Tabelă de materii
Idei de proiecte de Deep Learning
Deși un nou progres tehnologic, domeniul de aplicare al Deep Learning se extinde exponențial. Tehnologia Deep Learning își propune să imite rețeaua neuronală biologică, adică a creierului uman. Deși originile învățării profunde datează din anii 1950, abia odată cu avansarea și adoptarea inteligenței artificiale și a învățării automate a ajuns în lumina reflectoarelor. Deci, dacă sunteți un începător ML, cel mai bun lucru pe care îl puteți face este să lucrați la câteva idei de proiecte de învățare profundă.
Noi, aici la upGrad, credem într-o abordare practică, deoarece cunoștințele teoretice singure nu vor fi de ajutor într-un mediu de lucru în timp real. În acest articol, vom explora câteva idei interesante de proiecte de învățare profundă la care începătorii pot lucra pentru a-și pune cunoștințele la încercare. În acest articol, veți găsi idei de proiecte de învățare profundă de top pentru începători pentru a obține experiență practică pe învățarea profundă.
Un subansamblu al învățării automate, învățarea profundă utilizează rețele neuronale artificiale aranjate ierarhic pentru a efectua sarcini ML specifice. Rețelele Deep Learning utilizează abordarea de învățare nesupravegheată – acestea învață din date nestructurate sau neetichetate. Rețelele neuronale artificiale sunt la fel ca și creierul uman, cu noduri neuronale interconectate pentru a forma o structură asemănătoare unei rețele.
În timp ce modelele tradiționale de învățare analizează datele folosind o abordare liniară, funcția ierarhică a sistemelor de învățare profundă este concepută pentru a procesa și analiza datele într-o abordare neliniară.
Arhitecturile de învățare profundă, cum ar fi rețelele neuronale profunde, rețelele neuronale recurente și rețelele de credință profundă, au găsit aplicații în diverse domenii, inclusiv procesarea limbajului natural, viziunea computerizată, bioinformatica, recunoașterea vorbirii, recunoașterea audio, traducerea automată, filtrarea rețelelor sociale, proiectarea medicamentelor și chiar programe de jocuri de societate. Pe măsură ce se fac noi progrese în acest domeniu, aceasta îi ajută pe experții în ML și Deep Learning să conceapă proiecte inovatoare și funcționale de Deep Learning. Cu cât încercați mai multe idei de proiecte de învățare profundă, cu atât mai multă experiență câștigați.
Astăzi, vom discuta despre primele șapte proiecte uimitoare de învățare profundă care ne ajută să atingem noi culmi de realizare.
Acum, iată câteva idei de proiecte de învățare profundă la care începătorii pot lucra:
Idei de proiecte de învățare profundă: Nivel începători
Această listă de idei de proiecte de învățare profundă pentru studenți este potrivită pentru începători și pentru cei care abia încep cu ML în general. Aceste idei de proiecte de învățare profundă vă vor pune în mișcare cu toate aspectele practice de care aveți nevoie pentru a reuși în carieră.
În plus, dacă sunteți în căutarea unor idei de proiecte de învățare profundă pentru ultimul an, această listă ar trebui să vă pună în mișcare. Așadar, fără alte discuții, să trecem direct la câteva idei de proiecte de învățare profundă care vă vor consolida baza și vă vor permite să urcați pe scara ierarhică.
Clasificarea imaginilor cu setul de date CIFAR-10
Una dintre cele mai bune idei pentru a începe să vă experimentați proiecte practice de învățare profundă pentru studenți este să lucrați la clasificarea imaginilor. CIFAR-10 este un set de date de mari dimensiuni care conține peste 60.000 (dimensiune 32×32) de imagini color clasificate în zece clase, în care fiecare clasă are 6.000 de imagini. Setul de instruire conține 50.000 de imagini, în timp ce setul de testare conține 10.000 de imagini. Setul de instruire va fi împărțit în cinci secțiuni separate, fiecare având 10 000 de imagini aranjate aleatoriu. În ceea ce privește setul de testare, acesta va include 1000 de imagini care sunt alese aleatoriu din fiecare dintre cele zece clase.
