بهترین سایتهای رایگان برای دانلود دیتاست تصویری (COCO, Roboflow)
راهنمای جامع انتخاب و دانلود دیتاستهای تصویری؛ از COCO تا Roboflow برای آموزش مدلهای بینایی ماشین
چرا پیدا کردن یک دیتاست تصویری خوب، شبیه به گنجیابی است؟
تصور کنید میخواهید به یک کودک یاد بدهید که تفاوت بین یک «سیب» و یک «گلابی» چیست. شما او را به باغچه میبرید و دهها بار روی میوههای مختلف انگشت میگذارید و میگویید: «ببین، این سیب است چون گرد است و قرمز، اما این گلابی است چون پایینش پهنتر است». در دنیای هوش مصنوعی و یادگیری ماشین (Machine Learning)، این دقیقاً همان کاری است که ما با دیتاستهای تصویری انجام میدهیم.
مدلهای بینایی ماشین (Computer Vision) برخلاف انسانها، چشم ندارند؛ آنها فقط اعداد را میبینند. برای اینکه یک مدل بتواند تشخیص دهد در یک عکس چه میگذرد، نیاز به هزاران، یا حتی میلیونها نمونه دارد که توسط انسانها «برچسبگذاری» (Labeling) شده باشند. مشکل اینجاست که جمعآوری و برچسبگذاری دستی عکسها، کابوسی واقعی است. تصور کنید بخواهید ۱۰ هزار عکس از ترافیک تهران بگیرید و برای هر عکس، دور هر ماشین یک کادر بکشید و بنویسید «این ماشین است». احتمالاً قبل از رسیدن به عکس هزارم، خسته شوید و تسلیم شوید!
بسیاری از متخصصان داده معتقدند که کیفیت دیتاست، بسیار مهمتر از پیچیدگی الگوریتم است. یک مدل ساده با یک دیتاست عالی، همیشه بهتر از یک مدل پیچیده با دادههای ضعیف عمل میکند.
اینجاست که سایتهای اشتراکگذاری دیتاست وارد میدان میشوند. این پلتفرمها در واقع «کتابخانههای عظیمی» هستند که در آن محققان، شرکتهای بزرگ مثل گوگل و متا، و حتی کاربران عادی، مجموعههای دادهای را که با زحمت جمعآوری کردهاند، به صورت رایگان در اختیار دیگران قرار میدهند. اما سوال اصلی این است: بین هزاران گزینه، کدام سایت واقعاً برای پروژه شما مفید است؟ آیا هر دیتاستی که پیدا میکنید قابل اعتماد است؟
شناخت انواع دیتاستهای تصویری؛ قبل از دانلود بدانید دنبال چه هستید
بیایید روراست باشیم؛ اگر بدون داشتن نقشه وارد یک کتابخانه بزرگ شوید، احتمالاً ساعتها وقت تلف میکنید و در نهایت با دست خالی بیرون میآیید. در دنیای بینایی ماشین، «نقشه» شما شناخت انواع تسکهای تصویری است. شما نمیتوانید برای یک پروژه «تشخیص چهره»، از دیتاستی استفاده کنید که فقط برای «دستهبندی کلی تصاویر» طراحی شده است.
اولین و سادهترین نوع، تصنیف تصویر (Image Classification) است. در اینجا هدف این است که کل عکس را در یک دسته قرار دهیم. مثلاً یک عکس داریم و مدل باید بگوید: «این عکس یک گربه است». در این حالت، ما فقط به عکس و یک برچسب (Label) ساده نیاز داریم.
اما اگر بخواهیم دقیقتر شویم، به سراغ تشخیص اشیاء (Object Detection) میرویم. در اینجا مدل نه تنها باید بگوید گربه در عکس هست، بلکه باید جای دقیق آن را با یک مستطیل (Bounding Box) مشخص کند. اگر در یک عکس پنج گربه باشد، مدل باید هر پنج تا را پیدا کند. دیتاستهایی مثل COCO دقیقاً برای همین هدف ساخته شدهاند.
حالا فرض کنید بخواهید لبههای دقیق یک تومور در عکس رادیولوژی را مشخص کنید یا مرزهای یک جاده را برای ماشینهای خودران تعیین کنید. در این حالت، مستطیلهای ساده دیگر جواب نمیدهند و ما به تقطیع یا بخشبندی (Image Segmentation) نیاز داریم. در این سطح، هر پیکسل عکس باید برچسب داشته باشد. این سختترین و گرانترین نوع دیتاست است چون برچسبگذاری آن زمانبر است.
