Certificate from IT academy GoIT - Python developer

Минув рік дуже інтенсивного навчання в IT академії GoIT - тепер я Python Developer.

Моїм напрямком було вивчення мови програмування #Python з застосуванням у вебзастосунках та у галузі Data Science і машинного навчання (ML).

 Отримав сертифікат Python Developer.

Сертифікат Python Developer.

 

Mодуль "Python Data Science" в IT академії GoIT - проєкт на тему "Автоматизована система паркування".

💡 Закінчили навчання за останнім третім модулем "Python Data Science" в IT академії GoIT - start your career in IT.
🚩 Було створено команду 🇺🇦 розробників - "Neuron Curve Bobr".
🚗 В результаті командної роботи був виконанний груповий проєкт на тему "Автоматизована система паркування".

Дякую 🔥 команді за нашу спільну роботу впродовж напружених 🔨 двох тижнів.

Курсовий проєкт на тему "Автоматизована система паркування".

Згідно з технічним завданням на проєкт: Система автоматично може визначати номери автомобільних знаків на зображеннях з використанням методів машинного навчання.

Функції застосунку:

• Управління обліковими записами користувачів
• Візуалізація про кількість вільних та зайнятих паркомісць.
• Приймання зображень від користувача (симуляція роботи відеокамери)
• Виявлення та виділення області з номерним знаком
• Детекція номерного знаку
• Розпізнавання символів для ідентифікації тексту номерного знаку
• Перевірка номера авто у базі зареєстрованих транспортних засобів
• Запис часу в'їзду/виїзду кожного разу, коли визначається номерний знак
• Відстеження тривалості паркування
• Розрахунок загальної тривалості паркування
• Зберігання даних про тривалість паркування в базі даних;
• Розрахунок вартості паркування. Керування тарифами. Чек за QR-кодом;
• Генерація звітів про розрахунки, які можна експортувати у форматі CSV
• Оплата послуги паркування

Проєкт на тему "Автоматизована система паркування".

Задача для зображень "grey to rgb" у моделі #keras

Ось чому не можна використати FC з активатором "ReLU" для  цієї задачі: 

layers.Dense(3, activation="relu", name="gray_rgb", input_shape=(32,32,1))

FC, relu

Найкраще зробити підготовку dataset:

tx = np.repeat(x, 3, axis=-1)

або

tx = np.tile(x, (1, 1, 3))

Або шар Lambda (але я питання по збереження моделі до файлу):

layers.Lambda(lambda x: tf.repeat(x, 3, axis=-1))

Grey to RGB

rows = 4
plt.figure(figsize=(10,3*rows))
cols = rgb_images_train.shape[-1]
total = cols * rows
labels = ["R","G","B"]
for i in range(total):
    plt.subplot(rows,cols,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    id = i % cols
    rid = i // cols
    plt.imshow(rgb_images_train[0+rid,:,:,id], cmap=plt.cm.binary)
    plt.ylabel(f"Image {rid}, label: {np.argmax(y_train[rid])}")
    plt.xlabel(f"chanel {id} : '{labels[id]}'")
plt.show()

Або вже шар Conv2D:

layers.Conv2D(3, (1, 1), use_bias=False, padding="same", kernel_initializer="ones", name="conv2d_108", input_shape=(32,32,1))

Conv2D 1х1

activation_model = Model(inputs=model.input, 
                         outputs=[layer.output for layer in model.layers])

activations = activation_model.predict(x_test[0].reshape(1, 32, 32, 1))

for layer_index, layer_activation in enumerate(activations):
    print(f"{layer_index=}, {layer_activation.shape=}")
    if len(layer_activation.shape) == 4:  
        num_features = layer_activation.shape[-1]
        size = layer_activation.shape[1]

        rows = num_features // 1  
        cols = layer_activation.shape[-1]

        plt.figure(figsize=(16, 12))
        for i in range(num_features):
            plt.subplot(rows, cols, i + 1)
            img = layer_activation[0, :, :, i]
            plt.imshow(img, cmap='viridis')
            plt.axis('off')
            print("min:", np.min(img), "max",np.max(img))
        plt.tight_layout()
        plt.subplots_adjust(top=0.94)
        plt.suptitle(f'Layer {activation_model.layers[layer_index+1].name} Feature Maps')
        plt.show()

Завершив курс Convolutional Neural Networks in TensorFlow (DeepLearning.AI TensorFlow Developer)

Нова програма навчання від GwG UA з вивчення курсів DeepLearning.AI TensorFlow Developer на платформі Coursera. З циклу ML Bootcamp від Google.

Convolutional Neural Networks in TensorFlow, Липень, 2023

Перший курс вступний у світ TensorFlow: Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning

Завершив курс Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning (DeepLearning.AI TensorFlow Developer)

Нова програма навчання від GwG UA з вивчення курсів DeepLearning.AI TensorFlow Developer на платформі Coursera. З циклу ML Bootcamp від Google.

TensorFlow Developer Professional Certificate
Безкоштовний 2-х місячний доступ для 2000 учасників до TensorFlow Developer Professional Certificate на Coursera, що складається з 4 курсів.
Доступ надаватиметься за умови реєстрації на цьому сайті, детальніше про умови на сторінці "Деталі програми"
Курси цього сертифікату є провідниками у світ машинного навчання для того, щоб отримати практичні навички за допомогою TensorFlow.

Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning, Липень, 2023

Перший курс вступний у світ TensorFlow: Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning