Как нейросеть превращает фото в вектор 🧠 Image Embeddings + Orange | Урок 11.2

Во второй части урока происходит маленькое чудо: мы берём фотографию, пропускаем её через нейросеть — и снова получаем… обычную строку чисел. Таблица вернулась. Можно выдохнуть. 😄 Разбираемся, как появились современные image embeddings и почему они позволяют использовать для изображений уже знакомые методы анализа данных. Поговорим про ImageNet и переход от ручных признаков к признакам, которые нейросеть выучивает сама. А затем переходим к практике в Orange Data Mining. На реальном наборе изображений посмотрим, как: — импортировать картинки в Orange; — получить Image Embeddings; — превратить каждое изображение в числовой вектор; — искать похожие изображения через Nearest Neighbors; — считать расстояния между изображениями; — строить Hierarchical Clustering; — смотреть, какие фотографии модель считает похожими; — использовать готовую нейросеть, не обучая огромную модель с нуля. Получается очень важная идея: картинка → pretrained neural network → embedding → обычные методы Data Science. И внезапно инструменты, которые мы уже знаем по таблицам, снова становятся полезными. А самое интересное начинается тогда, когда компьютер считает две фотографии похожими, а человек смотрит на них и говорит: «Эээ… ты точно уверен?» 😄 Вопрос зрителям: Если два изображения находятся очень близко друг к другу в embedding-пространстве, обязательно ли они будут казаться похожими человеку? Почему? Основные термины ImageNet, pretrained neural network, Image Embedding, embedding vector, feature vector, Orange Data Mining, Image Analytics, Import Images, Image Viewer, Nearest Neighbors, distance, similarity, hierarchical clustering, learned features, computer vision. ❤️ Лекции и основные материалы остаются бесплатными. Поддержать новые курсы и образовательные проекты: https://patreon.com/IgorKleiner Disclaimer Все персонажи и сюжеты вымышлены. Любое совпадение с реальными людьми случайно. Видео сделаны для развлечения и не имеют цели кого-то оскорбить.