مقایسهای سریع برای تصمیمگیری بهتر
| نوع تسک | خروجی مدل | مثال کاربردی | سختی جمعآوری داده |
|---|---|---|---|
| Classification | یک برچسب کلی | تشخیص اسپم بودن عکس | کم |
| Object Detection | مستطیل دور شیء | شمارش تعداد ماشینها | متوسط |
| Segmentation | رنگآمیزی پیکسلها | جراحی رباتیک/پزشکی | بسیار زیاد |
کالبدشکافی COCO؛ استانداردی که دنیای بینایی ماشین را تغییر داد
اگر در دنیای دیتاستهای تصویری یک «پدر معنوی» وجود داشته باشد، آن نام COCO یا همان Common Objects in Context است. احتمالاً در اکثر مقالات علمی یا آموزشهای یوتیوب نام این دیتاست را شنیدهاید. اما چرا COCO اینقدر محبوب است؟
تفاوت اصلی COCO با دیتاستهای قدیمیتر (مثل ImageNet) در این است که COCO روی «بافت» (Context) تمرکز دارد. در دیتاستهای قدیمی، عکسها معمولاً طوری بودند که شیء مورد نظر دقیقاً در وسط عکس بود و پسزمینه ساده بود. اما در دنیای واقعی، گربهها وسط عکس نیستند؛ آنها روی مبل هستند، در حال پریدن از روی دیوارند یا پشت یک پرده پنهان شدهاند. COCO تصاویری را جمعآوری کرد که اشیاء را در محیطهای واقعی و پیچیده نشان میدادند.
این دیتاست شامل صدها هزار تصویر است که بیش از ۸۰ دستهبندی مختلف (مثل آدم، ماشین، صندلی، سگ و...) را پوشش میدهد. نکته طلایی COCO این است که برای هر عکس، چندین نوع برچسبگذاری ارائه میدهد: هم Bounding Box برای تشخیص اشیاء و هم Segmentation برای تفکیک دقیق پیکسلها. این یعنی شما میتوانید با یک دیتاست، سه مدل مختلف را تست کنید.
اما یک هشدار کوچک: حجم COCO بسیار زیاد است. اگر سیستم شما محدودیت حافظه دارد یا میخواهید یک پروژه کوچک و سریع را شروع کنید، دانلود کل COCO ممکن است شما را کلافه کند. در چنین شرایطی، بهتر است به دنبال نسخههای کوچکشده (Subset) یا پلتفرمهایی بگردید که اجازه میدهند فقط دستههای خاصی را دانلود کنید..png)
بیایید تصور کنیم شما میخواهید سیستمی بسازید که در یک محیط اداری، صندلیهای خالی را پیدا کند. به جای اینکه کل دیتاست COCO را دانلود کنید و سپس هزاران عکس درخت و سگ را حذف کنید، میتوانید از ابزارهایی استفاده کنید که به شما اجازه میدهند فقط دستهی «صندلی» را استخراج کنید. اینجاست که ابزارهایی مثل Roboflow به کمک ما میآیند تا دردسرهای مدیریت دادههای حجیم را کاهش دهند.
Roboflow؛ پلی میان دادههای خام و مدلهای هوشمند
اگر COCO را یک کتابخانه عظیم بدانیم، Roboflow مانند یک کتابدار هوشمند و دستیار شخصی است که نه تنها کتاب را برای شما پیدا میکند، بلکه آن را خلاصه کرده، هایلایت میکند و در قالب مورد نیاز شما تحویل میدهد. بسیاری از تازهکارها فکر میکنند Roboflow فقط یک سایت برای دانلود دیتاست است، اما حقیقت این است که Roboflow یک «اکوسیستم کامل مدیریت داده» است.
بزرگترین مشکل در کار با دیتاستهای رایگان، «فرمت» آنهاست. یک دیتاست ممکن است با فرمت XML باشد، دیگری با JSON و سومی با CSV. اگر بخواهید اینها را به مدل خود (مثلاً YOLO یا TensorFlow) بدهید، باید ساعتها کدنویسی کنید تا فرمتها را تبدیل کنید. Roboflow این کابوس را به کل حذف کرده است. شما هر دیتاست را که آپلود کنید یا از بخش Public را پیدا کنید، میتوانید آن را با یک کلیک به هر فرمتی که مدل شما میپسندد تبدیل کنید.
