Здраствуйте, пробовал всякие OCR библотеки, и платные, все приходить к одному, надо фото обработать как то черно белый, и убрать лишнее, не подскажете или был ли у вас опыть чтобы обработать фото с OpenCV и какие алгоритмы исползовать чтобы получился читаемый для tesseract фото

В двух словах не объяснить, но есть книжечки

http://dmkpress.com/catalog/computer/programming/c/978-5-97060-471-7/

http://dmkpress.com/catalog/computer/programming/python/978-5-97060-200-3/

Там объясняется буквально в первых главах

оо благодарю) почитаю

Приветствую. Подскажите куда копать по вопросу распознавания текста на картинке без сегментации символов. Проста каптча без шума. Keras.

Добрый день, может кто сталкивался с такой странной вещью . Использую open cv 3 на питоне .При открытии некоторых изображений вываливается ошибка какбудето изображение пустое imagerose = cv2.imread("D:\rose.jpg") print(imagerose). Хотя там нормальное изображение. Подскажите как с такой бедой бороться ?

Приветствую. Подскажите куда копать по вопросу распознавания текста на картинке без сегментации символов. Проста каптча без шума. Keras.

Начать конечно можно с opencv. У них есть примеры с кодом и картинками

Приветствую. Подскажите куда копать по вопросу распознавания текста на картинке без сегментации символов. Проста каптча без шума. Keras.

Tesseract

Tesseract

Имплементация на keras интересует.

Добрый день, не подскажете где можно найти датасеты научных статей с мета-информацией (авторы, название, список литературы) и так далее? (Желательно русские и английские статьи) Заранее спасибо!

Имплементация на keras интересует.

тогда https://www.google.com/search?q=keras+text+recognition&ie=utf-8&oe=utf-8&client=firefox-b

ребят, есть тупой вопрос достаточно. а как перевести понятие на русский skip-connection. я все никак не могу подобрать перевод. может есть какое то устоявшееся выражение?

Обходные соединения я бы перевел

Имплементация на keras интересует.

https://coderprog.com/deep-learning-keras-video/

Всем привет! Помню, тут уже мелькал подобный вопрос, но все же интересно было бы узнать, какую книжку лучше начать изучать в моей ситуации. Магистр второго курса, направление - программная инженерия. Я уже три года кручусь в ds, применял всякие алгоритмы по классификации, регресси, уменьшения пространства признаков, визуализации, кластеризации и прогнозированию временных рядов. Прочитал несколько книг по аналитике и машинному обучению, по нейронным сетям в том числе. Но не дает покоя одна мысль. Такое ощущение, что мои знания довольно поверхностные, и я сам не смогу некоторые из методов самому написать, так как не слишком глубоко владею теорией машинного обучения, так скажем. Кроме того, далеко не все формулы из книжек я понимал. Допустим, в книге "Элементы статистического обучения" я далеко не все формулы мог осилить, как будто не хватало некоторых промежуточных рассчетов для меня. Надо как-то с этим бороться, а то так и буду вечно только применять чужие алгоритмы, хочется и свой вклад как-то сделать. А без глубокого понимания даже пытаться бессмысленно, как мне кажется. Много мелькали книжки бишопа или мерфи: "Machine Learning: A Probabilistic Perspective", by Kevin P. Murphy. "Pattern Recognition and Machine Learning", by Christopher Bishop. Почитал, разные отзывы на книги, и как-то не совсем понятно, что именно лучше выбрать, чтоб понимать суть методов, а также всю математику, которая лежит в них и в их выводах. Есть ли у вас советы по этому поводу? Или может какие-то другие книжки есть? Со списком литературы на стеке знаком, хотелось бы послушать людей, которые с этой проблемой разобрались

Всем привет! Помню, тут уже мелькал подобный вопрос, но все же интересно было бы узнать, какую книжку лучше начать изучать в моей ситуации. Магистр второго курса, направление - программная инженерия. Я уже три года кручусь в ds, применял всякие алгоритмы по классификации, регресси, уменьшения пространства признаков, визуализации, кластеризации и прогнозированию временных рядов. Прочитал несколько книг по аналитике и машинному обучению, по нейронным сетям в том числе. Но не дает покоя одна мысль. Такое ощущение, что мои знания довольно поверхностные, и я сам не смогу некоторые из методов самому написать, так как не слишком глубоко владею теорией машинного обучения, так скажем. Кроме того, далеко не все формулы из книжек я понимал. Допустим, в книге "Элементы статистического обучения" я далеко не все формулы мог осилить, как будто не хватало некоторых промежуточных рассчетов для меня. Надо как-то с этим бороться, а то так и буду вечно только применять чужие алгоритмы, хочется и свой вклад как-то сделать. А без глубокого понимания даже пытаться бессмысленно, как мне кажется. Много мелькали книжки бишопа или мерфи: "Machine Learning: A Probabilistic Perspective", by Kevin P. Murphy. "Pattern Recognition and Machine Learning", by Christopher Bishop. Почитал, разные отзывы на книги, и как-то не совсем понятно, что именно лучше выбрать, чтоб понимать суть методов, а также всю математику, которая лежит в них и в их выводах. Есть ли у вас советы по этому поводу? Или может какие-то другие книжки есть? Со списком литературы на стеке знаком, хотелось бы послушать людей, которые с этой проблемой разобрались

