الكاتب: Pulkit شارما

الترجمة: الملك الطاقة

تصحيح التجارب المطبعية: دينغ NANYA

هذه المقالة حول 3400 كلمات وأوصى القراءة لمدة 10 دقائق.

توضح هذه المقالة عملية إنشاء نموذج التعلم والتعرف على الصور عميق من قبل بيان المشكلة من اللعبة الفعلية، وإدخال إطار نموذج وإظهار رمز الحل، توفر الإطار الأساسي لإيجاد حل لمشكلة التعرف على الصور للمبتدئين.

مقدمة

"وبعد دقائق قليلة يمكنك إنشاء نموذج التعلم العميق؟ أن التدريب يستغرق بضع ساعات، حسنا! لدي ولا حتى آلة جيدة بما فيه الكفاية." لقد سمعت عدة مرات يطمح العلماء بيانات يقولون انهم يخشون من بناء نموذج التعلم العميق على الجهاز.

في الواقع، لم يكن لديك للعمل في جوجل أو غيرها من شركات التكنولوجيا الكبيرة، ويمكنك معرفة عمق مجموعة التدريب البيانات. يمكنك استخدام بضع دقائق لبناء من نقطة الصفر الشبكة العصبية الخاصة بك، دون الحاجة لاستئجار خادم Google. استغرق الطلاب Fast.ai 18 دقيقة لتصميم نموذج لمجموعة البيانات ImageNet، ثم سوف تظهر نهجا مماثلا في هذه المقالة.

التعلم العميق هو مجال واسع، ولذا فإننا سوف تضييق تركيزنا على تصنيف الصور. وعلاوة على ذلك، سوف نستخدم بنية التعلم عمق بسيط جدا لتحقيق دقة جيدة جدا.

يمكنك هنا كود بايثون كأساس لبناء نموذج تصنيف الصور، ومرة واحدة لديك جيدة فهم هذه المفاهيم، يمكنك الاستمرار في البرمجة، والعرق، وتصدرت القائمة.

إذا كنت بدأت للتو لمعرفة متعمقة والانبهار مجال الرؤية الحاسوبية (الذي لا ؟!) مما لا شك فيه أن ننظر إلى رؤية الحاسوب باستخدام دورات التعلم العميق، تبريده في هذا المجال مقدمة شاملة، لمستقبلك دخول سوق العمل هذا الأساس ضخمة.

بالطبع الرابط: https://trainings.analyticsvidhya.com/courses/course-v1:AnalyticsVidhya+CVDL101+CVDL101_T1/ عنه؟ utm_source على = imageclassarticle والمتوسطة utm_ = بلوق دليل

أولا، ما هو تصنيف الصور وتطبيقاتها

ثانيا، يتم توفير بنية بيانات الصورة

ثالثا، عملية التحلل نموذج

رابعا، تحديد المشكلة وفهم مجموعة البيانات

خمس خطوات لإنشاء صورة لنموذج التصنيف

تبدأ ستة تحديات أخرى

أولا، ما هو تصنيف الصور وتطبيقاتها

نلاحظ في الصورة التالية:

يجب أن تكون قادرا على التعرف على الفور - هو كل من السيارات الفاخرة. خذ ظهر خطوة لتحليل كيف تحصل على هذه النتيجة - التي تظهر صورة، فإنك سوف تقسيمه إلى "سيارة" في هذه الفئة (في هذه الحالة). بعبارات بسيطة، وهذه العملية هي تصنيف الصور.

في كثير من الحالات، سوف تكون الصورة العديد من الفئات. التفتيش اليدوي وتصنيف الصور هو عملية شاقة للغاية. وخصوصا عندما تصبح المشكلة حتى عندما المليون من 10000 الصور، هذه المهمة شبه مستحيلة. حتى اذا كنا نستطيع أتمتة هذه العملية وتحقيق فئة علامة صورة سريعة، وهذا له فائدة كبيرة آه.

المركبات الذاتية هي مثال جيد على تطبيقات تصنيف الصور في العالم الحقيقي. من أجل تحقيق الطيار الآلي، يمكننا أن نبني نموذجا تصنيف الصور للتعرف على الكائنات المختلفة على الطريق، مثل المركبات والأشخاص وغيرها من الأجسام المتحركة. سنرى المزيد من التطبيقات في المقطع التالي، وهناك العديد من التطبيقات حتى في صالحنا.

