Table of Contents
Deep Learning Project Ideas
Although a new technological advancement, the scope of Deep Learning is expanding exponentially. Technologia Deep Learning ma na celu naśladowanie biologicznej sieci neuronowej, czyli ludzkiego mózgu. Choć początki Deep Learning sięgają lat 50-tych XX wieku, to dopiero wraz z rozwojem i przyjęciem sztucznej inteligencji i uczenia maszynowego stało się ono widoczne. Tak więc, jeśli jesteś początkującym ML, najlepszą rzeczą, jaką możesz zrobić, jest praca nad niektórymi pomysłami na projekt Deep learning.
My, tutaj w upGrad, wierzymy w praktyczne podejście, ponieważ sama wiedza teoretyczna nie będzie pomocna w środowisku pracy w czasie rzeczywistym. W tym artykule będziemy badać kilka ciekawych pomysłów na projekty związane z głębokim uczeniem, nad którymi mogą pracować początkujący, aby przetestować swoją wiedzę. W tym artykule znajdziesz najlepsze pomysły na projekt głębokiego uczenia dla początkujących, aby zdobyć praktyczne doświadczenie w głębokim uczeniu.
Zestaw uczenia maszynowego, Deep Learning wykorzystuje sztuczne sieci neuronowe ułożone hierarchicznie do wykonywania określonych zadań ML. Sieci Deep Learning wykorzystują podejście uczenia bez nadzoru – uczą się na podstawie nieustrukturyzowanych lub nieoznakowanych danych. Sztuczne sieci neuronowe są podobne do ludzkiego mózgu, z węzłami neuronów połączonymi w strukturę przypominającą sieć.
Podczas gdy tradycyjne modele uczenia się analizują dane przy użyciu podejścia liniowego, hierarchiczna funkcja systemów Deep Learning jest zaprojektowana do przetwarzania i analizowania danych w podejściu nieliniowym.
Deep Learning architektury takie jak głębokie sieci neuronowe, rekurencyjne sieci neuronowe i głębokie sieci przekonań znalazły zastosowanie w różnych dziedzinach, w tym w przetwarzaniu języka naturalnego, wizji komputerowej, bioinformatyce, rozpoznawaniu mowy, rozpoznawaniu dźwięku, tłumaczeniu maszynowym, filtrowaniu sieci społecznych, projektowaniu leków, a nawet programach gier planszowych. Ponieważ w tej dziedzinie dokonywane są nowe postępy, pomaga to ekspertom ML i Deep Learning w projektowaniu innowacyjnych i funkcjonalnych projektów Deep Learning. Im więcej pomysłów na projekty Deep Learning wypróbujesz, tym więcej doświadczenia zdobędziesz.
Dzisiaj omówimy siedem najlepszych niesamowitych projektów Deep Learning, które pomagają nam osiągnąć nowe szczyty osiągnięć.
Więc, oto kilka pomysłów na projekty Deep Learning, nad którymi mogą pracować początkujący:
Pomysły na projekty Deep Learning: Beginners Level
Ta lista pomysłów na projekty głębokiego uczenia dla studentów jest odpowiednia dla początkujących i tych, którzy dopiero zaczynają pracę z ML w ogóle. Te pomysły na projekty związane z głębokim uczeniem się sprawią, że będziesz miał do czynienia ze wszystkimi praktycznymi aspektami, których potrzebujesz, aby odnieść sukces w swojej karierze.
Dalej, jeśli szukasz pomysłów na projekty związane z głębokim uczeniem się na ostatnim roku, ta lista powinna cię ruszyć. Tak więc, bez dalszych ceregieli, skoczmy prosto do niektórych pomysłów na projekty głębokiego uczenia się, które wzmocnią twoją bazę i pozwolą ci wspiąć się po drabinie.
