Obsah
- Nápady na projekty hlubokého učení
- Nápady na projekty Deep Learning: Začátečníci
- Klasifikace obrázků s datovou sadou CIFAR-10
- Vizuální sledovací systém
- systém detekce tváří
- Nápady na projekt hlubokého učení: Středně pokročilá úroveň
- Systém rozpoznávání číslic
- Chatbot
- Systém klasifikace hudebních žánrů
- Systém detekce ospalosti
- Generátor titulků k obrázkům
- Barvení starých B&W fotografií
- Nápady na projekty hlubokého učení – pokročilá úroveň
- Detektor
- WaveGlow
- OpenCog
- DeepMimic
- IBM Watson
- Google Brain
- Algoritmus pro detekci rakoviny plic společnosti Sigma
- Závěr
Nápady na projekty hlubokého učení
Ačkoli jde o nový technologický pokrok, rozsah hlubokého učení se exponenciálně rozšiřuje. Technologie Deep Learning si klade za cíl napodobit biologickou neuronovou síť, tedy lidský mozek. Ačkoli počátky technologie Deep Learning sahají až do 50. let 20. století, do popředí zájmu se dostala až s rozvojem a přijetím umělé inteligence a strojového učení. Pokud jste tedy začátečníci v oblasti ML, nejlepší, co můžete udělat, je pracovat na některých nápadech na projekty Deep Learning.
Ve společnosti upGrad věříme v praktický přístup, protože samotné teoretické znalosti vám v pracovním prostředí v reálném čase nepomohou. V tomto článku se budeme zabývat některými zajímavými nápady na projekty deep learning, na kterých mohou pracovat začátečníci, aby si vyzkoušeli své znalosti. V tomto článku najdete špičkové nápady na projekty hlubokého učení pro začátečníky, kteří mohou získat praktické zkušenosti s hlubokým učením.
Hluboké učení je podmnožinou strojového učení a využívá umělé neuronové sítě uspořádané hierarchicky k provádění specifických úloh ML. Sítě hlubokého učení používají přístup nesupervizovaného učení – učí se z nestrukturovaných nebo neoznačených dat. Umělé neuronové sítě jsou stejně jako lidský mozek propojené uzly neuronů, které tvoří strukturu podobnou síti.
Zatímco tradiční modely učení analyzují data pomocí lineárního přístupu, hierarchická funkce systémů hlubokého učení je navržena tak, aby zpracovávala a analyzovala data nelineárním přístupem.
Architektury hlubokého učení, jako jsou hluboké neuronové sítě, rekurentní neuronové sítě a hluboké sítě víry, našly uplatnění v různých oblastech včetně zpracování přirozeného jazyka, počítačového vidění, bioinformatiky, rozpoznávání řeči, rozpoznávání zvuku, strojového překladu, filtrování sociálních sítí, navrhování léků a dokonce i programů pro stolní hry. Vzhledem k tomu, že v této oblasti dochází k novým pokrokům, pomáhá to odborníkům na ML a Deep Learning navrhovat inovativní a funkční projekty Deep Learning. Čím více nápadů na projekty Deep Learning vyzkoušíte, tím více zkušeností získáte.
Dnes probereme sedm nejúžasnějších projektů Deep Learning, které nám pomáhají dosáhnout nových výšin úspěchu.
Tady je několik nápadů na projekty Deep Learning, na kterých mohou pracovat začátečníci:
Nápady na projekty Deep Learning: Začátečníci
Tento seznam nápadů na projekty deep learning pro studenty je vhodný pro začátečníky a obecně pro ty, kteří s ML teprve začínají. Tyto nápady na projekty hlubokého učení vás seznámí se všemi praktickými aspekty, které potřebujete k úspěchu ve své kariéře.
Pokud hledáte nápady na projekty hlubokého učení pro závěrečný ročník, tento seznam by vám měl pomoci. A tak se bez dalších řečí vrhněme rovnou na několik nápadů na projekty deep learning, které posílí váš základ a umožní vám stoupat po žebříčku.