الآن أن لدينا يتقن هذا الموضوع، لذلك دعونا نلقي نظرة اخرى على كيفية بناء نموذج صورة التصنيف، ما يفترض ذلك، وكيفية تنفيذه في بيثون.

ثانيا، يتم توفير بنية بيانات الصورة

مجموعة البيانات المتوفرة لدينا يتطلب هيكل خاص لحل مشكلة تصنيف الصورة. سنرى في أجزاء قليلة من هذا، ولكن قبل نزول، والحفاظ على هذه الاقتراحات.

يجب إنشاء مجلدين، وطرح مجموعة التدريب، وطرح مجموعة أخرى من الاختبارات. تدريب المجلدات ملف مجموعة وضعت ملف CSV ومجلد من الصور:

• ملف CSV بتخزين كافة أسماء الصورة التدريب الصورة والتسمية الحقيقية يناظرها
• مجلد الصور لتخزين كل الصور التدريب

اختبار مجموعة ملف مجلد CSV ومختلفة تدريب مجموعة المجلدات ملف CSV، ملف CSV اسم المجلد مجموعة اختبار يحتوي على صور فقط من صورة اختبار، وليس بما في ذلك تسمية الحقيقية. لأننا نريد أن توقع مجموعة اختبار الصور من خلال التدريب في مجموعة التدريب من الصور.

إذا مجموعة البيانات الخاصة بك ليست هذه الصيغة، تحتاج إلى تحويل، وإلا تنبؤات قد تكون خاطئة.

ثالثا، عملية التحلل من بناء نموذج

قبل ندرس كود بايثون، دعونا نفهم أولا كيف تم تصميم نموذج تصنيف الصور عادة. ويمكن تقسيم العملية إلى أربعة أجزاء. كل خطوة تتطلب وقتا معينا لتنفيذ:

الخطوة الأولى: وقبل تحميل البيانات في الوقت --30

الخطوة الثانية: --10 من الوقت المحدد نموذج العمارة

الخطوة الثالثة: --50 من نموذج وقت التدريب

الخطوة الرابعة: --10 من الوقت نموذج تقييم الأداء

بعد ذلك، سوف أشرح بمزيد من التفاصيل حول كل خطوة أعلاه. هذا جزء مهم جدا لأن يتم بناؤها ليس كل النماذج في الخطوة الأولى. كنت بحاجة إلى العودة بعد كل التكرار من الخطوات لصقل، ومن ثم تشغيله مرة أخرى. لدي فهم عميق للمفاهيم الأساسية، لتسريع العملية برمتها ستكون عونا كبيرا.

• الخطوة الأولى: ما قبل معالجة البيانات وتحميل

من حيث نموذج التعلم عمق والبيانات أمر بالغ الأهمية. إذا ركز التدريب على عدد كبير من الصور، ونموذج تصنيف الصور لديك فرصة أكبر لتحقيق نتائج أفضل تصنيف. وعلاوة على ذلك، يختلف عن الإطار المستخدم، أبعاد مختلفة من البيانات، وليس له نفس التأثير.

لذلك، على هذه البيانات الحرجة تجهيزها الخطوة، فإنني أوصي تصفح المقالة التالي لديهم فهم أفضل للتجهيزها من بيانات الصورة:

أساسيات معالجة الصور في بيثون https://www.analyticsvidhya.com/blog/2014/12/image-processing-python-basics/)

ولكن ليس لدينا تماما لهذه البيانات وتجهيزها الخطوة، من أجل فهم البيانات المتوفرة لدينا في مجموعة بيانات جديدة لم يسبق له مثيل الأداء (قبل مجموعة اختبار التنبؤ)، ونحن بحاجة للبدء في مجموعة التدريب ينقسم إلى جزء من مجموعة التحقق من الصحة.

باختصار، نحن في مجموعة التدريب لتدريب نموذج ومن ثم تحقق من مجموعة التحقق من الصحة. إذا وضعنا تحقق من النتائج على رضا، ويمكن استخدامها للتنبؤ مجموعة بيانات الاختبار.

الوقت المطلوب: حول 2-3 دقائق .

• الخطوة الثانية: نماذج الإطار

هذا هو نموذج آخر التعلم العميق خلال خطوة هامة. في هذه العملية، والحاجة إلى النظر في الأسئلة التالية:

• كم عدد طبقات احتياجات الالتواء؟
• ما هي الوظائف يتم تنشيط كل طبقة؟
• كل طبقة لديها عدد من الوحدات الخفية؟

هناك مشاكل أخرى. ولكن هذه هي أساسا المعلمات نموذج السوبر، والتي تلعب دورا هاما في توقع النتيجة.