Image Classification with CIFAR-10 dataset
Jednym z najlepszych pomysłów na rozpoczęcie eksperymentowania ty hands-on deep learning projekty dla studentów jest praca nad Image classification. CIFAR-10 jest dużym zbiorem danych zawierającym ponad 60 000 (rozmiar 32×32) kolorowych obrazów skategoryzowanych w dziesięć klas, gdzie każda klasa ma 6000 obrazów. Zbiór treningowy zawiera 50 000 obrazów, podczas gdy zbiór testowy zawiera 10 000 obrazów. Zbiór treningowy będzie podzielony na pięć oddzielnych sekcji, każda zawierająca 10 000 obrazów ułożonych losowo. Jeśli chodzi o zestaw testowy, będzie on zawierał 1000 obrazów, które są losowo wybrane z każdej z dziesięciu klas.
W tym projekcie, opracujesz system klasyfikacji obrazów, który może zidentyfikować klasę obrazu wejściowego. Klasyfikacja obrazów jest kluczową aplikacją w dziedzinie głębokiego uczenia się, a zatem zdobędziesz wiedzę na temat różnych koncepcji głębokiego uczenia się podczas pracy nad tym projektem.
System śledzenia wizualnego
System śledzenia wizualnego jest przeznaczony do śledzenia i lokalizowania ruchomego obiektu(ów) w danym przedziale czasowym za pomocą kamery. Jest to poręczne narzędzie, które ma wiele zastosowań, takich jak bezpieczeństwo i nadzór, obrazowanie medyczne, rzeczywistość rozszerzona, kontrola ruchu drogowego, edycja wideo i komunikacja oraz interakcja człowiek-komputer.
System ten wykorzystuje algorytm głębokiego uczenia do analizy sekwencyjnych klatek wideo, po czym śledzi ruch obiektów docelowych między klatkami. Dwa podstawowe komponenty tego systemu śledzenia wizualnego to:
- Oprezentacja i lokalizacja celu
- Filtrowanie i kojarzenie danych
System wykrywania twarzy
Jest to jeden z doskonałych pomysłów na projekt głębokiego uczenia dla początkujących. Wraz z postępem głębokiego uczenia się, technologia rozpoznawania twarzy również ogromnie się rozwinęła. Technologia rozpoznawania twarzy jest podzbiorem Object Detection, która koncentruje się na obserwowaniu instancji obiektów semantycznych. Jest ona przeznaczona do śledzenia i wizualizacji ludzkich twarzy w obrazach cyfrowych.
W tym projekcie głębokiego uczenia się dowiesz się, jak wykonać rozpoznawanie ludzkiej twarzy w czasie rzeczywistym. Musisz opracować model w Pythonie i OpenCV.
Pomysły na projekty związane z głębokim uczeniem się: Intermediate Level
Digit Recognition System
Jak sama nazwa wskazuje, ten projekt polega na opracowaniu systemu rozpoznawania cyfr, który może klasyfikować cyfry w oparciu o zadane tensory. Tutaj będziesz używał zbioru danych MNIST zawierającego obrazy (rozmiar 28 X 28).
Ten projekt ma na celu stworzenie systemu rozpoznawania, który może klasyfikować cyfry z zakresu od 0 do 9 przy użyciu kombinacji płytkiej sieci i głębokiej sieci neuronowej oraz poprzez implementację regresji logistycznej. Regresja Softmax lub Wielomianowa Regresja Logistyczna jest idealnym wyborem dla tego projektu. Ponieważ technika ta jest uogólnieniem regresji logistycznej, nadaje się do klasyfikacji wieloklasowej, zakładając, że wszystkie klasy wzajemnie się wykluczają).
Chatbot
W tym projekcie, będziesz modelował chatbota używając API IBM Watson. Watson jest doskonałym przykładem tego, co AI może nam pomóc osiągnąć. Ideą tego projektu jest wykorzystanie zdolności głębokiego uczenia się Watsona do stworzenia chatbota, który będzie w stanie nawiązać kontakt z ludźmi tak samo, jak inna istota ludzka. Chatboty są niezwykle inteligentne i potrafią odpowiadać na ludzkie pytania lub prośby w czasie rzeczywistym. Jest to powód, dla którego coraz więcej firm ze wszystkich dziedzin wprowadza chatboty do swojej infrastruktury obsługi klienta.
Ten projekt nie jest bardzo wymagający. Wszystko czego potrzebujesz to mieć Pythona 2/3 na swojej maszynie, konto Bluemix i oczywiście aktywne połączenie z Internetem! Jeśli chcesz go rozbudować, możesz odwiedzić repozytorium Github i ulepszyć funkcje swojego chatbota, dodając animowaną deskę rozdzielczą samochodu.