Могу скинуть не книги, а статьи и курсы для того чтобы «воткнуться в глубинное обучение»

Сам по нему прохожу и многие вещи становятся очень понятными и нужными

http://telegra.ph/Kak-vkatitsya-v-Deep-learning-10-24

Можно отсюда начать

Тут прям реально чтобы «воткнуться»)

http://telegra.ph/Kak-vkatitsya-v-Deep-learning-10-24

Спасибо! По порядку идете?

Аха, но сейчас я даже до глубинного обучения не дошел, на специализациях утонул

Но думаю как то вытащить можно)

Спасибо, посмотрю) Хотя мне удобнее книжкой, привык что-ли. Хотя там классно, что даются сразу примеры на питоне, на входном курсе, как я понимаю

Неплохая

Обычно в таких книгах показывается практическое применение алгоритмов машинки Но геометрическое значение, вывод формул и математическое значение методов толком не объясняются;(

Обычно в таких книгах показывается практическое применение алгоритмов машинки Но геометрическое значение, вывод формул и математическое значение методов толком не объясняются;(

Флах в помощь. Вместе с Хасти и Тибширани. А это чисто практическая поверхностная книжка

Флах в помощь. Вместе с Хасти и Тибширани. А это чисто практическая поверхностная книжка

Андрей, ваше мнение мне тоже интересно по поводу той ситуации, которую я выше описал. The elements of statistical learning не получилось осилить, не смог понять вывод всех формул

Обычно в таких книгах показывается практическое применение алгоритмов машинки Но геометрическое значение, вывод формул и математическое значение методов толком не объясняются;(

А чтонибудь более приземленное есть?

А чтонибудь более приземленное есть?

Я выше скидывал курсы, там прям вот реальное все приземленное и внятно понятное) Ну там и книги есть, но чтобы до книг дойти, нужны курсы освоить, курсы реально стоящие .

Спасибо. Начнем с этого

А книга по идее классная, легко читаемая. Но будет круто если научиться программировать статьи)

Андрей, ваше мнение мне тоже интересно по поводу той ситуации, которую я выше описал. The elements of statistical learning не получилось осилить, не смог понять вывод всех формул

Флах кое-что дает, многое можно потянуть в пдфках к классическому курсу Andrew Ng. Shalizi "Statistics from elementary point of view", deeplearningbook (как ни странно), Николенко "Глубокое обучение".

Этого хватит для понимая почти всего, что реально нужно и полезно понимать

"deeplearningbook (как ни странно)" - почему как ни странно? вроде же стоящая книга

Да. Просто прикол в том, что как бы ожидаешь там жесткого диплернинга, а в итоге там хорошо дают и основы в том числе

Считается сложной, типа много формул

ERROR: S client not available

Да, там не в стиле "как нарисовать сову", а более пошагово

После нее и захотелось подтянуть основы. Потому что уже давно такого не чувствовал, что читаешь, и прям понятно, почему так работает. Конечно, там есть сложные моменты, но написано очень годно

Спасибо за ответ, посмотрю эти книги

Вообще машинное обучение можно было бы преподавать слегка наоборот: вместо россыпи моделей сразу сказать, что все обучение с учителем - это или нейросети, или деревья, или KNN

И в рамках нейросетей рассказать и про регуляризацию, и про функции связи, и про метрики качества, и про функции потерь

Слышал про такое обобщение, но на тот момент его не понял. Немного мозг поломало. Помнится, там говорилось о том, что машина опорных векторов является нейронной сетью, вроде

што

Чтобы много не писать, гугли svm loss keras

это про svm вместо последнего слоя?

Да

Обходные соединения я бы перевел

тогда суть теряется и непонятна) в общем я решил не переводить совсем. на хабре нашел несколько статей, которые нормально вплетают английский термин в текст. решил взять их пример.

Как раз понятна суть, особенно если картинкой снабдить

Погуглил swm loss keras и нормального примера не нашёл. Может, у вас есть ссылка?

svm loss

или hinge loss

гуглится норм

Hello friends, do you have link of groups recommended for English users and discussion? hope not interrupt you guys' chats. : )

Hello friends, do you have link of groups recommended for English users and discussion? hope not interrupt you guys' chats. : )

@bigdata_en