كيفية تحديد هذه القيم على مجلس الشيوخ؟ سؤال جيد! أسلوب واحد هو لتحديد هذه القيم بناء على الدراسات السابقة. فكرة أخرى هي أن تحاول أن تبقي هذه القيم حتى تجد أفضل، ولكن يمكن أن يكون مضيعة للوقت العملية نفسها.

الوقت المطلوب: حول 1 دقيقة تحديد هذا الإطار.

• الخطوة الثالثة: تدريب نموذج

التدريب النموذجي، نحن بحاجة إلى:

• صور تدريب والتسمية الحقيقية.
• وضع التحقق من صحة الصورة والتسمية الحقيقية. (كنا فقط للتحقق من العلامة مجموعة من تقييم نموذج لا يستخدم للتدريب)

ونحن بحاجة أيضا لتحديد عدد مرات التكرار (عصر). في البداية، نقوم بتدريب 10 مرات (يمكنك تغييرها).

الوقت المطلوب: ربما 5 دقائق لمعرفة بنية النموذج.

• الخطوة 4: تقييم أداء نموذج

وأخيرا، فإننا تحميل بيانات الاختبار (الصورة) وأكمل الخطوات تجهيز قبل. ثم نستخدم نموذج للتنبؤ التدريب الطبقة هذه الصور.

الوقت المطلوب: 1 دقيقة

رابعا، تحديد المشكلة وفهم مجموعة البيانات

ونحن سوف نبذل تحد رائع حقا لفهم تصنيف الصور. نحن بحاجة إلى خلق نموذج يمكن تصنيفها (القمصان والسراويل والأحذية والجوارب، الخ) لصورة معينة. هذا هو في الواقع المشكلة عن طريق العديد من تجار التجزئة والتجارة الإلكترونية التي تواجهها، الأمر الذي يجعل من مشكلة أكثر إثارة للاهتمام في رؤية الكمبيوتر.

ويسمى هذا التحدي "الملابس تحديد" هي واحدة من المشاكل العملية التي واجهناها في البيانات القرصنة منصة. لديك لتسجيل وتحميل مجموعة من البيانات من الرابط أعلاه.

"الاعتراف زي" رابط المسابقة: https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-apparels/) قراصنة منصة: https://datahack.analyticsvidhya.com/

ما مجموعه 70000 الصور (28x28 البعد)، 60،000 منها تأتي من مجموعة تدريب 10000 من مجموعة الاختبار. وكانت صورة تدريب سابقا ملحوظة فئات التسمية الملابس، ما مجموعه 10 فئات. وضع الاختبار لا التسمية. هذه اللعبة هي عبارة عن مجموعة اختبار التعرف على الصور.

سوف نبني نموذج في Google Colab، لأنه يوفر GPU مجانا.

جوجل Colab: https://colab.research.google.com/ خمس خطوات لإنشاء صورة لنموذج التصنيف

ثم حان الوقت لإظهار مهاراتك بيثون الأصدقاء، ذهبنا إلى مرحلة التنفيذ النهائية!

الخطوات الرئيسية هي كما يلي:

• مجموعة جوجل Colab
• مكتبة الاستيراد
• استيراد البيانات البيانات preprocessed (3 دقائق)
• وضع مجموعة التحقق من صحة
• هيكل نموذج تعريف (1 دقيقة)
• الاحذية (5 دقائق)
• التنبؤ (1 دقيقة)

وترد تفاصيل الخطوات المذكورة أعلاه أدناه.

• الخطوة 1: إعداد جوجل Colab

لأننا استيراد البيانات من رابط محرك جوجل، نحن بحاجة إلى إضافة بعض التعليمات البرمجية على جوجل Colab دفتر الملاحظات. جديد Python3 المحمول، كتابة التعليمات البرمجية التالية:

! بيب تثبيت PyDrive

هذه الخطوة هي لتثبيت PyDrive. الحاجة مكتبة الاستيراد التالية:

السراج استيراد من pydrive.auth GoogleAuth استيراد من pydrive.drive جوجل درايف استيراد من google.colab المصادقة استيراد من GoogleCredentials استيراد oauth2client.client

