Criando um sistema de reconhecimento digital de manuscritos

Resumo

Reconhecer números escritos à mão é algo extremamente fácil para humanos, mas não é tão simples assim para máquinas. Atualmente, por outro lado, com o avanço em machine learning, pessoas construíram máquinas mais capazes de desempenhar essa tarefa. Agora, nós temos aplicativos de bancos que podem escanear cheques em segundos e softwares de contabilidade que podem extrair dólares de milhares de contratos em minutos.

Descrição

Neste padrão de código você utilizará o Jupyter Notebook no IBM Watson Studio para acessar ambientes PyTorch pré-instalados e já otimizados no Python cliente library do Machine Learning Service. Essa library conta com um conjunto de APIs REST que permitem a criação de treinos, monitoramento de status, armazenamento e deploy de modelos.

Assim que você concluir este padrão de código, saberá como:

• Criar um projeto no Watson Studio e usar Jupyter Notebook nele.

• Usar Python cliente do Cloud Object Storage para criar buckets e subir dados para os buckets.

• Criar treinos no PyTorch para o Watson Machine Learning Service.

• Usar PyTorch já treinado para prever caracteres manuscritos de imagens.

Fluxo

1. Faça login no IBM Watson Studio.

2. Rode o Jupyter Notebook no Watson Studio.

3. Use PyTorch para baixar e processar os dados.

4. Use Watson Machine Learning para treinar e implementar modelos.

Instruções

Veja o manual detalhado no arquivo README. Esses passos mostrarão como:

1. Cadastrar-se no Watson Studio.

2. Criar um novo projeto.

3. Criar o notebook.

4. Criar uma instância Watson Learning Service.

5. Criar credenciais HMAC para uma instância Watson Object Storage.

6. Rodar o notebook.

...

Quer ler mais conteúdo especializado de programação? Conheça a IBM Blue Profile e tenha acesso a matérias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e dê um upgrade na sua carreira!