COMPUTER VİSİON · Başlangıç
Computer Vision Testi — Başlangıç
Görüntüyle çalışan sistemlerde görev türlerini, veri gereksinimlerini ve çıktının nasıl okunacağını ayırt etme düzeyini ölçen test.
- Soru
- 6
- Süre
- 8 dk
- Ölçülen beceri
- 4
- Seviye
- Başlangıç
Kimler çözmeli?
Görme projelerine yeni başlayan ürün, veri ve yazılım çalışanları için; makine öğrenmesi deneyimi gerekmez.
Ölçülen beceriler
- Görev türü ayrımı
- Veri ve etiket kavrayışı
- Yöntem eşleştirme
- Risk farkındalığı
Testi çöz
Her cevaptan sonra doğru yanıt ve açıklaması gösterilir. Sonuçta beceri bazlı kırılım ve eksik alan önerisi alırsın.
6 soruluk testi çözmeye hazır mısın?
Her cevaptan sonra doğru yanıt ve açıklaması gösterilir. Sonuçta beceri bazlı kırılım ve eksik alanlar için öneri alırsın.
Bu test neyi ölçüyor?
Test sonrası ne bildiğini değil, hangi beceride eksik olduğunu görürsün.
- 01
Sınıflandırma, tespit ve bölütleme görevlerini birbirinden ayırt etmek
- 02
Bir iş ihtiyacına uygun görme yaklaşımını seçmek
- 03
Güven puanını ve altgrup başarısını temkinli okumayı alışkanlık edinmek
Sorular sayfada görünür
Eğitim içeriği JavaScript arkasına gizlenmez. Aşağıdaki üç örnek soru, doğru cevapları ve açıklamalarıyla birlikte taranabilir durumdadır.
- Soru 01computer-vision-baslangic-1Görev türleri · Başlangıç · Görev türü ayrımı
Bir görüntüde kaç yaya bulunduğunu ve her birinin nerede durduğunu çıkarmak hangi görev türüdür?
- AGörüntü sınıflandırma
- BAnlamsal bölütleme
- CNesne tespiti
- DGörüntü altyazılama
Açıklama
Nesne tespiti her örnek için ayrı bir kutu verdiği için hem sayma hem konumlandırma yapılabilir. Anlamsal bölütleme en çekici yanlıştır: pikselleri sınıfa böler, ama yan yana duran iki yayayı ayrı örnek olarak işaretlemediği için sayı vermez.
Computer Vision girdisini oku - Soru 02computer-vision-baslangic-2Veri kümesi dengesi · Başlangıç · Veri ve etiket kavrayışı
Etiketli görüntü kümelerinde geçen sınıf dengesizliği terimi neyi anlatır?
- ABazı sınıflar veri kümesinde çok az örnekle temsil edilir
- BGörüntülerin çözünürlükleri sınıflar arasında farklılaşır
- CEğitim ve doğrulama kümeleri aynı görüntüleri paylaşır
- DEtiketler farklı kişiler tarafından farklı yorumlanır
Açıklama
Sınıf dengesizliği, sınıflar arasındaki örnek sayısı farkıdır ve az örnekli sınıf ölçümde de eğitimde de geri planda kalır. Diğer seçenekler gerçek veri sorunlarıdır; ikinci sırada sızıntı, üçüncüde etiketleyici uyuşmazlığı tanımlanır, fakat ikisi de örnek sayısı dağılımıyla ilgili değildir.
Machine Learning girdisini oku - Soru 03computer-vision-baslangic-3Veri artırma · Başlangıç · Yöntem eşleştirme
Eğitim görüntülerine döndürme, kırpma ve parlaklık değişimi uygulamanın amacı nedir?
- AEtiketleme maliyetini ortadan kaldırıp etiketsiz eğitime geçmek
- BÇıkarım süresini kısaltıp bellekte daha az yer kaplamasını sağlamak
- CVeri kümesindeki sınıf sayısını artırıp görevi zorlaştırmak
- DModelin farklı çekim koşullarına daha iyi genellemesini sağlamak
Açıklama
Bu dönüşümler etiketi değiştirmeden görüntü çeşitliliğini artırır ve modelin açı, kırpma ya da ışık değişimine karşı dayanıklılığını yükseltir. İlk seçenek çekicidir, çünkü veri artırma örnek sayısını çoğaltır; ancak artırılan örnekler mevcut etiketleri kullanır, etiketleme ihtiyacını kaldırmaz.
Skor nasıl okunur?
AI Curious
0–35
Kavramları duymuş, henüz haritası yok.
AI Explorer
36–60
Temelleri biliyor, uygulamada boşluklar var.
AI Practitioner
61–80
Uygulama kurabiliyor, değerlendirme eksik.
AI Builder
81–100
Üretim sistemi kurabiliyor ve ölçebiliyor.
Ölçmeye devam et
- Computer VisionComputer Vision Testi6 soru · 10 dk
- Computer VisionComputer Vision Testi — İleri6 soru · 15 dk
- Belge Anlama ve OCRBelge Anlama ve OCR Testi — Orta6 soru · 12 dk
- Konuşma ve Ses Yapay ZekâsıKonuşma ve Ses Yapay Zekâsı Testi — Başlangıç6 soru · 8 dk
- Konuşma ve Ses Yapay ZekâsıKonuşma ve Ses Yapay Zekâsı Testi — Orta6 soru · 12 dk
- Video AnlamaVideo Anlama Testi — Orta6 soru · 12 dk
LEARN
Eksik çıkan beceriyi kapat
Test sonucun beceri grafiğine işlenir; sistem hangi dersle devam etmen gerektiğini söyler.