Czytaj: Jak stworzyć chatbota w Pythonie?
System klasyfikacji gatunków muzycznych
Jest to jeden z interesujących pomysłów na projekt oparty na głębokim uczeniu. Jest to doskonały projekt, aby pielęgnować i doskonalić swoje umiejętności głębokiego uczenia się. Stworzysz model głębokiego uczenia, który wykorzystuje sieci neuronowe do automatycznej klasyfikacji gatunków muzycznych. Do tego projektu wykorzystasz zbiór danych FMA (Free Music Archive). FMA to interaktywna biblioteka zawierająca wysokiej jakości i legalne pliki audio do pobrania. Jest to open-source’owy i łatwo dostępny zbiór danych, który jest świetny do wielu zadań MIR, w tym do przeglądania i organizowania ogromnych kolekcji muzycznych.
Pamiętaj jednak, że zanim będziesz mógł użyć modelu do klasyfikacji plików audio według gatunku, będziesz musiał wydobyć odpowiednie informacje z próbek audio (jak spektrogramy, MFCC, itp.).
System wykrywania senności
Senność kierowców jest jedną z głównych przyczyn wypadków drogowych. Dla kierowców pokonujących długie trasy naturalne jest, że zasypiają za kierownicą. Nawet stres i brak snu mogą powodować senność u kierowców podczas jazdy. Ten projekt ma na celu zapobieganie i zmniejszenie liczby takich wypadków poprzez stworzenie środka wykrywającego senność.
Będziesz używać Pythona, OpenCV i Keras do zbudowania systemu, który może wykrywać zamknięte oczy kierowców i ostrzegać ich, jeśli kiedykolwiek zasną podczas jazdy. Nawet jeśli oczy kierowcy są zamknięte przez kilka sekund, ten system natychmiast poinformuje o tym kierowcę, zapobiegając w ten sposób strasznym wypadkom drogowym. OpenCV będzie monitorować i zbierać obrazy kierowcy za pośrednictwem kamery internetowej i podawać je do modelu głębokiego uczenia, który będzie klasyfikować oczy kierowcy jako „otwarte” lub „zamknięte.”
Generator podpisów pod obrazami
Jest to jeden z modnych pomysłów na projekt głębokiego uczenia. Jest to oparty na Pythonie projekt głębokiego uczenia się, który wykorzystuje sieci neuronowe konwolucyjne i LTSM (rodzaj sieci neuronowej rekurencyjnej) do zbudowania modelu głębokiego uczenia się, który może generować podpisy do obrazu.
Generator podpisów do obrazów łączy w sobie zarówno widzenie komputerowe, jak i techniki przetwarzania języka naturalnego, aby przeanalizować i zidentyfikować kontekst obrazu i odpowiednio go opisać w naturalnych językach ludzkich (na przykład angielskim, hiszpańskim, duńskim itp.). Ten projekt wzmocni Twoją wiedzę na temat CNN i LSTM, a także dowiesz się, jak zaimplementować je w aplikacjach świata rzeczywistego, takich jak ta.
Kolorowanie starych zdjęć B&W
Od dawna automatyczna koloryzacja obrazów B&W jest gorącym tematem eksploracji w dziedzinie wizji komputerowej i głębokiego uczenia się. W jednym z ostatnich badań stwierdzono, że jeśli wytrenujemy sieć neuronową przy użyciu obszernego i bogatego zbioru danych, możemy stworzyć model głębokiego uczenia, który może halucynować kolory na czarno-białej fotografii.
W tym projekcie kolorowania obrazu, będziesz używał Pythona i architektury OpenCV DNN (jest ona trenowana na zbiorze danych ImageNet). Celem jest stworzenie kolorowej reprodukcji obrazów w skali szarości. Do tego celu użyjesz wytrenowanego modelu Caffe, pliku prototxt oraz pliku NumPy.
