Третий цикл «Уроки настоящего машинного обучения» проходил с 1 по 30 ноября 2022 года.

Партнером цикла выступила компания VK, одна из крупнейших российских технологических компаний. Продукты и сервисы VK помогают миллионам людей решать повседневные задачи онлайн: ими пользуются больше 90% аудитории рунета. Проекты VK позволяют общаться, играть, осваивать новые профессии, слушать музыку, смотреть и снимать видео, продавать и находить товары и услуги, решать множество других задач.

Участники проекта попробовали вручную выполнить разметку по категориям и жанрам небольшого набора видеороликов, а затем сравнить с результатами работы предобученной модели, которая умеет проводить классификацию видеоизображений по списку категорий. После этого школьники постепенно улучшали качество модели, отслеживая процесс обучения.

Цикл «Уроки настоящего машинного обучения» был посвящен вопросам машинного обучения применительно к видеотехнологиям. Участники научились пользоваться наиболее популярными инструментами машинного обучения, познакомились с технологиями автоматической обработки видеоинформации.

Машинное обучение используется в области цифровой обработки изображений для решения сложных для классических алгоритмов задач (например, раскрашивание старых черно-белых изображений, классификация объектов, сегментация и обнаружение объектов на космических снимках).

В лекции «Использование нейронных сетей для анализа видео» были рассмотрены способы представления изображений и видео, методы извлечения характерных признаков, а также различные архитектуры нейронных сетей для решения задачи классификации контента.

Лектор — Алексей Спасёнов, старший программист-исследователь команды компьютерного зрения VK.

Лекция

Проектная задача

Участникам был предоставлен учебный набор видеороликов, полученных из открытых источников, и разметка к нему. Разметка включала список категорий и жанров для каждого видео. Кроме того, в распоряжении участников была базовая предобученная модель, умеющая проводить классификацию видеоизображений по списку категорий.

Требуется за несколько этапов улучшить модель для достижения как можно более хорошего качества предсказаний, избежав при этом эффекта переобучения.