Indholdsfortegnelse
Ideer til Deep Learning-projekter
Og selv om Deep Learning er et nyt teknologisk fremskridt, vokser omfanget af Deep Learning eksponentielt. Deep Learning-teknologien har til formål at efterligne det biologiske neurale netværk, dvs. den menneskelige hjerne. Mens oprindelsen af Deep Learning går tilbage til 1950’erne, er det først med udviklingen og vedtagelsen af kunstig intelligens og maskinlæring, at den kom i rampelyset. Så hvis du er ML nybegynder, er det bedste, du kan gøre, at arbejde på nogle Deep learning projektideer.
Vi, her hos upGrad, tror på en praktisk tilgang, da teoretisk viden alene ikke vil være til hjælp i et realtidsarbejdsmiljø. I denne artikel vil vi udforske nogle interessante deep learning projektideer, som begyndere kan arbejde på for at sætte deres viden på prøve. I denne artikel finder du de bedste deep learning projektidéer for begyndere for at få praktisk erfaring med deep learning.
Dep deep learning er en delmængde af maskinlæring og udnytter kunstige neurale netværk arrangeret hierarkisk til at udføre specifikke ML-opgaver. Deep Learning-netværk anvender den uovervågede læringstilgang – de lærer fra ustrukturerede eller umærkede data. Kunstige neurale netværk er ligesom den menneskelige hjerne med neuronknuder, der er forbundet med hinanden for at danne en netlignende struktur.
Mens traditionelle læringsmodeller analyserer data ved hjælp af en lineær tilgang, er den hierarkiske funktion i Deep Learning-systemer designet til at behandle og analysere data i en ikke-lineær tilgang.
Deep Learning-arkitekturer som dybe neurale netværk, recurrent neural networks og deep belief networks har fundet anvendelse på forskellige områder, herunder behandling af naturligt sprog, computervision, bioinformatik, talegenkendelse, lydgenkendelse, maskinoversættelse, filtrering af sociale netværk, lægemiddeldesign og endda brætspilsprogrammer. Efterhånden som der gøres nye fremskridt inden for dette område, hjælper det ML- og Deep Learning-eksperter med at designe innovative og funktionelle Deep Learning-projekter. Jo flere Deep Learning projekt ideer du prøver, jo mere erfaring får du.
I dag vil vi diskutere de syv bedste fantastiske Deep Learning projekter, der hjælper os med at nå nye højder af resultater.
Så her er et par Deep Learning projekt ideer, som begyndere kan arbejde på:
Deep Learning projekt ideer: Denne liste over deep learning projektidéer for studerende er velegnet til begyndere og dem, der lige er begyndt med ML generelt. Disse deep learning projektidéer vil sætte dig i gang med alle de praktiske ting, du har brug for for at få succes i din karriere.
Herudover, hvis du leder efter deep learning projektidéer til sidste år, bør denne liste få dig i gang. Så lad os uden videre springe direkte ind i nogle deep learning projektideer, der vil styrke din base og give dig mulighed for at klatre op ad stigen.
Billedklassifikation med CIFAR-10 datasæt
En af de bedste ideer til at begynde at eksperimentere dig praktiske deep learning projekter for studerende er at arbejde med billedklassifikation. CIFAR-10 er et stort datasæt, der indeholder over 60.000 farvebilleder (32×32 størrelse), der er kategoriseret i ti klasser, hvor hver klasse har 6.000 billeder. Træningssættet indeholder 50.000 billeder, mens testsættet indeholder 10.000 billeder. Træningssættet opdeles i fem separate sektioner, der hver indeholder 10 000 billeder, som er tilfældigt arrangeret. Hvad angår testsættet, vil det indeholde 1.000 billeder, der er tilfældigt udvalgt fra hver af de ti klasser.
I dette projekt skal du udvikle et billedklassifikationssystem, der kan identificere klassen for et indgangsbillede. Billedklassificering er en central anvendelse inden for deep learning, og derfor vil du få viden om forskellige deep learning-koncepter, mens du arbejder på dette projekt.
Visuelt sporingssystem
Et visuelt sporingssystem er designet til at spore og lokalisere bevægelige objekter i en given tidsramme via et kamera. Det er et praktisk værktøj, der har mange anvendelsesmuligheder såsom sikkerhed og overvågning, medicinsk billeddannelse, augmented reality, trafikkontrol, videoredigering og kommunikation samt menneske-computerinteraktion.