Deep Learning Project Ideas – Advanced Level
Detector
Detectron jest systemem oprogramowania Facebook AI Research’s (FAIR) zaprojektowanym do wykonywania i uruchamiania najnowocześniejszych algorytmów wykrywania obiektów. Napisany w Pythonie, ten projekt głębokiego uczenia się jest oparty na frameworku głębokiego uczenia się Caffe2.
Detectron był podstawą wielu wspaniałych projektów badawczych, w tym 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, and Learning to Segment Every Thing, to name a few.
Detectron oferuje wysokiej jakości i wydajności bazę kodową do badań nad wykrywaniem obiektów. Zawiera ponad 50 wstępnie wytrenowanych modeli i jest niezwykle elastyczny – wspiera szybką implementację i ewaluację nowych badań.
WaveGlow
Jest to jeden z ciekawych pomysłów na projekt deep learning. WaveGlow to oparta na przepływach sieć generatywna do syntezy mowy, opracowana i oferowana przez firmę NVIDIA. Może generować wysokiej jakości mowę z mel-spektogramów. Łączy spostrzeżenia uzyskane z WaveNet i Glow, aby ułatwić szybką, wydajną i wysokiej jakości syntezę dźwięku, nie wymagającą autoregresji.
WaveGlow może być zaimplementowany za pomocą pojedynczej sieci, a także wytrenowany przy użyciu pojedynczej funkcji kosztu. Celem jest optymalizacja prawdopodobieństwa danych szkoleniowych, co czyni procedurę szkolenia łatwą do zarządzania i stabilną.
OpenCog
Projekt OpenCog obejmuje podstawowe komponenty i platformę ułatwiającą AI R&D. Jego celem jest zaprojektowanie open-source Artificial General Intelligence (AGI) framework, który może dokładnie uchwycić ducha architektury i dynamiki ludzkiego mózgu. AI bot, Sophia, jest jednym z najlepszych przykładów AGI.
OpenCog obejmuje również OpenCog Prime – zaawansowaną architekturę dla robotów i wirtualnego ucieleśnionego poznania, która obejmuje asortyment współdziałających komponentów, aby dać początek sztucznej inteligencji ogólnej (AGI) równoważnej człowiekowi jako wyłaniającego się zjawiska systemu jako całości.
DeepMimic
DeepMimic to „kierowane przykładami głębokie uczenie wzmacniające umiejętności postaci oparte na fizyce”. Innymi słowy, jest to sieć neuronowa wyszkolona poprzez wykorzystanie uczenia wzmacniającego w celu odtworzenia ruchów motion-captured przez symulowanego humanoida, lub innego agenta fizycznego.
Działanie DeepMimic jest dość proste. Po pierwsze, musisz skonfigurować symulację rzeczy, którą chcesz animować (możesz uchwycić kogoś wykonującego określone ruchy i spróbować to naśladować). Teraz używasz danych z motion capture do trenowania sieci neuronowej poprzez uczenie wzmacniające. Dane wejściowe tutaj to konfiguracja rąk i nóg w różnych punktach czasowych, podczas gdy nagrodą jest różnica między prawdziwą rzeczą a symulacją w określonych punktach czasowych.
IBM Watson
Jednym z najdoskonalszych przykładów uczenia maszynowego i głębokiego uczenia jest IBM Watson. Największym aspektem IBM Watson jest to, że pozwala on naukowcom i inżynierom/programistom ML współpracować na zintegrowanej platformie w celu ulepszenia i zautomatyzowania cyklu życia AI. Watson może uprościć, przyspieszyć i zarządzać wdrożeniami AI, tym samym umożliwiając firmom wykorzystanie potencjału ML i Deep Learning do zwiększenia wartości biznesowej.
IBM Watson jest zintegrowany z Watson Studio, aby umożliwić zespołom wielofunkcyjnym szybkie i efektywne wdrażanie, monitorowanie i optymalizowanie modeli ML/Deep Learning. Może automatycznie generować interfejsy API, aby pomóc programistom łatwo włączyć AI do swoich aplikacji. Na dodatek jest wyposażony w intuicyjne pulpity, które ułatwiają zespołom bezproblemowe zarządzanie modelami w produkcji.
