# Téma: Praktické využitie prístupov počítačového videnia na klasifikáciu obrázkových dát

V dnešnej sérií TUKE Hands-Off 2025 sa zameriame na praktickú aplikáciu prístupov počítačoveho videnia (Computer Vision) na vytvorenie vhodného klasifikačného modelu na identifikáciu/klasifikáciu obrázkových dát.

# Inštalácia knižníc a nastavenie prostredia

1. Vytvoriť nové virtuálne prostredie: python -m venv handsoff_cnn

2. Aktivovať prostredie:

• Linux, Unix, MacOS: source handsoff_cnn/bin/activate
• Windows Command Prompt: handsoff_cnn/Scripts/activate.bat
• Bash (Windows): source handsoff_cnn/Scripts/activate

3. Spustiť inštaláciu potrebných knižníc: pip install tensorflow numpy scikit-learn matplotlib

4. Vytvoriť ipython kernel: python -m ipykernel install --user --name handsoff_cnn --display-name "Python (handsoff_cnn)"

5. Otvoriť/vytvoriť Jupyter notebook

6. V Jupyter notebooku vybrať novo nainštalovaný kernel "Python (handsoff_cnn)"

# Praktická úloha: Klasifikácia obrázkových dát

Cieľom dnešnej časti TUKE Hands-Off 2025 je pokúsiť sa spoločne vytvoriť a nastrénovať model strojového učenia využitím konvolučných neurónových sietí, ktorý bude schopný klasifikovať obrázkové dáta do 10 katedórií (tried).

# Materiály ku kurzu:

• prednáška, návody, zdrojové kódy

# Dátové sady:

• Cifar-10
• MNIST

# Úloha na precvičenie

Vytvorte model konvolučnej neurónovej siete schopný klasifikovať objekty dátovej sady Fashion MNIST. V rámci riešenia nastolenej problematiky zahrňte nasledujúce body:

• zostavte vlastnú architektúru pre CNN
• natrénujte model na trénovacej dátovej sade
• validujte model na testovacej dátovej sade
• vykreslite priebeh trénovania (accuracy + loss)
• vytvorte maticu zámen
• dátová sada Fashion MNIST

# Ďalšie materiály

• Convolutional Neural Networks [1] [2] [3]
• Optimizers [4]
• Loss functions [5] [6]
• Underfitting and Overfitting [7]
• Dataset CIFAR-10 [8]
• Dataset MNIST [9]