Klasifikace obrázků s datovou sadou CIFAR-10
Jedním z nejlepších nápadů, jak začít experimentovat vy praktické projekty deep learning pro studenty, je práce na klasifikaci obrázků. CIFAR-10 je rozsáhlá datová sada obsahující více než 60 000 (velikost 32 × 32) barevných obrázků rozdělených do deseti tříd, přičemž každá třída má 6 000 obrázků. Tréninková sada obsahuje 50 000 obrázků, zatímco testovací sada obsahuje 10 000 obrázků. Tréninková množina bude rozdělena do pěti samostatných částí, z nichž každá bude obsahovat 10 000 náhodně uspořádaných obrázků. As for the test set, it will contain 1000 images that are randomly selected from each of the ten classes.
V tomto projektu budete vyvíjet systém klasifikace obrázků, který dokáže určit třídu vstupního obrázku. Klasifikace obrazu je klíčovou aplikací v oblasti hlubokého učení, a proto při práci na tomto projektu získáte znalosti o různých konceptech hlubokého učení.
Vizuální sledovací systém
Vizuální sledovací systém je určen ke sledování a lokalizaci pohybujícího se objektu (objektů) v daném časovém rámci prostřednictvím kamery. Jedná se o šikovný nástroj, který má řadu aplikací, jako je bezpečnost a dohled, lékařské zobrazování, rozšířená realita, řízení dopravy, střih videa a komunikace a interakce člověka s počítačem.
Tento systém využívá algoritmus hlubokého učení k analýze sekvenčních snímků videa, načež sleduje pohyb cílových objektů mezi snímky. Dvěma základními komponentami tohoto systému vizuálního sledování jsou:
- reprezentace a lokalizace cíle
- filtrování a asociace dat
systém detekce tváří
Jedná se o jeden z vynikajících nápadů na projekt deep learning pro začátečníky. S rozvojem hlubokého učení se výrazně posunula i technologie rozpoznávání obličejů. Technologie rozpoznávání obličejů je podmnožinou detekce objektů, která se zaměřuje na pozorování instancí sémantických objektů. Je určena ke sledování a vizualizaci lidských tváří v digitálních obrazech.
V tomto projektu hlubokého učení se naučíte provádět rozpoznávání lidských tváří v reálném čase. Model musíte vyvinout v jazyce Python a OpenCV.
Nápady na projekt hlubokého učení: Středně pokročilá úroveň
Systém rozpoznávání číslic
Jak název napovídá, tento projekt zahrnuje vývoj systému rozpoznávání číslic, který dokáže klasifikovat číslice na základě zadaných desater. Budete zde používat datovou sadu MNIST obsahující obrázky (velikost 28 X 28).
Cílem tohoto projektu je vytvořit systém rozpoznávání, který dokáže klasifikovat číslice od 0 do 9 pomocí kombinace mělké sítě a hluboké neuronové sítě a implementací logistické regrese. Ideální volbou pro tento projekt je softmaxová regrese nebo multinomiální logistická regrese. Protože tato technika je zobecněním logistické regrese, je vhodná pro klasifikaci více tříd za předpokladu, že se všechny třídy vzájemně vylučují).
Chatbot
V tomto projektu budete modelovat chatbota pomocí rozhraní API IBM Watson. Watson je ukázkovým příkladem toho, co nám může umělá inteligence pomoci dokázat. Myšlenkou tohoto projektu je využít schopnosti hlubokého učení systému Watson k vytvoření chatbota, který dokáže komunikovat s lidmi stejně jako jiný člověk. Chatboti jsou mimořádně inteligentní a dokáží odpovídat na lidské otázky nebo požadavky v reálném čase. To je důvod, proč stále více společností napříč všemi oblastmi zavádí chatboty do své infrastruktury zákaznické podpory.