Google Brain
Jest to jeden z doskonałych pomysłów na projekt głębokiego uczenia się. Projekt Google Brain to badania Deep Learning AI, które rozpoczęły się w 2011 roku w Google. Zespół Google Brain prowadzony przez Google Fellow Jeff Dean, Google Researcher Greg Corrado i profesor Uniwersytetu Stanforda Andrew Ng miał na celu wyprowadzenie Deep Learning i Machine Learning z ograniczeń laboratorium do świata rzeczywistego. Zaprojektowali oni jedną z największych sieci neuronowych dla ML – składała się ona z 16 000 połączonych ze sobą procesorów komputerowych.
Aby przetestować możliwości sieci neuronowej o tak ogromnych rozmiarach, zespół Google Brain nakarmił sieć losowymi miniaturami zdjęć kotów, pochodzącymi z 10 milionów filmów z YouTube. Jednak haczyk tkwi w tym, że nie wytrenowali systemu do rozpoznawania, jak wygląda kot. Ale inteligentny system wprawił wszystkich w zdumienie – sam nauczył się rozpoznawać koty i dalej składał cechy kota, aby skompletować jego obraz!
Projekt Google Brain z powodzeniem udowodnił, że sieci neuronowe oparte na oprogramowaniu mogą naśladować funkcjonowanie ludzkiego mózgu, gdzie każdy neuron jest szkolony do wykrywania konkretnych obiektów. How Deep Learning Algorithms are Transforming Our Everyday Lives
12 Sigma’s Lung Cancer detection algorithm
12 Sigma opracowała algorytm sztucznej inteligencji, który może zmniejszyć błędy diagnostyczne związane z rakiem płuc w jego wczesnych stadiach i wykrywać oznaki raka płuc znacznie szybciej niż tradycyjne podejścia.
Według Xin Zhong, współzałożyciela i dyrektora generalnego Sigma Technologies, zwykle konwencjonalne praktyki wykrywania raka zajmują czas, aby wykryć raka płuc. Jednak 12 Sigma’s AI algorithm system może skrócić czas diagnozy, co prowadzi do lepszego wskaźnika przeżycia dla pacjentów z rakiem płuc.
Generalnie, lekarze diagnozują raka płuc poprzez dokładne zbadanie obrazów tomografii komputerowej, aby sprawdzić, czy nie ma małych guzków i sklasyfikować je jako łagodne lub złośliwe. Lekarzom może zająć ponad dziesięć minut wizualne sprawdzenie obrazów TK pacjenta w poszukiwaniu guzków, plus dodatkowy czas na sklasyfikowanie guzków jako łagodne lub złośliwe.
Nie trzeba dodawać, że zawsze pozostaje duże prawdopodobieństwo wystąpienia błędów ludzkich. 12 Sigma utrzymuje, że jej algorytm AI może sprawdzić obrazy TK i sklasyfikować guzki w ciągu dwóch minut.
Koniec
W tym artykule, pokryliśmy najlepsze pomysły na projekty głębokiego uczenia. Zaczęliśmy od kilku początkujących projektów, które możesz rozwiązać z łatwością. Kiedy skończysz z tymi prostymi projektami, sugeruję, abyś wrócił, nauczył się kilku dodatkowych koncepcji, a następnie spróbował projektów pośrednich. Kiedy poczujesz się pewnie, możesz zająć się zaawansowanymi projektami. Jeśli chcesz poprawić swoje umiejętności głębokiego uczenia się, musisz dostać w swoje ręce te pomysły na projekty głębokiego uczenia się.
To tylko garstka rzeczywistych zastosowań Deep Learning wykonanych do tej pory. Technologia ta jest wciąż bardzo młoda – rozwija się w miarę jak mówimy. Deep Learning posiada ogromne możliwości, aby dać początek pionierskim innowacjom, które mogą pomóc ludzkości w rozwiązaniu niektórych z podstawowych wyzwań realnego świata.
Jeśli jesteś zainteresowany, aby dowiedzieć się więcej o głębokim uczeniu i sztucznej inteligencji, sprawdź nasz PG Diploma in Machine Learning and AI program, który jest przeznaczony dla pracujących profesjonalistów i ponad 450 godzin rygorystycznego szkolenia.
.