إنشاء متغير بالسيارة دون الوصول في Google Drive:

auth.authenticate_user () gauth = GoogleAuth () gauth.credentials = GoogleCredentials.get_application_default () محرك جوجل درايف = (gauth)

الحاجة ID في Google Drive تحميل الملفات إلى مجموعات تحميل البيانات:

تحميل = drive.CreateFile ({ 'معرف': '1BZOv422XJvxFUnGh-0xVeSvgFgqVY45q'})

الجزء معرف استبدال معرف المجلد الخاص بك. تحميل المقبل المجلد واستخراج.

download.GetContentFile ( 'train_LbELtWX.zip') ! بفك train_LbELtWX.zip

في كل مرة تقوم فيها بتشغيل الحاجة دفتر لتشغيل التعليمات البرمجية أعلاه.

• الخطوة 2: استيراد المكتبات النموذج المطلوب.

keras استيراد من keras.models استيراد متسلسل من keras.layers استيراد الكثيفة، التسرب، تسطيح من keras.layers استيراد Conv2D، MaxPooling2D من keras.utils to_categorical استيراد من استيراد صورة keras.preprocessing استيراد نمباي كما أرستها الباندا الواردات والمشتريات matplotlib.pyplot استيراد كما معاهدة قانون البراءات من sklearn.model_selection train_test_split استيراد من keras.utils to_categorical استيراد من tqdm tqdm استيراد

• الخطوة 3: بعد ذلك يتم استيراد البيانات وتجهيزها.

القطار = pd.read_csv ( 'train.csv')

بعد ذلك، سنقرأ مجموعة التدريب، وتخزينها على شكل قائمة، وتحويلها في النهاية إلى مجموعة نمباي.

# لدينا الصور الرمادية، وذلك أثناء تحميل الصور وسوف نستمر في الرمادي = صحيح، إذا كان لديك صور RGB، يجب تعيين الرمادي كما خطأ train_image = لأنني في tqdm (المدى (train.shape )): IMG = image.load_img ( 'قطار / "+ القطار .astype ( 'شارع') + '. بابوا نيو غينيا، target_size = (28،28،1)، الرمادي = صحيح) IMG = image.img_to_array (IMG) IMG = IMG / 255 train_image.append (IMG) X = np.array (train_image)

هذا هو متعدد التصنيف (10 فئات)، تحتاج إلى المتغيرات التسمية ترميز الساخنة واحد.

ذ = القطار . القيم ذ = to_categorical (ص)

• الخطوة 4: من مجموعة التدريب وتنقسم مجموعة التحقق من صحة

X_train، X_test، y_train، y_test = train_test_split (X، Y، random_state = 42، test_size = 0.2)

• خطوة 5: تحديد هيكل نموذج

سوف نبني بنية بسيطة، وهناك نوعان طبقة الإلتواء، وطبقة خفية، طبقة الإنتاج.

نموذج = متسلسل () model.add (Conv2D (32، kernel_size = (3، 3)، وتفعيل = 'relu، input_shape = (28،28،1))) model.add (Conv2D (64، (3، 3)، وتفعيل = 'relu')) model.add (MaxPooling2D (pool_size = (2، 2))) model.add (التسرب (0.25)) model.add (تسطيح ()) model.add (الكثيفة (128، 'relu' = تفعيل)) model.add (التسرب (0.5)) model.add (الكثيفة (10، تفعيل = "softmax '))

تجميع المقبل نموذج.

model.compile (الخسارة = 'categorical_crossentropy، محسن =' آدم '، مقاييس = )

• خطوة 6: المدرب

في هذه الخطوة، ونحن سوف يكون تدريب مجموعة بيانات التدريب، تحقق، على مجموعة التحقق من الصحة.

model.fit (X_train، y_train، العهود = 10، validation_data = (X_test، y_test))

• خطوة 7: توقعات!

سيتم تنفيذ خطوتنا الأولى عند معالجة بيانات التدريب المقرر أن يتبع. تحميل صورة الاختبار ونتائج تصنيف متوقعا، مع model.predict_classes () وظيفة التنبؤ فئتها.