اما جادوی واقعی Roboflow در بخش Augmentation یا «تولید دادههای مصنوعی» است. تصور کنید شما فقط ۱۰۰ عکس از یک قطعه صنعتی دارید. برای آموزش یک مدل خوب، این تعداد بسیار کم است. Roboflow به شما اجازه میدهد با اعمال تغییرات هوشمندانه روی این ۱۰۰ عکس (مثل چرخاندن، تغییر نور، اضافه کردن نویز یا تغییر اندازه)، آنها را به ۱۰۰۰ عکس تبدیل کنید. این کار باعث میشود مدل شما «سختجانتر» شود و در محیطهای مختلف (مثلاً در نور کم یا زاویههای مختلف) بهتر عمل کند.
در واقع، Roboflow برای کسانی که وقت یا بودجه برای جمعآوری دادههای عظیم ندارند، یک نجاتبخش است. شما میتوانید در بخش Universe این سایت، هزاران دیتاستی را پیدا کنید که توسط کاربران دیگر ساخته شده است؛ از عکسهای بیماریهای پوستی گرفته تا تصاویر پهپادها برای شناسایی محصولات کشاورزی. همه اینها آماده هستند و شما فقط باید آنها را بردارید و در مدل خود قرار دهید.
البته برای شروع، شاید در ابتدا با محیط پیچیده آن کمی گیج شوید، اما یادگیری آن تنها چند ساعت زمان میبرد و در مقابل، هفتهها از زمان شما در مرحله پیشپردازش دادهها صرفهجویی میکند. اگر در این مسیر به دنبال مشاوره تخصصی برای پیادهسازی مدلهای بینایی ماشین هستید یا میخواهید بدانید کدام دیتاست برای بیزنس شما مناسبتر است، میتوانید از طریق مشاوره با متخصصین زیروکس راهنماییهای دقیقتری بگیرید تا در تلههای رایج مدیریت داده نیافتید.
دیگر کجاها بگردیم؟ معرفی منابع طلایی و کمتر شناخته شده
خب، حالا که با غولهایی مثل COCO و ابزاری مثل Roboflow آشنا شدیم، شاید فکر کنید کار تمام شده است. اما حقیقت این است که هر پروژهای نیاز به ابعاد متفاوتی از دادهها دارد. گاهی اوقات شما به دنبال دادههای «آکادمیک و دقیق» هستید و گاهی به دادههای «عامیانه و واقعی» که در دنیای وب پراکنده شدهاند. بیایید نگاهی به چند منبع دیگر بیندازیم که هر کدام در جای خود یک قهرمان هستند.
اولین توصیهای که هر متخصص داده به شما میکند، مراجعه به Kaggle است. اگر بخواهم کاگل را توصیف کنم، آن را «شبکه اجتماعی دانشمندان داده» مینامم. کاگل فقط یک سایت برای دانلود دیتاست نیست، بلکه مکانی است که در آن مسابقات بزرگی برگزار میشود. شرکتهای بزرگ (مثلاً یک شرکت بیمه یا یک بیمارستان) دادههای واقعی خود را قرار میدهند و به هر کسی که بتواند دقیقترین مدل را بسازد، جایزه میدهند.
مزیت بزرگ کاگل برای شما این است که در کنار هر دیتاست، دهها «دفترچه کد» (Notebook) وجود دارد. تصور کنید یک دیتاست برای تشخیص بیماریهای گیاهان پیدا کردهاید؛ در کاگل میتوانید ببینید دیگران چگونه این دادهها را پاکسازی کردهاند، از چه مدلهایی استفاده کردهاند و چه اشتباهاتی مرتکب شدهاند. این یعنی شما علاوه بر داده، «تجربه» دیگران را هم رایگان دانلود میکنید.
در کاگل، هرگز تنها نیستید. اگر در مورد یک ست داده سوالی داشته باشید، در بخش Discussion احتمالاً پاسخ آن را توسط کسی پیدا میکنید که هفتهها پیش همان مشکل را داشته است.