Dette system anvender en deep learning-algoritme til at analysere sekventielle videobilleder, hvorefter det sporer målobjekternes bevægelse mellem billederne. De to kernekomponenter i dette visuelle sporingssystem er:
- Målrepræsentation og lokalisering
- Filtrering og dataassociation
Face detection system
Dette er en af de fremragende deep learning projektidéer for begyndere. Med fremskridtene inden for deep learning er ansigtsgenkendelsesteknologien også gået enormt frem. Ansigtsgenkendelsesteknologi er en delmængde af objektdetektering, der fokuserer på at observere instansen af semantiske objekter. Den er designet til at spore og visualisere menneskelige ansigter i digitale billeder.
I dette deep learning-projekt vil du lære at udføre menneskelig ansigtsgenkendelse i realtid. Du skal udvikle modellen i Python og OpenCV.
Deep Learning Project Ideas: Intermediate Level
Digit Recognition System
Som navnet antyder, drejer dette projekt sig om at udvikle et system til talgenkendelse, der kan klassificere tal på grundlag af sættene. Her skal du bruge MNIST-datasættet, der indeholder billeder (28 X 28 størrelse).
Dette projekt har til formål at skabe et genkendelsessystem, der kan klassificere cifre fra 0 til 9 ved hjælp af en kombination af overfladiske netværk og dybe neurale netværk og ved at implementere logistisk regression. Softmax-regression eller Multinomial logistisk regression er det ideelle valg til dette projekt. Da denne teknik er en generalisering af logistisk regression, er den velegnet til klassifikation af flere klasser, idet det antages, at alle klasser er gensidigt udelukkende).
Chatbot
I dette projekt skal du modellere en chatbot ved hjælp af IBM Watson’s API. Watson er det bedste eksempel på, hvad AI kan hjælpe os med at udrette. Idéen bag dette projekt er at udnytte Watsons dybe indlæringsevner til at skabe en chatbot, der kan kommunikere med mennesker på samme måde som et andet menneske. Chatbots er yderst intelligente og kan svare på menneskelige spørgsmål eller anmodninger i realtid. Dette er grunden til, at et stigende antal virksomheder på tværs af alle områder indfører chatbots i deres kundeserviceinfrastruktur.
Dette projekt er ikke et meget udfordrende projekt. Alt du behøver er at have Python 2/3 i din maskine, en Bluemix-konto og selvfølgelig en aktiv internetforbindelse! Hvis du ønsker at skalere det en tand op, kan du besøge Github-repositoriet og forbedre din chatbots funktioner ved at inkludere et animeret bilinstrumentbræt.
Læs: Sådan laver du en chatbot i Python?
Musikgenreklassifikationssystem
Dette er en af de interessante deep learning projektideer. Dette er et fremragende projekt til at pleje og forbedre dine dybe læringsfærdigheder. Du vil oprette en deep learning-model, der bruger neurale netværk til automatisk at klassificere musikgenre. Til dette projekt vil du bruge et FMA-datasæt (Free Music Archive). FMA er et interaktivt bibliotek, der består af lovlige download af høj kvalitet af lyd. Det er et datasæt med åben kildekode og let tilgængeligt datasæt, der er fantastisk til et væld af MIR-opgaver, herunder browsing og organisering af store musiksamlinger.
Husk dog, at før du kan bruge modellen til at klassificere lydfiler efter genre, skal du udtrække de relevante oplysninger fra lydprøverne (som spektrogrammer, MFCC osv.).
Søvnighedsdetektionssystem
Søvnighed hos bilister er en af de vigtigste årsager til trafikulykker. Det er naturligt, at chauffører, der ofte kører lange ruter, døjer med at falde i søvn, når de sidder bag rattet. Selv stress og mangel på søvn kan få chauffører til at føle sig sløve under kørslen. Dette projekt har til formål at forebygge og reducere sådanne ulykker ved at skabe et middel til at opdage døsighed.
Her skal du bruge Python, OpenCV og Keras til at opbygge et system, der kan registrere chaufførers lukkede øjne og advare dem, hvis de nogensinde falder i søvn under kørslen. Selv hvis chaufførens øjne er lukkede i et par sekunder, vil dette system straks informere chaufføren og dermed forhindre frygtelige trafikulykker. OpenCV overvåger og indsamler førerens billeder via et webcam og sender dem ind i deep learning-modellen, som klassificerer førerens øjne som “åbne” eller “lukkede”.”
