Перша частина: Дані для ML-моделей в NLP, recommendation і CV — пошук, підготовка і трансформаціяУ першій частині наші колеги розібрали дані на прикладі трьох проєктів:TSA (target sentiment analysis) NLP — комерціяPersonalized recommendations — комерціяCV (Emotion expression detection on low-resource machines) — Pet-проєктДруга частина: Обробка даних реальних користувачів для створення рекомендаційної системи. Мій досвід виправлення помилокДруга частина присвячена досвіду роботи з підготовкою даних для рекомендації відеоконтенту (фільмів та серіалів) для відеостримінгової платформи. Однак спочатку команда LOOQME зазначили основні складнощі, що виникають під час роботи з користувацькими даними.Ми завжди пишаємося своєю командою, а відзнака від DOU — ще один привід сказати про це 🎉

Матеріал "Як працює детектор виразу обличчя в мобільному додатку — реалізація проєкту від 0 до готового рішення" став вибором редакції DOU у липні 2022! Вітаємо 🥳

‍Третя частина: Як працює детектор виразу обличчя в мобільному додатку — реалізація проєкту від 0 до готового рішенняУ третій частині мова йде про реалізацію ідеї з computer vision від старту до готового рішення. А саме — про pet проєкт для визначення виразу обличчя. Остаточний продукт працює on edge майже в реальному часі. Стаття покриває деякі особливості збору й обробки даних для CV.