Tento projekt není příliš náročný. Stačí mít v počítači Python 2/3, účet Bluemix a samozřejmě aktivní připojení k internetu! Pokud jej chcete ještě více rozšířit, můžete navštívit repozitář Github a vylepšit funkce svého chatbota o animovaný přístrojový panel automobilu.
Přečtěte si: Jak vytvořit chatbota v jazyce Python?
Systém klasifikace hudebních žánrů
Jedná se o jeden ze zajímavých nápadů na projekt deep learning. Jedná se o vynikající projekt, který vám pomůže pěstovat a zdokonalovat vaše dovednosti v oblasti hlubokého učení. Vytvoříte model hlubokého učení, který pomocí neuronových sítí automaticky klasifikuje žánr hudby. Pro tento projekt použijete datovou sadu FMA (Free Music Archive). FMA je interaktivní knihovna obsahující vysoce kvalitní a legálně stažené zvukové soubory. Jedná se o otevřenou a snadno dostupnou datovou sadu, která se skvěle hodí pro řadu úloh MIR, včetně procházení a organizování rozsáhlých hudebních sbírek.
Mějte však na paměti, že než budete moci model použít ke klasifikaci zvukových souborů podle žánru, budete muset ze zvukových vzorků extrahovat příslušné informace (například spektrogramy, MFCC atd.).
Systém detekce ospalosti
Ospalost řidičů je jednou z hlavních příčin dopravních nehod. Pro řidiče, kteří často jezdí dlouhé trasy, je přirozené, že za volantem usínají. I stres a nedostatek spánku mohou u řidičů vyvolat pocit ospalosti při řízení. Cílem tohoto projektu je předcházet těmto nehodám a snižovat jejich počet vytvořením prostředku pro detekci ospalosti.
Pomocí jazyků Python, OpenCV a Keras zde vytvoříte systém, který dokáže detekovat zavřené oči řidičů a upozornit je, pokud někdy při řízení usnou. I když bude mít řidič zavřené oči jen několik sekund, tento systém ho bude okamžitě informovat, a zabrání tak hrozivým dopravním nehodám. OpenCV bude monitorovat a shromažďovat snímky řidiče prostřednictvím webové kamery a vkládat je do modelu hlubokého učení, který klasifikuje oči řidiče jako „otevřené“ nebo „zavřené“.“
Generátor titulků k obrázkům
Jedná se o jeden z trendových nápadů na projekt hlubokého učení. Jedná se o projekt hlubokého učení v jazyce Python, který využívá konvoluční neuronové sítě a LTSM (typ rekurentní neuronové sítě) k vytvoření modelu hlubokého učení, který dokáže generovat popisky k obrázku.
Generátor popisků k obrázkům kombinuje techniky počítačového vidění a zpracování přirozeného jazyka, aby analyzoval a identifikoval kontext obrázku a odpovídajícím způsobem je popsal v přirozených lidských jazycích (například v angličtině, španělštině, dánštině atd.). Tento projekt posílí vaše znalosti o CNN a LSTM a naučíte se, jak je implementovat v reálných aplikacích jako je tato.
Barvení starých B&W fotografií
Automatické barvení B&W obrázků je již dlouho horkým tématem zkoumání v oblasti počítačového vidění a hlubokého učení. Nedávná studie uvedla, že pokud natrénujeme neuronovou síť pomocí objemného a bohatého souboru dat, můžeme vytvořit model hlubokého učení, který dokáže halit barvy v černobílé fotografii.
V tomto projektu kolorování obrázků budete používat Python a architekturu OpenCV DNN (je natrénovaná na datové sadě ImageNet). Cílem je vytvořit barevnou reprodukci obrázků ve stupních šedi. K tomuto účelu budete používat předtrénovaný model Caffe, soubor prototxt a soubor NumPy.