În acest proiect, veți dezvolta un sistem de clasificare a imaginilor care poate identifica clasa unei imagini de intrare. Clasificarea imaginilor este o aplicație pivotală în domeniul învățării profunde și, prin urmare, veți dobândi cunoștințe despre diverse concepte de învățare profundă în timp ce lucrați la acest proiect.
Sistem de urmărire vizuală
Un sistem de urmărire vizuală este conceput pentru a urmări și localiza obiectul (obiectele) în mișcare într-un anumit interval de timp prin intermediul unei camere. Este un instrument la îndemână care are numeroase aplicații, cum ar fi securitatea și supravegherea, imagistica medicală, realitatea augmentată, controlul traficului, editarea și comunicarea video și interacțiunea om-calculator.
Acest sistem utilizează un algoritm de învățare profundă pentru a analiza cadrele video secvențiale, după care urmărește mișcarea obiectelor țintă între cadre. Cele două componente de bază ale acestui sistem de urmărire vizuală sunt:
- Reprezentarea și localizarea țintei
- Filtrarea și asocierea datelor
Sistem de detectare a feței
Aceasta este una dintre ideile excelente de proiecte de învățare profundă pentru începători. Odată cu avansul învățării profunde, tehnologia de recunoaștere facială a avansat, de asemenea, foarte mult. Tehnologia de recunoaștere a feței este un subansamblu al detecției obiectelor care se concentrează pe observarea instanței obiectelor semantice. Este concepută pentru a urmări și vizualiza fețele umane în cadrul imaginilor digitale.
În acest proiect de învățare profundă, veți învăța cum să efectuați recunoașterea fețelor umane în timp real. Va trebui să dezvoltați modelul în Python și OpenCV.
Idei de proiecte de învățare în profunzime: Nivel intermediar
Sistem de recunoaștere a cifrelor
După cum sugerează și numele, acest proiect presupune dezvoltarea unui sistem de recunoaștere a cifrelor care poate clasifica cifrele pe baza setului de zecimi. Aici, veți utiliza setul de date MNIST care conține imagini (dimensiune 28 X 28).
Acest proiect are ca scop crearea unui sistem de recunoaștere care poate clasifica cifrele cuprinse între 0 și 9 folosind o combinație de rețea superficială și rețea neuronală profundă și prin implementarea regresiei logistice. Softmax Regression sau Multinomial Logistic Regression este alegerea ideală pentru acest proiect. Deoarece această tehnică este o generalizare a regresiei logistice, este potrivită pentru clasificarea multiclasă, presupunând că toate clasele se exclud reciproc).
Chatbot
În acest proiect, veți modela un chatbot folosind API-ul IBM Watson. Watson este cel mai bun exemplu a ceea ce ne poate ajuta AI să realizăm. Ideea din spatele acestui proiect este de a valorifica abilitățile de învățare profundă ale lui Watson pentru a crea un chatbot care poate interacționa cu oamenii la fel ca o altă ființă umană. Chatbots sunt extrem de inteligenți și pot răspunde în timp real la întrebările sau solicitările oamenilor. Acesta este motivul pentru care un număr tot mai mare de companii din toate domeniile adoptă chatbots în infrastructura lor de asistență pentru clienți.
Acest proiect nu este unul foarte provocator. Tot ce vă trebuie este să aveți Python 2/3 în mașină, un cont Bluemix și, bineînțeles, o conexiune activă la internet! Dacă doriți să îl extindeți puțin, puteți vizita depozitul Github și să îmbunătățiți caracteristicile chatbot-ului dvs. prin includerea unui tablou de bord animat al mașinii.
Citește: Cum să faci un chatbot în Python?