اما اگر پروژه شما جنبه علمیتر یا تحقیقاتی دارد، Google Dataset Search ابزاری است که نباید نادیده بگیرید. گوگل دقیقاً همان کاری را با دیتاستها میکند که با وبسایتها میکند. به جای اینکه در تکتک سایتهای دانشگاهی بگردید، کافی است در این موتور جستجوی تخصصی، کلمه کلیدی خود را بنویسید. گوگل تمام مخازن داده در سراسر وب را اسکن کرده و نتایج را به شما نشان میدهد. نکته جالب اینجاست که گوگل در کنار هر نتیجه، فرمت داده (مثلاً CSV یا JSON) و مجوز استفاده (License) را هم مینویسد تا بعداً دچار مشکلات حقوقی نشوید.
جدولی برای انتخاب سریع منبع بر اساس نیاز
برای اینکه گیج نشوید، این راهنمای سریع را برای انتخاب منبع مناسب در نظر بگیرید:
| اگر هدف شما این است... | بهترین منبع شماست... | دلیل انتخاب |
|---|---|---|
| یادگیری مفاهیم پایه و تمرین | COCO / ImageNet | استاندارد بودن و مستندات زیاد |
| پیدا کردن دادههای خاص و عجیب | Roboflow Universe | تنوع بالای پروژههای کاربران |
| دیدن کدهای پیادهسازی واقعی | Kaggle | وجود Notebookهای آماده |
| جستجوی گسترده در وب جهانی | Google Dataset Search | جامعترین موتور جستجوی داده |
تلههای رایج؛ چرا هر دیتاست رایگانی «خوب» نیست؟
بیایید کمی واقعبین باشیم. رایگان بودن یک چیز، همیشه به معنای عالی بودن آن نیست. در دنیای دادهها، یک عبارت معروف وجود دارد: "Garbage In, Garbage Out" یا «زباله وارد شود، زباله خارج میشود». یعنی اگر شما یک مدل فوقالعاده پیچیده با آخرین تکنولوژیهای OpenAI یا Meta بسازید اما دادههای ورودی شما بیکیفیت باشند، خروجی مدل شما هم بیارزش خواهد بود.
یکی از رایجترین مشکلات در دیتاستهای رایگان، «عدم توازن دادهها» (Class Imbalance) است. تصور کنید میخواهید مدلی بسازید که تشخیص دهد آیا یک قطعه صنعتی سالم است یا خراب. شما یک دیتاست رایگان پیدا میکنید که ۱۰ هزار عکس دارد. خوشحال میشوید، اما وقتی بررسی میکنید میبینید ۹ هزار عکس از قطعات سالم است و فقط ۱ هزار عکس از قطعات خراب. در این حالت، مدل شما یک راه میانبر پیدا میکند: «من هر چیزی را سالم میگویم، چون ۹۰ درصد اوقات درست میگویم!» در نتیجه، مدل شما عملاً هیچ چیز یاد نمیگیرد و فقط حدس میزند.
مشکل دوم، «سوگیری» (Bias) است. این موضوع در پروژههای تشخیص چهره یا تحلیلهای اجتماعی بسیار خطرناک است. مثلاً اگر دیتاست شما فقط شامل عکسهای افرادی از یک نژاد خاص باشد، مدل شما در مواجهه با نژادهای دیگر کاملاً شکست میخورد. این یک خطای فنی نیست، بلکه یک خطای انسانی در جمعآوری داده است که باعث میشود هوش مصنوعی شما «تبعیضآمیز» عمل کند.
حالا چطور بفهمیم دیتاستی که دانلود کردهایم قابل اعتماد است؟ چند سوال ساده از خودتان بپرسید:
- آیا توزیع کلاسها برابر است؟ (تعداد عکسهای هر دسته تقریباً یکی است یا یکی خیلی بیشتر است؟)
- آیا دادهها متنوع هستند؟ (عکسها از زاویهها، نورها و پسزمینههای مختلف گرفته شدهاند یا همه شبیه هم هستند؟)
- برچسبها توسط چه کسی زده شده؟ (توسط متخصصان پزشکی بوده یا توسط افرادی که اصلاً موضوع را نمیشناختند؟)
- آیا دادههای تکراری وجود دارد؟ (گاهی اوقات در دیتاستهای رایگان، یک عکس را ۱۰ بار با تغییرات جزئی قرار میدهند تا حجم دیتاست زیاد به نظر برسد.)
اگر متوجه شدید دیتاست شما این مشکلات را دارد، لازم نیست آن را دور بریزید. میتوانید از تکنیکهایی مثل Oversampling (تولید نسخههای بیشتر از کلاس کمتعداد) یا استفاده از همان قابلیتهای Augmentation در Roboflow استفاده کنید تا تعادل را به دادههای خود برگردانید. اما به یاد داشته باشید که هیچ ابزاری نمیتواند جایگزین یک نگاه تحلیلگرانه انسانی شود.
