Компьютер видит НЕ кота 😳 Как изображения превращаются в числа | Урок 11.1

11-й урок часть 1 курса «Анализ данных в век ИИ». Кот для человека — кот. Для компьютера — сначала несколько миллионов чисел. Уже звучит как начало небольшой трагедии. 😄 В первой части урока 11 разбираемся, как вообще анализировать изображения и почему обычная картинка оказывается гораздо сложнее привычной таблицы. Начинаем с самого простого представления — пикселей. Затем пробуем придумать признаки вручную: яркость, цвет, форму и другие характеристики. И довольно быстро обнаруживаем проблему: объект можно повернуть, увеличить, частично закрыть, снять при другом освещении — и наши прекрасные признаки начинают нервничать. Отсюда приходим к главному переходу современного Computer Vision: раньше человек придумывал признаки → теперь нейросеть учится находить их сама. Разберём: — что такое изображение с точки зрения анализа данных; — почему просто отдать модели все пиксели — не всегда хорошая идея; — ручные признаки и feature engineering; — почему изображения меняются из-за света, масштаба, ракурса и фона; — старую и новую парадигму анализа изображений; — что делает отдельный нейрон; — зачем нейросети много слоёв; — как сеть постепенно переходит от пикселей к более сложным признакам. В конце кот всё ещё кот. Но теперь мы хотя бы понимаем, почему компьютеру понадобилось столько математики, чтобы это выяснить. 🐈 Вопрос зрителям: Какой один числовой признак вы бы придумали, чтобы отличать фотографию дня от фотографии ночи? И в какой ситуации ваш признак обязательно ошибётся? Основные термины Pixels, изображение как данные, ручные признаки, feature engineering, яркость, цветовые признаки, инвариантность, neural network, neuron, weights, layers, learned features, deep learning, computer vision.