Sistem de clasificare a genurilor muzicale
Aceasta este una dintre ideile interesante de proiect de învățare profundă. Acesta este un proiect excelent pentru a vă cultiva și a vă îmbunătăți abilitățile de învățare profundă. Veți crea un model de învățare profundă care utilizează rețele neuronale pentru a clasifica automat genul de muzică. Pentru acest proiect, veți utiliza un set de date FMA (Free Music Archive). FMA este o bibliotecă interactivă care cuprinde descărcări audio legale și de înaltă calitate. Este un set de date open-source și ușor de accesat, care este excelent pentru o serie de sarcini MIR, inclusiv pentru navigarea și organizarea unor colecții muzicale vaste.
Cu toate acestea, rețineți că, înainte de a putea utiliza modelul pentru a clasifica fișierele audio în funcție de gen, va trebui să extrageți informațiile relevante din probele audio (cum ar fi spectrogramele, MFCC etc.).
Sistem de detectare a somnolenței
Somnolența șoferilor este unul dintre principalele motive care stau la baza accidentelor rutiere. Este firesc ca șoferii care frecventează trasee lungi să ațipească atunci când se află la volan. Chiar și stresul și lipsa somnului îi pot face pe șoferi să se simtă somnolenți în timp ce conduc. Acest proiect își propune să prevină și să reducă astfel de accidente prin crearea unui agent de detectare a somnolenței.
Aici, veți folosi Python, OpenCV și Keras pentru a construi un sistem care poate detecta ochii închiși ai șoferilor și îi va alerta dacă vreodată aceștia adorm în timp ce conduc. Chiar dacă ochii șoferului sunt închiși pentru câteva secunde, acest sistem îl va informa imediat pe șofer, prevenind astfel accidente rutiere teribile. OpenCV va monitoriza și va colecta imaginile șoferului prin intermediul unei camere web și le va introduce în modelul de învățare profundă care va clasifica ochii șoferului ca fiind „deschiși” sau „închiși”.”
Generator de legende pentru imagini
Aceasta este una dintre ideile de proiecte de învățare profundă aflate în trend. Acesta este un proiect de învățare profundă bazat pe Python care valorifică rețelele neuronale convoluționale și LTSM (un tip de rețea neuronală recurentă) pentru a construi un model de învățare profundă care poate genera legende pentru o imagine.
Un generator de legende pentru imagini combină atât tehnicile de viziune computerizată, cât și cele de procesare a limbajului natural pentru a analiza și identifica contextul unei imagini și a le descrie în consecință în limbaje umane naturale (de exemplu, engleză, spaniolă, daneză etc.). Acest proiect vă va consolida cunoștințele despre CNN și LSTM și veți învăța cum să le implementați în aplicații din lumea reală ca aceasta.
Colorarea fotografiilor vechi B&W
De mult timp, colorarea automată a imaginilor B&W a fost un subiect fierbinte de explorare în domeniul vederii computerizate și al învățării profunde. Un studiu recent a afirmat că, dacă antrenăm o rețea neuronală folosind un set de date voluminos și bogat, am putea crea un model de învățare profundă care poate halucina culori în cadrul unei fotografii alb-negru.
În acest proiect de colorare a imaginilor, veți folosi Python și arhitectura OpenCV DNN (este antrenată pe setul de date ImageNet). Scopul este de a crea o reproducere colorată a unor imagini în tonuri de gri. În acest scop, veți utiliza un model Caffe pre-antrenat, un fișier prototxt și un fișier NumPy.
Deep Learning Project Ideas – Advanced Level
Detector
Detectron este un sistem software al Facebook AI Research’s (FAIR) conceput pentru a executa și rula algoritmi de ultimă generație de detectare a obiectelor. Scris în Python, acest proiect de învățare profundă se bazează pe cadrul de învățare profundă Caffe2.
Detectron a stat la baza multor proiecte de cercetare minunate, inclusiv 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 și Learning to Segment Every Thing, pentru a numi doar câteva.