Billedtekstgenerator
Dette er en af de mest populære deep learning-projektidéer. Dette er et Python-baseret deep learning-projekt, der udnytter Convolutional Neural Networks og LTSM (en type Recurrent Neural Network) til at opbygge en deep learning-model, der kan generere billedtekster til et billede.
En billedtekstgenerator kombinerer både computervision og teknikker til behandling af naturligt sprog for at analysere og identificere konteksten for et billede og beskrive dem i overensstemmelse hermed på naturlige menneskelige sprog (f.eks. engelsk, spansk, dansk osv.). Dette projekt vil styrke din viden om CNN og LSTM, og du vil lære at implementere dem i virkelige applikationer som denne.
Farvelægning af gamle B&W-fotos
I lang tid har automatiseret billedfarvelægning af B&W-billeder været et varmt emne for udforskning inden for computer vision og deep learning. En nylig undersøgelse fastslog, at hvis vi træner et neuralt netværk ved hjælp af et omfangsrigt og rigt datasæt, kan vi skabe en deep learning-model, der kan hallucinere farver i et sort/hvid-foto.
I dette projekt om farvelægning af billeder vil du bruge Python og OpenCV DNN-arkitekturen (den er trænet på ImageNet-datasættet). Målet er at skabe en farvet gengivelse af gråskala-billeder. Til dette formål vil du bruge en på forhånd trænet Caffe-model, en prototxt-fil og en NumPy-fil.
Deep Learning Project Ideas – Advanced Level
Detector
Detectron er et Facebook AI Research’s (FAIR) softwaresystem, der er designet til at udføre og køre state-of-the-art Object Detection-algoritmer. Dette Deep Learning-projekt er skrevet i Python og er baseret på Caffe2 deep learning-rammen.
Detectron har været grundlaget for mange vidunderlige forskningsprojekter, herunder 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 og Learning to Segment Every Thing, for blot at nævne nogle få.
Detectron tilbyder en kodebase af høj kvalitet og højtydende kodebase til forskning i objektdetektion. Den indeholder over 50 prætrænede modeller og er ekstremt fleksibel – den understøtter hurtig implementering og evaluering af ny forskning.
WaveGlow
Dette er en af de interessante deep learning projektideer. WaveGlow er et flowbaseret generativt netværk til talesyntese, der er udviklet og tilbydes af NVIDIA. Det kan generere tale af høj kvalitet fra mel-spektogrammer. Det blander den indsigt, der er opnået fra WaveNet og Glow, for at lette hurtig, effektiv lydsyntese af høj kvalitet uden at kræve auto-regression.
WaveGlow kan implementeres via et enkelt netværk og kan også trænes ved hjælp af en enkelt omkostningsfunktion. Målet er at optimere træningsdataenes sandsynlighed, hvilket gør træningsproceduren håndterbar og stabil.
OpenCog
OpenCog-projektet omfatter kernekomponenterne og en platform til at lette AI R&D. Det har til formål at designe en open source-ramme for kunstig generel intelligens (AGI), der nøjagtigt kan indfange ånden i den menneskelige hjernes arkitektur og dynamik. AI-robotten Sophia er et af de bedste eksempler på AGI.
OpenCog omfatter også OpenCog Prime – en avanceret arkitektur for robotter og virtuel embodied cognition, der omfatter et udvalg af interagerende komponenter, der skal give fødsel til menneskeligt tilsvarende kunstig generel intelligens (AGI) som et fremvoksende fænomen i systemet som helhed.
DeepMimic
DeepMimic er en “example-guided Deep Reinforcement Learning of Physics-based character skills”. Det er med andre ord et neuralt netværk, der er trænet ved hjælp af forstærkningsindlæring til at reproducere bevægelsesoptagede bevægelser via en simuleret humanoid eller en anden fysisk agent.
Funktionen af DeepMimic er ret enkel. Først skal du oprette en simulering af den ting, du ønsker at animere (du kan optage en person, der laver bestemte bevægelser, og forsøge at efterligne det). Nu bruger du bevægelsesoptagelsesdataene til at træne et neuralt netværk gennem forstærkende læring. Indgangen her er konfigurationen af arme og ben på forskellige tidspunkter, mens belønningen er forskellen mellem den virkelige ting og simuleringen på bestemte tidspunkter.
