📊 Определение возраста покупателей

🧭 Что такое проект

Поздравляем! 🎉
Вы успешно прошли курс в тренажёре. Самое время проверить знания и решить новую задачу. Выполнять работу будете самостоятельно.

Когда закончите, отправьте её на проверку ревьюеру: он пришлёт комментарии в течение суток. После этого нужно доработать проект и пройти повторную проверку.

Скорее всего, вы будете дорабатывать кейс по комментариям ещё несколько раз. Это нормально.

Проект завершён, когда ревьюер одобрит все доработки.

📌 Описание проекта

Сетевой супермаркет «Хлеб-Соль» внедряет систему компьютерного зрения для обработки фотографий покупателей. Фотофиксация в прикассовой зоне поможет определять возраст клиентов, чтобы:

Анализировать покупки и предлагать товары, которые могут заинтересовать покупателей этой возрастной группы;
Контролировать добросовестность кассиров при продаже алкоголя.

Постройте модель, которая по фотографии определит приблизительный возраст человека. В вашем распоряжении набор фотографий людей с указанием возраста.

📋 Инструкция по выполнению проекта

Проведите исследовательский анализ набора фотографий.
Подготовьте данные к обучению.
Обучите нейронную сеть и рассчитайте её качество.

🔬 Исследовательский анализ данных

Ознакомьтесь с инструкцией по выполнению проекта.

Вашей метрикой качества будет MAE.

План выполнения проекта:

В этом уроке проведите исследовательский анализ набора данных в Jupyter. Затем скачайте свою тетрадь Jupyter Notebook.
В 4-м уроке обучите модель в GPU-тренажёре и сохраните результат вывода модели на экран.
В 5-м уроке объедините в финальной тетради Jupyter Notebook исследовательский анализ данных, код и вывод модели. Затем проанализируйте результат обучения модели.

📁 Описание данных

Данные взяты с сайта ChaLearn Looking at People. Они находятся в папке /datasets/faces/.

В вашем распоряжении одна папка со всеми изображениями (/final_files) и CSV-файл labels.csv с двумя колонками: file_name и real_age.

Извлечь данные из папки вам поможет новый метод ImageDataGenerator — flow_from_dataframe(dataframe, directory, ...).

Задание 1

Проведите исследовательский анализ данных:

Посмотрите на размер выборки.
Постройте график распределения возраста в выборке.
Напечатайте на экране 10–15 фотографий и посмотрите, как устроен датасет.

Сделайте выводы о том, как результаты исследования повлияют на обучение модели.

🤖 Обучение модели

Обучите модель в GPU-тренажёре и сохраните результат вывода модели на экран.

Но прежде ознакомьтесь с несколькими рекомендациями:

Функцией потерь не обязательно должна быть MAE. Зачастую нейронные сети с функцией потерь MSE обучаются быстрее.
Качество на валидационной выборке улучшается, но модель при этом переобучается всё сильнее? Не спешите менять модель. Обычно нейронные сети с большим числом слоёв сильно переобучаются.

Чтобы выполнить задание, перейдите на курс «Компьютерное зрение — практика обучения нейронных сетей», выберите тему «Самостоятельный проект», а в теме — урок «Обучение модели».

✅ Как будут проверять проект?

Мы подготовили критерии оценки проекта, которыми руководствуются ревьюеры. Прежде чем приступить к решению кейса, внимательно их изучите.

На что обращают внимание ревьюеры, проверяя проект:

Аспект	Комментарий
📋 Выполнение инструкции	Все ли шаги по инструкции выполняете?
📊 Исследовательский анализ данных	Как проводите исследовательский анализ данных?
🔧 Подготовка данных	Как готовите данные к обучению?
🧠 Нейронные сети	Какие нейронные сети рассматриваете?
💬 Выводы	Какие выводы делаете?
📐 Структура проекта	Следите ли за структурой проекта? Поддерживаете аккуратность кода?

🧠 Всё, что вам нужно знать, есть в шпаргалках и конспектах прошлых тем.