Detectron oferă o bază de cod de înaltă calitate și de înaltă performanță pentru cercetarea în domeniul detectării obiectelor. Acesta include peste 50 de modele pre-antrenate și este extrem de flexibil – sprijină implementarea și evaluarea rapidă a cercetărilor noi.
WaveGlow
Este una dintre ideile interesante de proiecte de învățare profundă. WaveGlow este o rețea generativă bazată pe fluxuri pentru sinteza vorbirii dezvoltată și oferită de NVIDIA. Aceasta poate genera vorbire de înaltă calitate din mel-spectograme. Combină cunoștințele obținute de la WaveNet și Glow pentru a facilita o sinteză audio rapidă, eficientă și de înaltă calitate, fără a necesita autoregresie.
WaveGlow poate fi implementată prin intermediul unei singure rețele și, de asemenea, antrenată folosind o singură funcție de cost. Scopul este de a optimiza probabilitatea datelor de instruire, făcând astfel ca procedura de instruire să fie gestionabilă și stabilă.
OpenCog
Proiectul OpenCog include componentele de bază și o platformă pentru a facilita AI R&D. Acesta își propune să proiecteze un cadru de Inteligență Generală Artificială (AGI) cu sursă deschisă care poate capta cu acuratețe spiritul arhitecturii și dinamicii creierului uman. Robotul de inteligență artificială, Sophia, este unul dintre cele mai bune exemple de AGI.
OpenCog cuprinde, de asemenea, OpenCog Prime – o arhitectură avansată pentru roboți și cogniție întruchipată virtuală care include un sortiment de componente care interacționează pentru a da naștere unei inteligențe generale artificiale (AGI) echivalente cu cea umană ca fenomen emergent al sistemului ca întreg.
DeepMimic
DeepMimic este o „învățare de întărire profundă ghidată de exemple a abilităților personajelor bazate pe fizică”. Cu alte cuvinte, este o rețea neuronală antrenată prin valorificarea învățării prin întărire pentru a reproduce mișcările capturate prin mișcare prin intermediul unui umanoid simulat, sau orice alt agent fizic.
Funcționarea lui DeepMimic este destul de simplă. În primul rând, trebuie să configurați o simulare a lucrului pe care doriți să îl animați (puteți să capturați pe cineva care face anumite mișcări și să încercați să imitați acest lucru). Acum, folosiți datele de captare a mișcărilor pentru a antrena o rețea neuronală prin învățare prin întărire. Intrarea aici este configurația brațelor și a picioarelor la diferite momente de timp, în timp ce recompensa este diferența dintre lucrul real și simulare la anumite momente de timp.
IBM Watson
Unul dintre cele mai excelente exemple de Machine Learning și Deep Learning este IBM Watson. Cel mai mare aspect al IBM Watson este că permite cercetătorilor de date și inginerilor/dezvoltatorilor ML să colaboreze pe o platformă integrată pentru a îmbunătăți și automatiza ciclul de viață al inteligenței artificiale. Watson poate simplifica, accelera și gestiona implementările de inteligență artificială, permițând astfel companiilor să valorifice potențialul atât al ML, cât și al învățării profunde pentru a spori valoarea afacerii.
IBM Watson este integrat cu Watson Studio pentru a permite echipelor interfuncționale să implementeze, să monitorizeze și să optimizeze rapid și eficient modelele ML/Deep Learning. Poate genera automat API-uri pentru a-i ajuta pe dezvoltatorii dvs. să încorporeze cu ușurință AI în aplicațiile lor. În plus, vine cu tablouri de bord intuitive care fac convenabil pentru echipe să gestioneze modelele în producție fără probleme.
