macchina impara a svolgere una funzione senza essere specificamente programmata Processo tramite il quale una macchina impara a svolgere una funzione senza essere specificamente programmata Tramite il Machine Learning un computer pu嘆 risolvere molteplici compiti diversi, senza che il programmatore debba specificare tutti i parametri che caratterizzano il dato compito GENERICITA A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E. Tom M. Mitchell APPRENDIMENTO
- 7. 1. 2. 3. APPRENDIMENTO SUPERVISIONATO / NON SUPERVISIONATO RAPPRESENTAZIONE DEL PROBLEMA CLASSIFICAZIONE / REGRESSIONE /CLSUTEIRNG CONFRONTO PREVISIONE & REALTA VALUTAZIONE DELLA PERFORMANCE METRICHE STATISTICHE MINIMIZZAZIONE FUNZIONE DICOSTO OTTIMIZZAZIONE DEI PARAMETRI RICERCA DELLOTTIMO
- 9. ANALISI PREDITTIVA Che tipo di problema vogliamo risolvere? Regressione? Classificazione? Clustering? Quali algoritmi sono appropriati per risolvere il problema definito? Quanto sono dispendiosi computazionalmente? Abbiamo i supporti HW e SW appropriati? Che uso vogliamo fare delle previsioni fornite dal modello? Azione automatica Direttiva a determinati team Inclusione nei processi aziendali
- 10. PREDICTIVE ANALYTICS Estrazione informazioni conoscenza da di e una tramite Machine base dati, tecniche di Learning P ESISTENZA DI DATI STORICI, che vengono studiati per capire quali interazioni tra variabili di input hanno causato un certo output SCOPO DI PREVEDERE quale sar lo stato dei fatti nel futuro ANALISI PREDITTIVA
- 11. BIG DATA
- 12. Data of a very large size, typically to the extentthat its manipulation and management present significant logistical challenges. Oxford English Dictionary An all-encompassing term for any collection of datasets so large and complex that it becomes difficult to process using on-hand data management tools or traditional data processing applications. Wikipedia data sets are generallyquite large, taxing the capacities of main memory, local disk, and even remote disk. We call this the problem of bigdata Cox, Ellsworth NASA 1997 McKinsey 2011 datasets whose size is beyond the ability of typical databasesoftware tools to capture, store, manage, and analyze, 2013 things one can do ata large scale that cannot be done at a smaller one, to extract new insights or create new forms ofvalue. Mayer-Sch旦nberger Cukier Big Data described by the 3Vs: Volume, Velocity, Variety Doug Laney -Gartner 2001 BIG DATA
- 14. ARTIFICIAL INTELLIGENCE 1. Il fine ultimo dellintelligenza artificiale 竪 creare sistemi che funzionino intelligentemente ed autonomamente 2. Essendo macchina pi湛 intelligente al momento, lessere umano la che le dellintelligenza conosciamo caratteristiche artificiale si possono spiegare come parallelismi con loperato umano 14
- 16. SCRIVERE E LEGGERE NATURAL LANGUAGE PROCESSING ARTIFICIAL INTELLIGENCE
- 23. IMAGE RECOGNITION WITH DEEP LEARNING Architetture formate da insieme di trasformazioni matematiche, di carattere non lineare, che desumono automaticamente e in modo gerarchico caratteristiche allinterno di un insieme di dati
- 25. OBJECT DETECTION
- 26. CASI REALI
- 27. SCENARIO 1: QUALITY CONTROL Scopo: analizzando immagini o video del pezzo prodotto, identificare in real time se sono presenti difetti QUALITY CONTROL
- 28. Scopo: contare il numero di elmetti a seconda di quante sono nellarea persone presenti di lavoro SAFETY CHECKING OPERATIONG
- 29. SCENARIO 2: OBJECT IDENTIFICATION Scopo: Identificare oggetti che non dovrebbero essere presenti nellarea di lavoro
- 30. Scopo: analizzando i video forniti dalle telecamere in real-time, si vuole identificare se ci sono 束intrusi損, o se alcune persone si trovano in zone vietate INTRUSION CHECKS
- 31. CNN -TEORIA
- 32. 1950-60 Studi di Hubel & Wiesel sul funzionamento della corteccia visiva CONVOLUTIONAL NEURAL NETWORKS
- 33. CONVOLUTIONAL NEURAL NETWORKS La corteccia visiva 竪 organizzata gerarchicamente in livelli I primi livelli individuano le caratteristiche pi湛 semplici, i seguenti quelle pi湛 complesse HIERARCY SPATIALINVARIANCE RECEPTIVE FIELD
- 34. CONVOLUTIONAL NEURAL NETWORKS FOR CLASSIFICATION TASKS
- 35. CONVOLUTIONAL NEURAL NETWORKS 1.CONVOLUTION 2.POOLING 3.FLATTENING 4.FULL CONNECTION
- 36. 1. CONVOLUTION
- 37. 1. CONVOLUTION
- 38. 1. CONVOLUTION
- 39. 1. CONVOLUTION
- 40. 1. CONVOLUTION
- 41. 1. CONVOLUTION
- 42. 2. MAX POOLING FEATURE MAP
- 43. 2. MAX POOLING
- 44. 3. FLATTENING
- 47. TRANSFER LEARNING Pre-trained models used with minor modification on wholly new predictive modeling tasks, harnessing the state- of-the-art feature extraction capabilities of proven models Transfer learning is a machine learning method where a model developed for a task is reused as the starting point for a model on a second task OXFORD VGGMODEL GOOGLE INCEPTION MODEL MICROSOFT ResNetMODEL
- 54. DEMO
- 55. DEMO ZUCCA POMODORO ANGURIA TRAINING SET 600 IMMAGINI TEST SET 150 IMMAGINI
- 57. DEMO PART 2
- 59. SPONSOR