Распознавание цвета в системах Computer Vision (CV) помогает определять свойства материалов и решать другие не менее важные задачи. В результате можно узнать, из чего объект сделан, в каком он состоянии. К примеру, с помощью черно-белого изображения вы вряд ли поймете, созрели ягоды или нет. При использовании цветного изображения ситуация меняется.

Современные алгоритмы локализации дают возможность определять позицию камеры относительно сцены, то есть выполнять локализацию. В результате можно найти отличия в сцене в контексте последующих изменений на уровне облака точек. Речь может идти о присутствии в сцене новых объектов или, к примеру, об изменении охвата сцены.

Как известно, NLP применяется для машинного перевода, текстового анализа, синтеза и распознавания речи, разработки диалоговых систем. Кроме этого, популярной задачей NLP является NER -- извлечение именованных сущностей из текста (Named-entity recognition). Что это значит? Рассмотрим на примерах.

Среди современных задач, решаемых с помощью NLP, можно выделить задачи, связанные с синтезом и распознаванием речи, разработкой диалоговых систем. Расскажем о них несколько слов.

С каждым годом применение Natural Language Processing увеличивается, в связи с чем растет и NLP-рынок. Это неудивительно, ведь интеллектуальные устройства используются все чаще, как и облачные решения и программные приложения, основанные на NLP.

Сегодня NLP может решать самые разные задачи. В этой заметке мы вкратце рассмотрим область, связанную с обработкой текстовой информации.

Среди современных технологий калибровки камер в Computer Vision можно выделить два основных вида: калибровку по сцене и фотограмметрическую калибровку. Рассмотрим их подробнее.

Поговорим о том, что такое выборка и генеральная совокупность, чем они отличаются, и возможно ли определить генеральную совокупность при ограниченном наборе данных.

Рекомендательная система стремится наиболее точно предсказать предпочтения потребителя, предложив самый подходящий ему товар/услугу. Давайте рассмотрим особенности и основные виды таких систем.

Если вы проходите собеседование на ML-специалиста, у вас могут спросить, какие именно гиперпараметры вы бы настраивали в целях борьбы с переобучением у градиентного бустинга. Что ж, давайте попробуем ответить на этот вопрос.

Как известно, алгоритм машинного обучения "Случайный лес" (Random forest) основывается на принципе бэггинга, то есть на усреднении предсказания нескольких независимых моделей. Но что, если у нас только одна обучающая выборка? Каким образом в данном случае мы получим независимые модели? И почему на практике это не приводит к проблемам?