Google Brain
Aceasta este una dintre ideile excelente de proiecte de învățare profundă. Proiectul Google Brain este un proiect de cercetare AI de învățare profundă care a început în 2011 la Google. Echipa Google Brain, condusă de Jeff Dean, membru al Google, de Greg Corrado, cercetător la Google, și de Andrew Ng, profesor la Universitatea Stanford, a urmărit să aducă Deep Learning și Machine Learning din limitele laboratorului în lumea reală. Aceștia au proiectat una dintre cele mai mari rețele neuronale pentru ML – aceasta era compusă din 16.000 de procesoare de calculator conectate între ele.
Pentru a testa capacitățile unei rețele neuronale de această dimensiune masivă, echipa Google Brain a alimentat rețeaua cu miniaturi aleatorii de imagini cu pisici provenite din 10 milioane de videoclipuri YouTube. Cu toate acestea, capcana este că nu au antrenat sistemul să recunoască modul în care arată o pisică. Dar sistemul inteligent i-a lăsat pe toți uimiți – a învățat singur cum să identifice pisicile și, mai departe, a continuat să asambleze caracteristicile unei pisici pentru a completa imaginea unei pisici!
Proiectul Google Brain a demonstrat cu succes că rețelele neuronale bazate pe software pot imita funcționarea creierului uman, în care fiecare neuron este antrenat să detecteze anumite obiecte. Cum ne transformă algoritmii de învățare profundă viața de zi cu zi
12 Algoritmul de detectare a cancerului pulmonar de la Sigma
12 Sigma a dezvoltat un algoritm de inteligență artificială care poate reduce erorile de diagnosticare asociate cu cancerul pulmonar în stadii incipiente și poate detecta semnele de cancer pulmonar mult mai rapid decât abordările tradiționale.
Potrivit lui Xin Zhong, co-fondator și CEO al Sigma Technologies, de obicei, practicile convenționale de detectare a cancerului necesită timp pentru a detecta cancerul pulmonar. Cu toate acestea, sistemul de algoritmi de inteligență artificială 12 Sigma poate reduce timpul de diagnosticare, ceea ce duce la o rată mai bună de supraviețuire a pacienților cu cancer pulmonar.
În general, medicii diagnostichează cancerul pulmonar prin examinarea atentă a imaginilor de scanare CT pentru a verifica dacă există noduli mici și pentru a-i clasifica ca fiind benigni sau maligni. Poate dura peste zece minute pentru ca medicii să inspecteze vizual imaginile CT ale pacientului pentru a căuta noduli, plus timp suplimentar pentru clasificarea nodulilor ca fiind benigni sau maligni.
Nu mai este nevoie să spunem că rămâne întotdeauna o mare posibilitate de erori umane. 12 Sigma susține că algoritmul său de inteligență artificială poate inspecta imaginile CT și clasifica nodulii în două minute.
Concluzie
În acest articol, am acoperit ideile de top ale proiectelor de învățare profundă. Am început cu câteva proiecte pentru începători pe care le puteți rezolva cu ușurință. Odată ce ați terminat cu aceste proiecte simple, vă sugerez să vă întoarceți, să învățați câteva concepte suplimentare și apoi să încercați proiectele intermediare. Când vă simțiți încrezători, puteți aborda apoi proiectele avansate. Dacă doriți să vă îmbunătățiți abilitățile de învățare profundă, trebuie să puneți mâna pe aceste idei de proiecte de învățare profundă.
Acestea sunt doar câteva dintre aplicațiile din lumea reală ale învățării profunde realizate până acum. Tehnologia este încă foarte tânără – se dezvoltă în timp ce vorbim. Deep Learning deține posibilități imense de a da naștere la inovații de pionierat care pot ajuta omenirea să abordeze unele dintre provocările fundamentale ale lumii reale.
Dacă sunteți interesat să aflați mai multe despre învățarea profundă și inteligența artificială, consultați programul nostru PG Diploma în Machine Learning și AI, care este conceput pentru profesioniștii care lucrează și mai mult de 450 de ore de pregătire riguroasă.
.