تحميل = drive.CreateFile ({ 'معرف': '1KuyWGFEpj7Fr2DgBsW8qsWvjqEzfoJBY'}) download.GetContentFile ( 'test_ScVgIM0.zip') ! بفك test_ScVgIM0.zip

لأول مرة في مجموعة الاختبار:

اختبار = pd.read_csv ( 'test.csv')

وبعد ذلك، تتم قراءة البيانات وتخزينها في مجموعة الاختبار:

test_image = لأنني في tqdm (المدى (test.shape )): IMG = image.load_img ( 'اختبار /' + اختبار .astype ( 'شارع') + '. بابوا نيو غينيا، target_size = (28،28،1)، الرمادي = صحيح) IMG = image.img_to_array (IMG) IMG = IMG / 255 test_image.append (IMG) اختبار = np.array (test_image) # جعل التوقعات التنبؤ = model.predict_classes (اختبار)

أيضا تحتاج إلى تقديم مجلد جديد لتحميل منصة DataHack.

تحميل = drive.CreateFile ({ 'معرف': '1z4QXy7WravpSj-S4Cs9Fk8ZNaX-qh5HF'}) download.GetContentFile ( 'sample_submission_I5njJSF.csv') # ملف التقديم الآن إنشاء عينة = pd.read_csv ( 'sample_submission_I5njJSF.csv') عينة تنبؤ sample.to_csv ( 'sample_cnn.csv، رأس = صحيح، مؤشر = خطأ)

Sample_cnn.csv تنزيل وتحميل الملفات إلى صفحة اللعبة، وخلق الترتيب الخاص بك. وهذا يوفر الأساس لبرنامج لمساعدة البدء في حل مشكلة تصنيف الصورة.

يمكنك محاولة لضبط المعلمات والتنظيم المتطرف لتحسين نتائج النموذج. يمكننا أيضا أن نفهم تفاصيل مساعد من خلال قراءة المادة التالية.

A الشامل دروس لتعلم التلافيف الشبكات العصبية من الصفر https://www.analyticsvidhya.com/blog/2018/12/guide-convolutional-neural-network-cnn/ سادسا، فتح تحديا جديدا

محاولة دعونا إلى اختبار في مجموعات البيانات الأخرى. في هذا القسم، وسوف نحل هذه المشكلة على التعرف على سيارة.

تحديد رابط لعبة الأرقام: https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-digits/

قبل أن تقرأ، يرجى انها محاولة لنفسك في حل هذا التحدي. لقد حصدت أدوات حل المشكلات، وتحتاج فقط لاستخدامها. عندما تحصل على الذهاب صعبة يمكنك التحقق مرة أخرى عملية والنتائج.

في هذا التحدي، نحن بحاجة إلى تحديد صورة رقمية معينة. ما مجموعه 70000 الصور، 49،000 صور تدريب وصفت، والصور 21،000 اختبار المتبقية غير المسماة.

مستعد؟ حسن! فتح دفتر Python3 جديد، تشغيل التعليمات البرمجية التالية:

# إعداد Colab ! بيب تثبيت PyDrive السراج استيراد من pydrive.auth GoogleAuth استيراد من pydrive.drive جوجل درايف استيراد من google.colab المصادقة استيراد من GoogleCredentials استيراد oauth2client.client auth.authenticate_user () gauth = GoogleAuth () gauth.credentials = GoogleCredentials.get_application_default () محرك جوجل درايف = (gauth) # استبدال هوية واسم في أدناه رموز تحميل = drive.CreateFile ({ 'معرف': '1ZCzHDAfwgLdQke_GNnHp_4OheRRtNPs-'}) download.GetContentFile ( 'Train_UQcUa52.zip') ! بفك Train_UQcUa52.zip # المكتبات استيراد keras استيراد من keras.models استيراد متسلسل من keras.layers استيراد الكثيفة، التسرب، تسطيح من keras.layers استيراد Conv2D، MaxPooling2D من keras.utils to_categorical استيراد من استيراد صورة keras.preprocessing استيراد نمباي كما أرستها الباندا الواردات والمشتريات matplotlib.pyplot استيراد كما معاهدة قانون البراءات من sklearn.model_selection train_test_split استيراد من keras.utils to_categorical استيراد من tqdm tqdm استيراد القطار = pd.read_csv ( 'train.csv') # قراءة الصور التدريب train_image = لأنني في tqdm (المدى (train.shape )): IMG = image.load_img ( 'صور / قطار / "+ القطار ، Target_size = (28،28،1)، الرمادي = صحيح) IMG = image.img_to_array (IMG) IMG = IMG / 255 train_image.append (IMG) X = np.array (train_image) # إنشاء متغير الهدف ذ = القطار . القيم ذ = to_categorical (ص) # مجموعة التحقق من صحة الآن إنشاء X_train، X_test، y_train، y_test = train_test_split (X، Y، random_state = 42، test_size = 0.2) # تحديد هيكل نموذج نموذج = متسلسل () model.add (Conv2D (32، kernel_size = (3، 3)، وتفعيل = 'relu، input_shape = (28،28،1))) model.add (Conv2D (64، (3، 3)، وتفعيل = 'relu')) model.add (MaxPooling2D (pool_size = (2، 2))) model.add (التسرب (0.25)) model.add (تسطيح ()) model.add (الكثيفة (128، 'relu' = تفعيل)) model.add (التسرب (0.5)) model.add (الكثيفة (10، تفعيل = "softmax ')) # ترجمة نموذج model.compile (الخسارة = 'categorical_crossentropy، محسن =' آدم '، مقاييس = ) # تدريب نموذج model.fit (X_train، y_train، العهود = 10، validation_data = (X_test، y_test)) تحميل = drive.CreateFile ({ 'معرف': '1zHJR6yiI06ao-UAh_LXZQRIOzBO3sNDq'}) download.GetContentFile ( 'Test_fCbTej3.csv') test_file = pd.read_csv ( 'Test_fCbTej3.csv') test_image = لأنني في tqdm (المدى (test_file.shape )): IMG = image.load_img ( 'صور / اختبار /' + test_file ، Target_size = (28،28،1)، الرمادي = صحيح) IMG = image.img_to_array (IMG) IMG = IMG / 255 test_image.append (IMG) اختبار = np.array (test_image) التنبؤ = model.predict_classes (اختبار) تحميل = drive.CreateFile ({ 'معرف': '1nRz5bD7ReGrdinpdFcHVIEyjqtPGPyHx'}) download.GetContentFile ( 'Sample_Submission_lxuyBuB.csv') عينة = pd.read_csv ( 'Sample_Submission_lxuyBuB.csv') عينة test_file عينة تنبؤ sample.to_csv ( 'sample.csv، رأس = صحيح، مؤشر = خطأ)

إرسال هذا الملف الصفحة على التدريبات، وسوف تحصل على دقة جيدة إلى حد ما. هذا هو بداية جيدة، ولكن هناك دائما مجال للتحسين. تواصل الكبد ومعرفة ما إذا كان يمكنك تحسين النموذج الأساسي لدينا.

نهاية

الذي يقول أن نماذج التعلم عميقة تتطلب ساعات أو أيام من التدريب. هدفي هو إظهار أن تتمكن من التوصل إلى طريقة تعلم جيدا عمق جميلة في وقت سريع مزدوج. يجب أن تتلقى تحديا مماثلا، ومحاولة لترميز لهم من المحطة الطرفية. شيء مثل التعلم بالممارسة!

العلماء بيانات أفضل والمحللين حتى قبل بداية المباراة للقراصنة كود جاهز. انهم استخدام التعليمات البرمجية في وقت مبكر من تقديم مزيد من التحليل المفصل. إعطاء إشارة حل أولا، ثم استخدام تقنيات مختلفة لتحسين النموذج.

هل وجدت هذه المادة مفيدة؟ الرجاء في قسم التعليقات أدناه لمشاركة تعليقاتك.

العنوان الأصلي:

بناء الخاصة بك الصورة الأولى تصنيف النموذجي في 10 دقيقة فقط!

الرابط الأصلي:

https://www.analyticsvidhya.com/blog/2019/01/build-image-classification-model-10-minutes/

المحرر: هوانغ Jiyan

مقدمة المترجم

الملك الطاقة وأيوب كلاب البحث والتكنولوجيا تعلم البيانات الكبيرة في جامعة هونغ كونغ للعلوم والتكنولوجيا. الشعور بيانات علمية صعبة جدا، ومثيرة للاهتمام للغاية، لا تزال التعلم (تو) زيان (تو) في. A كبد الإنسان لا يتحرك وثائق لإرسال البيانات تتبع العصابات معا الكبد.

- انتهى -

تسينغهوا الانتباه - بيانات أكاديمية تشينغداو للعلوم قناة الصغرى الرسمية منصة الجمهور " بيانات الإرسال THU "أيتها الأخوات ولا". إرسال البيانات THU "لرعاية المزيد من المحاضرات ونوعية المحتوى.