Gépi tanulással a természeti katasztrófák ellen
Az előadásból kiderül, hogyan segíthet a műholdképek szegmentációjában és akár a katasztrófák megelőzésében a deep learning.
A természeti katasztrófák megelőzésének és kezelésének egyik kulcsa az épített környezet naprakész ismerete. Ez különösen a fejlődő országokban jelent gondot, emiatt is indított a DrivenData Labs és a Global Facility for Disaster Reduction and Recovery (GFDRR) egy nyílt versenyt a probléma megoldására. Ezen a versenyen vett részt a Starschema csapata, a megmérettetés tanulságait pedig a 2020. március 31-i HWSW free! meetupon elhangzott előadásában a cég két adattudósa, Zempléni Balázs és Tóth Benedek járták körbe.
Ott leszel?
Janklovics Péter stand-upol a SYSADMINDAY-en!
|
Ott leszel?
Janklovics Péter stand-upol a SYSADMINDAY-en!
Mik a bevett módszerek műholdképek feldolgozására és épületek felismerésére? Milyen modellt érdemes tanítani, milyen adatokon és pontosan milyen logika mentén? Hogyan manipulálható a tanító adat és a kész predikció jobb eredmények elérése érdekében? Hol vannak a folyamat technológiai korlátai és ezek meghaladása milyen projektstruktúrát kíván meg? Az előadás elejétől a végéig beszámol egy alkalmazott deep learning megoldásról, mind az elméleti háttérről, mind a megvalósítás kérdéseiről.
Gépi tanulással a természeti katasztrófák ellen - Zempléni Balázs, Tóth Benedek (Starschema)
Még több videó
A természeti katasztrófák megelőzésének és kezelésének egyik kulcsa az épített környezet naprakész ismerete. Ez különösen a fejlődő országokban jelent gondot, emiatt is indított a DrivenData Labs és a Global Facility for Disaster Reduction and Recovery (GFDRR) egy nyílt versenyt a probléma megoldására. Ezen a versenyen vett részt a Starschema csapata, a megmérettetés tanulságait pedig a 2020. március 31-i HWSW free! meetupon elhangzott előadásában a cég két adattudósa, Zempléni Balázs és Tóth Benedek járták körbe.
Ott leszel?
Janklovics Péter stand-upol a SYSADMINDAY-en!Ott leszel? Janklovics Péter stand-upol a SYSADMINDAY-en!
Mik a bevett módszerek műholdképek feldolgozására és épületek felismerésére? Milyen modellt érdemes tanítani, milyen adatokon és pontosan milyen logika mentén? Hogyan manipulálható a tanító adat és a kész predikció jobb eredmények elérése érdekében? Hol vannak a folyamat technológiai korlátai és ezek meghaladása milyen projektstruktúrát kíván meg? Az előadás elejétől a végéig beszámol egy alkalmazott deep learning megoldásról, mind az elméleti háttérről, mind a megvalósítás kérdéseiről.
Gépi tanulással a természeti katasztrófák ellen - Zempléni Balázs, Tóth Benedek (Starschema)
Még több videó