IBM Watson
Et af de mest fremragende eksempler på maskinlæring og dyb læring er IBM Watson. Det største aspekt af IBM Watson er, at det giver dataloger og ML-ingeniører/udviklere mulighed for at samarbejde på en integreret platform for at forbedre og automatisere AI-livscyklusen. Watson kan forenkle, fremskynde og administrere AI-implementeringer og dermed sætte virksomheder i stand til at udnytte potentialet i både ML og Deep Learning til at øge forretningsværdien.
IBM Watson er integreret med Watson Studio for at give tværfaglige teams mulighed for hurtigt og effektivt at implementere, overvåge og optimere ML/Deep Learning-modeller. Den kan automatisk generere API’er for at hjælpe dine udviklere med at inkorporere AI i deres applikationer uden problemer. Oven i det kommer den med intuitive dashboards, der gør det bekvemt for holdene at administrere modeller i produktionen problemfrit.
Google Brain
Dette er en af de fremragende deep learning projektideer. Google Brain-projektet er Deep Learning AI-forskning, der begyndte i 2011 hos Google. Google Brain-holdet under ledelse af Google Fellow Jeff Dean, Google-forsker Greg Corrado og Stanford University Professor Andrew Ng havde til formål at bringe Deep Learning og Machine Learning ud af laboratoriets begrænsninger og ind i den virkelige verden. De designede et af de største neurale netværk til ML – det bestod af 16.000 computerprocessorer, der var forbundet med hinanden.
For at teste mulighederne i et neuralt netværk af denne enorme størrelse fodrede Google Brain-holdet netværket med tilfældige miniaturebilleder af kattebilleder, der stammer fra 10 millioner YouTube-videoer. Fangsten er dog, at de ikke trænede systemet til at genkende, hvordan en kat ser ud. Men det intelligente system efterlod alle forbløffet – det lærte sig selv at identificere katte og fortsatte med at samle katteegenskaberne for at færdiggøre et billede af en kat!
Det lykkedes Google Brain-projektet at bevise, at softwarebaserede neurale netværk kan efterligne den menneskelige hjernes funktion, hvor hver neuron trænes til at registrere bestemte objekter. Hvordan Deep Learning-algoritmer forandrer vores hverdag
12 Sigmas algoritme til påvisning af lungekræft
12 Sigma har udviklet en AI-algoritme, der kan reducere diagnosefejl i forbindelse med lungekræft i de tidlige stadier og påvise tegn på lungekræft meget hurtigere end traditionelle metoder.
Ifølge Xin Zhong, medstifter og administrerende direktør for Sigma Technologies, tager det normalt tid at opdage lungekræft med konventionelle metoder til kræftdetektion. 12 Sigmas AI-algoritmesystem kan imidlertid reducere diagnosetiden, hvilket fører til en bedre overlevelsesrate for lungekræftpatienter.
Generelt set diagnosticerer læger lungekræft ved omhyggeligt at undersøge CT-scanningsbilleder for at kontrollere små knuder og klassificere dem som godartede eller ondartede. Det kan tage over ti minutter for lægerne at foretage en visuel inspektion af patientens CT-billeder for knuder plus yderligere tid til at klassificere knuderne som godartede eller ondartede.
Nødvendigt at sige, at der altid er en stor mulighed for menneskelige fejl. 12 Sigma fastholder, at dens AI-algoritme kan inspicere CT-billederne og klassificere knuder inden for to minutter.
Slutning
I denne artikel har vi dækket top deep learning projektideer. Vi startede med nogle begynderprojekter, som du kan løse med lethed. Når du er færdig med disse enkle projekter, foreslår jeg, at du går tilbage, lærer et par flere koncepter og derefter prøver de mellemliggende projekter. Når du føler dig sikker, kan du derefter tage fat på de avancerede projekter. Hvis du ønsker at forbedre dine Deep Learning-færdigheder, skal du få fingrene i disse Deep Learning-projektideer.
Dette er kun en håndfuld af de reelle anvendelser af Deep Learning, der er lavet indtil videre. Teknologien er stadig meget ung – den er under udvikling, mens vi taler. Deep Learning rummer enorme muligheder for at skabe banebrydende innovationer, der kan hjælpe menneskeheden med at løse nogle af de grundlæggende udfordringer i den virkelige verden.
Hvis du er interesseret i at vide mere om deep learning og kunstig intelligens, kan du tjekke vores PG Diploma in Machine Learning and AI-program, som er designet til arbejdende fagfolk og mere end 450 timers streng træning.