Nápady na projekty hlubokého učení – pokročilá úroveň
Detektor
Detektor je softwarový systém společnosti Facebook AI Research (FAIR) určený k provádění a spouštění nejmodernějších algoritmů detekce objektů. Tento projekt hlubokého učení napsaný v jazyce Python je založen na frameworku hlubokého učení Caffe2.
Detectron se stal základem mnoha skvělých výzkumných projektů, mezi něž patří například Feature Pyramid Networks for Object Detection; Mask R-CNN; Detecting and Recognizing Human-Object Interactions; Focal Loss for Dense Object Detection; Non-local Neural Networks a Learning to Segment Every Thing.
Detectron nabízí vysoce kvalitní a výkonnou kódovou základnu pro výzkum detekce objektů. Obsahuje více než 50 předtrénovaných modelů a je mimořádně flexibilní – podporuje rychlou implementaci a vyhodnocování nových výzkumů.
WaveGlow
Jedná se o jeden ze zajímavých nápadů na projekt deep learning. WaveGlow je generativní síť pro syntézu řeči založená na toku, kterou vyvinula a nabízí společnost NVIDIA. Dokáže generovat vysoce kvalitní řeč z mel-spektogramů. Spojuje poznatky získané ze sítí WaveNet a Glow a usnadňuje rychlou, efektivní a vysoce kvalitní syntézu zvuku, aniž by vyžadovala autoregresi.
WaveGlow lze implementovat prostřednictvím jediné sítě a také trénovat pomocí jediné nákladové funkce. Cílem je optimalizovat pravděpodobnost tréninkových dat, čímž je tréninkový postup zvládnutelný a stabilní.
OpenCog
Projekt OpenCog zahrnuje základní komponenty a platformu pro usnadnění R&D umělé inteligence. Jeho cílem je navrhnout open-source rámec umělé obecné inteligence (AGI), který dokáže přesně zachytit ducha architektury a dynamiky lidského mozku. Bot s umělou inteligencí Sophia je jedním z nejlepších příkladů AGI.
OpenCog zahrnuje také OpenCog Prime – pokročilou architekturu pro robotické a virtuální ztělesněné poznávání, která zahrnuje sortiment vzájemně se ovlivňujících komponent, aby dala vzniknout umělé obecné inteligenci (AGI) ekvivalentní lidské jako emergentnímu jevu systému jako celku.
DeepMimic
DeepMimic je „příkladem řízené hluboké posilovací učení dovedností postav založených na fyzice“. Jinými slovy, jedná se o neuronovou síť vycvičenou s využitím posilovacího učení k reprodukci pohybů zachycených pohybem prostřednictvím simulovaného humanoida nebo jiného fyzikálního agenta.
Fungování DeepMimic je poměrně jednoduché. Nejprve je třeba nastavit simulaci věci, kterou chcete animovat (můžete zachytit někoho, kdo dělá určité pohyby, a pokusit se ho napodobit). Nyní použijete data ze zachycení pohybu k trénování neuronové sítě pomocí posilovacího učení. Vstupem je zde konfigurace rukou a nohou v různých časových bodech, zatímco odměnou je rozdíl mezi skutečnou věcí a simulací v konkrétních časových bodech.
IBM Watson
Jedním z vynikajících příkladů strojového učení a hlubokého učení je IBM Watson. Největším aspektem IBM Watson je to, že umožňuje datovým vědcům a inženýrům/vývojářům ML spolupracovat na integrované platformě, která zlepšuje a automatizuje životní cyklus umělé inteligence. Watson dokáže zjednodušit, urychlit a spravovat nasazení AI, a tím umožňuje společnostem využít potenciál ML i Deep Learningu ke zvýšení obchodní hodnoty.
IBM Watson je integrován s aplikací Watson Studio, která umožňuje multifunkčním týmům rychle a efektivně nasazovat, monitorovat a optimalizovat modely ML/Deep Learning. Dokáže automaticky generovat rozhraní API a pomáhá tak vývojářům snadno začlenit umělou inteligenci do jejich aplikací. Navíc je dodáván s intuitivními ovládacími panely, které týmům umožňují bezproblémovou správu modelů ve výrobě.