راهنمای گامبهگام: از دانلود تا آمادهسازی برای مدل
حالا فرض کنید یک دیتاست عالی پیدا کردید و دکمه دانلود را زدید. حالا چه؟ بسیاری از مبتدیها در این مرحله میترسند چون با پوشههایی مواجه میشوند که پر از فایلهای با پسوندهایی مثل .json یا .txt است و نمیدانند باید چه کنند. بیایید این مسیر را به زبان ساده طی کنیم.
اولین قدم، بررسی ساختار (Folder Structure) است. معمولاً دیتاستها به دو بخش "Train" (برای آموزش)، "Val" (برای ارزیابی) و "Test" (برای تست نهایی) تقسیم میشوند. هرگز و هرگز نباید مدل خود را با دادههایی که در بخش Test هستند آموزش دهید؛ این کار مثل این است که سوالات امتحان را به دانشآموز بدهید و بعد از نمره ۱۰۰ او تعجب کنید! این پدیده در هوش مصنوعی Overfitting نامیده میشود.
دومین قدم، پاکسازی دادهها است. حتی در بهترین سایتها، ممکن است عکسی باشد که خراب است، سیاه است یا اصلاً ربطی به موضوع ندارد. یک دور سریع روی عکسها بزنید و موارد مشکوک را حذف کنید. هرچه دادههای شما «تمیزتر» باشد، مدل شما سریعتر همگرا میشود و خطای کمتری دارد.
سومین قدم، یکسانسازی ابعاد (Resizing) است. مدلهای بینایی ماشین نمیتوانند عکسهایی با اندازههای مختلف را همزمان پردازش کنند. شما باید تصمیم بگیرید که همه عکسها را به یک اندازه (مثلاً ۶۴۰x۶۴۰ پیکسل) تبدیل کنید. در اینجا دقت کنید که اگر عکس را بیش از حد تغییر اندازه دهید یا کشیده کنید، ممکن است ویژگیهای مهم شیء از بین برود. استفاده از متدهایی مثل Padding (اضافه کردن حاشیه سیاه دور عکس) بهتر از کشیدن عکس است.
در نهایت، دادهها را به فرمتی تبدیل کنید که مدل شما میشناسد. اگر از YOLO استفاده میکنید، هر عکس باید یک فایل متنی همنام داشته باشد که مختصات باکسها در آن نوشته شده است. اگر از TensorFlow استفاده میکنید، شاید به فرمت TFRecord نیاز داشته باشید. باز هم تأکید میکنم، اگر این مراحل برایتان پیچیده است، ابزارهای آنلاین مدیریت داده مسیر را بسیار هموار میکنند.
شاید بپرسید «آیا همیشه باید از دیتاستهای رایگان استفاده کنم؟» پاسخ ساده است: برای یادگیری و نمونههای اولیه (Prototype)، بله. اما برای یک محصول تجاری که قرار است در بازار عرضه شود، شما به دادههای اختصاصی نیاز دارید. دادههایی که دقیقاً از محیط واقعی مشتری شما جمعآوری شده باشند. در این مرحله است که تفاوت بین یک «کدنویس» و یک «استراتژیست هوش مصنوعی» مشخص میشود؛ کسی که میداند چه زمانی از دادههای عمومی استفاده کند و چه زمانی برای جمعآوری دادههای اختصاصی هزینه کند.
آینده بینایی ماشین: وقتی دادهها با خلاقیت ترکیب میشوند
تا اینجا یاد گرفتیم که چطور از منابع عظیمی مثل COCO و Roboflow استفاده کنیم، تلههای رایج را بشناسیم و دادههای خام را به شکلی تبدیل کنیم که مدلهای هوش مصنوعی بتوانند آنها را بفهمند. اما بیایید یک قدم جلوتر برویم. دنیای تکنولوژی با سرعتی پیش میرود که هر چیزی امروز «بهترین» است، فردا ممکن است قدیمی شود. اما یک اصل ثابت است: قدرت واقعی در دست کسی است که دادههای باکیفیت دارد.
