Популарни скупови података¶
Можда ће те изненадити, али и скупови података могу бити популарни! Неки од њих су познати по томе што се користе у првим задацима машинског учења, док су неки своју популарност постигли истрајним ангажманима заједнице да их прошири и допуни. Како различити скупови података прате различите домене вештачке интелигенције, овде ћемо то искористити као критеријум за груписање и њихов приказ. Наиме, упознаћемо скупове који садрже слике, текстуалне податке, аудио-архиве и видео-записе. Велики број библиотека које се користе у области машинског учења омогућава брзо и лако учитавање скупова о којима ћемо говорити.
Рачунарски вид¶
МNIST¶
Свакако један од најпопуларнијих скупова у области рачунарског вида је МNIST, скуп слика руком писаних цифара. Његов развој је започео амерички Национални институт за стандарде и технологију (енг. National Institute of Standards and Technology, NIST) још 1998. године. Све слике су формата 28x28 пиксела, црно-беле су боје и има их укупно 70.000: 60.000 слика чини скуп за тренирање а 10.000 слика скуп за тестирање. На слици можеш видети неке од цифара из овог скупа података.
Неке од цифара скупа МNIST
Скуп МNIST се користи за обучавање вишекласних класификатора, најчешће у комбинацији са конволутивним неуронским мрежама, о којима ћеш чути нешто више у наставку курса.
За сваку цифру скупа MNIST предвиђена је по једна класа. Размисли које су цифре потенцијално проблематичне за разликовање (на пример, цифре 1 и 7 могу личити једна на другу), а потом покушај да пронађеш неке примере на вебу.
ImageNet¶
Слике у скупу ImageNet представљају слике општих објеката: рачунара, прозора, авиона, садница, тропских животиња и разних других ентитета. Занимљиво је да су ове слике организоване у сродне групе (такозване синсете) између којих важи однос родитељ-дете. На пример, сви једрењаци припадају једној групи (једном синсету), у хијерархији испод њих се налазе групе једрилица и тримарана, док се у хијерархији изнад налазе групе водених пловила, пловила и возила. На слици, у доњем реду, можеш испратити ову хијерархију: на њеном дну су тримарани, а на врху возила. У горњем реду су синсети који се односе на псе и неке њихове категоризације.
Пример слика скупа ImageNet
Скуп тренутно садржи око 14 милиона слика и преко 21.000 синсета. Користи се у разним задацима класификације слика и детекције објеката на сликама.
Званични сајт скупа ImageNet je https://www.image-net.org/index.php. На његовом развоју активно раде истраживачи са Универзитета Станфорд и Принстон.
Покушај да пронађеш којој групи припада рачунар у скупу ImageNet и које се то групе налазе у хијерархији испод и изнад
COCO¶
Скуп података COCO (акроним од енглеског Common Objects in Context) се користи у задацима детекције објеката, сегментације слика и аутоматског придруживања наслова сликама. Креирала га је компанија Мајкрософт и поделила са заједницом 2015. године.
Слика скупа COCO са означеним препознатим објектима: авионима, камионима и аутомобилима
Скуп се интерактивно може прегледати на званичном сајту: за сваку слику доступан је URL са којег је слика преузета, неколико наслова придружених слици, а затим и низ иконица које одговарају препознатим објектима. Број слика у скупу података је 330.000 и садржи 80 категорија објеката са преко 1,5 милиона инстанци. Линк до секције за претраживање на сајту је https://cocodataset.org/#explore.
Обрада природних језика¶
IMDB¶
Ако волиш да гледаш филмове и серије, биће ти занимљив скуп података IMDB, који садржи прегледе корисника са популарне платформе IMDB. За сваки преглед у овом скупу података позната је и информација да ли је он позитиван или негативан, тј. да ли примарно садржи нешто похвално и добро о филму или неку критику и замерку. Када је реч о скуповима података који садрже текстуалне садржаје, увек је важно нагласити на ком језику су написани. Скуп података IMDB садржи прегледе који су на енглеском језику и то укупно 50.000 прегледа, 25.000 позитивних и 25.000 негативних прегледа. Испод можеш да видиш по један позитиван и негативан унос у овом скупу података.
Примери позитивних и негативних прегледа скупа IMDB
Скуп података IMDB се користи у задацима анализе сентимената - подсетимо се да су то задаци у којима је потребно препознати емоцију или став присутан у тексту. Како скуп садржи само информацију да ли је преглед позитиван или негативан, задатку анализе сентимената у IMDB скупу приступамо као проблему бинарне класификације. У општем случају, скала за изражавање сентимента може да буде финија и садржи оцене попут врло позитивно, позитивно, неутрално, негативно или врло негативно.
Обрада звука¶
AudioSet¶
AudioSet је скуп података који садржи исечке видеа са платформе Јутјуб у трајању од 10 секунди. Сваком од ових исечака придружена су обележја звукова који се у њима чују. Скуп је креирала компанија Гугл и садржи преко 2 милиона исечака у укупном трајању од 5,8 хиљада сати.
Пример видео исечка са придруженим обележјима звукова које садржи
Званични сајт скупа омогућава преглед примера и увид у организацију скупа. Користе се 632 различите категорије попут звукова музичких инструмената, звука ветра, човековог гласа, буке и слично. Можеш да посетих адресу https://research.google.com/audioset/index.html и преслушаш још неке примере. Сам скуп је креиран са идејом да подржи развој алгоритама за препознавање звукова.
Обрада видеа¶
Moments in Time¶
Moments in Time је скуп података који се развија са идејом да помогне системима вештачке интелигенције да науче да препознају радње и догађаје. Овај скуп тренутно садржи милион видеа у трајању од 3 секунде у којима су обележене активности. Видеи садрже људе, животиње, објекте и природне појаве. Само неки од догађаја који су покривени су плесање, вежбање, пењање на дрво, скок у воду и спавање.
Скуп Moments in Time развија тим са Масачусетског института технологије (МИТ) и на званичном сајту пројекта можеш да видиш још неке примере видеа и препознатих радњи. Линк до званичног сајта је http://moments.csail.mit.edu/.
Видео у којем је препознато да човек храни зеца