Viji Vennelakanti

与全球数据科学家团队合作, 基础架构工程师, 标签的公司, 报告作者, 和研究人员一起打造一款创新的计算机视觉产品. 我参与了项目的各个方面，身兼数职, 包括敏捷技术项目经理, 产品经理, 业务分析师, 数据分析师, 和QA工程师.

主要成就:
-与创始人一起编制需求文件, 业务流程, 进入市场策略, 借助数据驱动的洞察力.
-帮助选择和管理与标签公司的关系以及他们所做的工作.
-规划和实施计算机视觉算法、培训和测试管道.
识别项目问题，并帮助团队集思广益解决问题.
-设计管道各阶段精度指标的计算.
-编写需求, 管理, 并测试了一种广泛的基于规则的算法来补充计算机视觉.
-作为QA分析师，识别自动化和外包机会.
-与一家报告公司合作，制作复杂的定制报告.
—管理AWS账户的账户、权限、存储结构和计费.

我的客户想要一个POC来确定使用深度学习的计算机视觉是否可以从图像中识别医疗问题. 我使用卷积神经网络(深度学习)为医学图像上的目标检测提供了一个成功的POC，样本训练数据集为2,500张注释图像.

使用的工具包括Google Cloud Platform (GCP)、Python、YOLO和Jupyter笔记本. 我在GCP上设置了Ubuntu VM来使用GPU, 加载必要的软件, 使用清理后的数据训练模型, 并使用目标检测指标分析结果. 然后我用一个更大的训练数据集进行了另一次迭代，并比较了结果以显示改进.

客户对所显示的改进感到满意，并计划获得资金来扩展模型以适应更大的训练数据集. 在POC结束时，我提交了一份综合报告和建议. 该报告包括一份执行摘要, 方法, 数据清理过程, GCP的设置, 培训和测试程序, 目标检测指标.

培训过程:
-阅读超过36000张图片.
-将它们转换成张量.
—将它们与CSV文件中的读数进行匹配，并清理数据.
-确保图像的数据类型和大小正确.
-打乱图像和读取数据.
-分为训练验证和交叉验证(CV).
—测试加载InceptionV3模型.
-在训练，CV和测试数据上使用其权重进行迁移学习.
-创建单独的hdf5文件与功能, 标签, 还有火车的批处理数据集, CV, 测试批次.
-在一个浅CNN模型上训练，并将输出转换成正确的维度进行比较.
-绘制损失和每位数精度.
-计算培训、简历和测试数据的准确性.

我用多个超参数和网络大小与InceptionResNetV2一起迭代了上述过程，以提高准确性，并使用敏捷方法使项目保持正轨并提供可见性. 该项目使用的技术包括Floydhub云平台, TensorFlow上的Keras, Python 3, Jupyter笔记本, 和Excel.

该项目在七个国家同时实施，以取代一项已有数十年历史的计划, 大多是手工的业务流程，具有不可预测的周期时间和较差的客户服务, 一致的, 大部分是自动化的业务流程，将周期缩短到五个工作日.