امروزه ما در حال حرکت به سمت عصر «دادههای سنتتیک» (Synthetic Data) هستیم. تصور کنید به جای اینکه هزاران عکس از تصادفات رانندگی در خیابانها جمعآوری کنید (که هم خطرناک است و هم سخت)، یک محیط سه بعدی در موتور بازیسازی Unreal Engine بسازید و هزاران تصادف مجازی خلق کنید. این دادههای مصنوعی، با دقت ریاضی و برچسبهای ۱۰۰٪ درست، در حال تغییر دادن بازی هستند. بسیاری از شرکتهای پیشرو در حوزه ماشینهای خودران، اکنون ترکیبی از دیتاستهای رایگان وب و دادههای سنتتیک را برای آموزش مدلهای خود به کار میبرند.
اما برای شما که در ابتدای این مسیر هستید یا میخواهید پروژهای را در مقیاس صنعتی اجرا کنید، نکته کلیدی این است که عاشق ابزارها نباشید، بلکه عاشق حل مسئله باشید. فرقی نمیکند از COCO استفاده میکنید یا یک دیتاست دستساز؛ هدف این است که مدل شما در دنیای واقعی، در بدترین شرایط نوری و سختترین زاویهها، درست عمل کند. این یعنی شما باید همیشه یک روح منتقد داشته باشید و هرگز به دقتهای بالای ۹۹٪ در محیط آزمایشگاهی اعتماد نکنید.
"در هوش مصنوعی، دادهها همان سوخت هستند. اما موتور شما، یعنی مدل انتخابی، تنها زمانی بهینه کار میکند که سوخت خالص و بدون ناپاکی باشد."
چکلیست نهایی برای شروع پروژه شما
قبل از اینکه اولین خط کد را بنویسید یا اولین گیگابایت داده را دانلود کنید، این چکلیست سریع را مرور کنید تا مطمئن شوید هیچ نکتهای را فراموش نکردهاید:
- تعریف هدف: آیا به دنبال Classification هستید یا Object Detection یا Segmentation؟
- انتخاب منبع: آیا دادههای من در COCO وجود دارد یا باید در Roboflow Universe یا Kaggle بگردم؟
- بررسی لایسنس: آیا این دیتاست برای استفاده تجاری آزاد است یا فقط برای مقاصد پژوهشی است؟
- تحلیل توزیع: آیا تعداد عکسهای هر کلاس با هم برابر است یا نیاز به Oversampling دارم؟
- استراتژی Augmentation: چه تغییراتی (چرخش، نور، نویز) باعث میشود مدل من در محیط واقعی مقاومتر شود؟
- جداسازی دادهها: آیا بخش Test را کاملاً از Train و Val جدا کردهام تا دچار Overfitting نشوم؟
در نهایت، باید این حقیقت را بپذیریم که مدیریت دیتاستها و آموزش مدلهای بینایی ماشین، مسیری پر از آزمون و خطا است. گاهی اوقات شما هفتهها وقت صرف دانلود و آمادهسازی دادهها میکنید، اما در نهایت متوجه میشوید که مدل شما به دلیل یک خطای کوچک در برچسبگذاری، هرگز به دقت مورد نیاز نمیرسد. اینجاست که تخصص و تجربه وارد عمل میشود تا مسیرهای طولانی را به چند قدم کوتاه تبدیل کند.
اگر در حال حاضر روی پروژهای کار میکنید و احساس میکنید در پیچوخمهای مدیریت دادهها یا انتخاب مدل مناسب گیر کردهاید، یا شاید میخواهید یک سیستم بینایی ماشین را برای کسبوکار خود پیادهسازی کنید اما نمیدانید از کجا شروع کنید، بهتر است به جای آزمون و خطاهای هزینهبر، با کسانی صحبت کنید که این مسیر را بارها طی کردهاند. شما میتوانید برای دریافت راهنماییهای تخصصی و بهینهسازی فرآیند آموزش مدلهایتان، از طریق بخش تماس با ما در زیروکس با کارشناسان ما در ارتباط باشید تا با هم، کوتاهترین و دقیقترین مسیر را برای رسیدن به نتیجه پیدا کنیم.
یادگیری ماشین یک ماراتن است، نه یک دوی سرعت. با استفاده از منابع رایگانی که معرفی کردیم، ابزارهایی که یاد گرفتید و نگاهی تحلیلگرانه به دادهها، شما اکنون تمام ابزارهای لازم برای شروع این سفر هیجانانگیز را در اختیار دارید. حالا وقت آن است که دست به کار شوید، دادهها را دانلود کنید و به مدل خود «دیدن» را بیاموزید.