Google Brain
Jedná se o jeden z vynikajících nápadů na projekt deep learning. Projekt Google Brain je výzkum hlubokého učení umělé inteligence, který začal v roce 2011 ve společnosti Google. Cílem týmu Google Brain, který vedli Jeff Dean, výzkumný pracovník společnosti Google, Greg Corrado a profesor Stanfordovy univerzity Andrew Ng, bylo přenést hluboké učení a strojové učení z laboratoře do reálného světa. Navrhli jednu z největších neuronových sítí pro ML – tvořilo ji 16 000 počítačových procesorů propojených dohromady.
Aby otestovali schopnosti neuronové sítě této obrovské velikosti, tým Google Brain krmil síť náhodnými miniaturami obrázků koček získanými z 10 milionů videí na YouTube. Háček je však v tom, že systém netrénovali na rozpoznávání toho, jak kočka vypadá. Inteligentní systém však zanechal všechny v úžasu – sám se naučil rozpoznávat kočky a dále pokračoval v sestavování znaků kočky, aby doplnil obraz kočky!
Projekt Google Brain úspěšně prokázal, že softwarové neuronové sítě mohou napodobit fungování lidského mozku, kde je každý neuron vycvičen k detekci konkrétních objektů. Jak algoritmy hlubokého učení mění náš každodenní život
Algoritmus pro detekci rakoviny plic společnosti Sigma
12 Společnost Sigma vyvinula algoritmus umělé inteligence, který dokáže snížit diagnostické chyby spojené s rakovinou plic v jejích raných stadiích a odhalit příznaky rakoviny plic mnohem rychleji než tradiční přístupy.
Podle Xina Zhonga, spoluzakladatele a generálního ředitele společnosti Sigma Technologies, obvykle konvenční postupy detekce rakoviny vyžadují čas na odhalení rakoviny plic. Systém algoritmů umělé inteligence společnosti 12 Sigma však dokáže zkrátit dobu diagnostiky, což vede k lepší míře přežití pacientů s rakovinou plic.
Zpravidla lékaři diagnostikují rakovinu plic pečlivým zkoumáním snímků z CT vyšetření, aby zkontrolovali malé uzlíky a klasifikovali je jako nezhoubné nebo zhoubné. Vizuální kontrola CT snímků pacienta na přítomnost uzlin může lékařům trvat více než deset minut, plus další čas na klasifikaci uzlin jako nezhoubných nebo zhoubných.
Není třeba dodávat, že vždy zůstává vysoká možnost lidských chyb. Společnost 12 Sigma tvrdí, že její algoritmus umělé inteligence dokáže zkontrolovat snímky CT a klasifikovat uzliny během dvou minut.
Závěr
V tomto článku jsme se zabývali nejlepšími nápady na projekty hlubokého učení. Začali jsme několika projekty pro začátečníky, které můžete snadno vyřešit. Jakmile skončíte s těmito jednoduchými projekty, doporučuji vám vrátit se zpět, naučit se několik dalších konceptů a pak zkusit projekty pro středně pokročilé. Až se budete cítit jistě, můžete se pustit do pokročilých projektů. Pokud chcete zlepšit své dovednosti v oblasti hlubokého učení, musíte si osvojit tyto nápady na projekty hlubokého učení.
Toto je jen hrstka dosud vytvořených reálných aplikací hlubokého učení. Tato technologie je stále velmi mladá – vyvíjí se za pochodu. Hluboké učení v sobě skrývá obrovské možnosti, jak dát vzniknout průkopnickým inovacím, které mohou lidstvu pomoci řešit některé zásadní výzvy reálného světa.
Pokud máte zájem dozvědět se o hlubokém učení a umělé inteligenci více, podívejte se na náš program PG Diploma in Machine Learning and AI, který je určen pro pracující profesionály a obsahuje více než 450 hodin náročného školení.