Förstå klassificering
Du kan använda en maskininlärningsklassificeringsteknik för att förutsäga vilken kategori eller klass något tillhör. I maskininlärningsmodeller för klassificering används en uppsättning indata, som vi kallar egenskaper, till att beräkna en sannolikhetspoäng för varje möjlig klass och förutsäga en etikett som anger vilken klass ett objekt troligast tillhör.
En blommas egenskaper kan till exempel bestå av måtten på blad, skaft, foderblad och andra kvantifierbara egenskaper. En maskininlärningsmodell kan tränas genom att du tillämpar en algoritm på de här måtten som beräknar den troligaste sortens blomma, dess klass.
Förstå bildklassificering
Bildklassificering är en maskininlärningsteknik där objektet som klassificeras är en bild, till exempel ett fotografi.
För att skapa en bildklassificeringsmodell behöver du data som består av funktioner och deras etiketter. Befintliga data är en uppsättning kategoriserade bilder. Digitala bilder består av en matris med pixelvärden. De används som funktioner till att träna modellen baserat på de kända bildklasserna.
Modellen tränas att matcha mönstren i pixelvärdena med en uppsättning klassetiketter. När modellen har tränats kan du använda den med nya uppsättningar funktioner för att förutsäga okända etikettvärden.
Azures Custom Vision-tjänst
De flesta moderna bildklassificeringslösningar baseras på tekniker för djupinlärning där konvolutionella neurala nätverk (CNN) används till att upptäcka mönster i de pixlar som motsvarar vissa klasser. Det är svårt att träna en effektiv CNN och det krävs betydande kunskaper i data science och maskininlärning.
Vanliga tekniker som används för att träna bildklassificeringsmodeller har kapslats in i Azure AI Custom Vision-tjänsten i Microsoft Azure, vilket gör det enkelt att träna en modell och publicera den som en programvarutjänst med minimal kunskap om djupinlärningstekniker. Du kan använda Azure AI Custom Vision för att träna bildklassificeringsmodeller och distribuera dem som tjänster som program kan använda.