Innehållsförteckning
Projektidéer för djupinlärning
Djupinlärning är visserligen ett nytt tekniskt framsteg, men dess omfattning ökar exponentiellt. Deep Learning-tekniken syftar till att efterlikna det biologiska neurala nätverket, det vill säga den mänskliga hjärnan. Deep Learning har sitt ursprung på 1950-talet, men det är först i och med att artificiell intelligens och maskininlärning har utvecklats och införts som tekniken har kommit i rampljuset. Så om du är nybörjare inom ML är det bästa du kan göra att arbeta med några idéer till projekt om djupinlärning.
Vi, här på upGrad, tror på ett praktiskt tillvägagångssätt eftersom enbart teoretisk kunskap inte kommer att vara till hjälp i en arbetsmiljö i realtid. I den här artikeln kommer vi att utforska några intressanta projektidéer för djupinlärning som nybörjare kan arbeta med för att sätta sina kunskaper på prov. I den här artikeln hittar du de bästa projektidéerna för djupinlärning för nybörjare för att få praktisk erfarenhet av djupinlärning.
Djupinlärning är en delmängd av maskininlärning och utnyttjar artificiella neurala nätverk som är hierarkiskt arrangerade för att utföra specifika ML-uppgifter. Deep Learning-nätverk använder sig av oövervakad inlärning – de lär sig från ostrukturerade eller omärkta data. Artificiella neurala nätverk är precis som den mänskliga hjärnan, där neuronernas noder är sammankopplade för att bilda en nätliknande struktur.
Men medan traditionella inlärningsmodeller analyserar data med hjälp av ett linjärt tillvägagångssätt är den hierarkiska funktionen hos Deep Learning-system utformad för att bearbeta och analysera data med ett icke-linjärt tillvägagångssätt.
Djupinlärningsarkitekturer som djupa neurala nätverk, återkommande neurala nätverk och djupa troende nätverk har funnit tillämpningar på olika områden, bland annat behandling av naturligt språk, datorsyn, bioinformatik, taligenkänning, ljudupptagning, maskinöversättning, filtrering av sociala nätverk, läkemedelsdesign och till och med brädspelsprogram. I takt med att nya framsteg görs inom detta område hjälper det ML- och Deep Learning-experter att utforma innovativa och funktionella Deep Learning-projekt. Ju fler projektidéer för djupinlärning du prövar, desto mer erfarenhet får du.
I dag ska vi diskutera de sju bästa fantastiska Deep Learning-projekten som hjälper oss att nå nya höjder av prestationer.
Så, här är några projektidéer för djupinlärning som nybörjare kan arbeta med:
Djupinlärningsprojektidéer: Den här listan över projektidéer för djupinlärning för studenter är lämplig för nybörjare och för dem som precis har börjat med ML i allmänhet. Dessa projektidéer för djupinlärning kommer att hjälpa dig att komma igång med allt det praktiska som du behöver för att lyckas i din karriär.
Och om du letar efter projektidéer för djupinlärning för ditt sista år, bör den här listan hjälpa dig att komma igång. Så, utan vidare, låt oss hoppa rakt in i några projektidéer för djupinlärning som kommer att stärka din bas och låta dig klättra uppför stegen.
Bildklassificering med CIFAR-10-dataset
En av de bästa idéerna för att börja experimentera du praktiska projekt för djupinlärning för studenter är att arbeta med bildklassificering. CIFAR-10 är ett stort dataset som innehåller över 60 000 färgbilder (storlek 32×32) som delas in i tio klasser, där varje klass har 6 000 bilder. Träningsuppsättningen innehåller 50 000 bilder, medan testuppsättningen innehåller 10 000 bilder. Träningsuppsättningen kommer att delas upp i fem separata sektioner, var och en med 10 000 bilder som arrangeras slumpmässigt. När det gäller testuppsättningen kommer den att innehålla 1 000 bilder som väljs slumpmässigt från var och en av de tio klasserna.
I det här projektet ska du utveckla ett bildklassificeringssystem som kan identifiera klassen för en inmatad bild. Bildklassificering är en central tillämpning inom djupinlärning, och därför kommer du att få kunskap om olika koncept för djupinlärning när du arbetar med det här projektet.
Visuellt spårningssystem
Ett visuellt spårningssystem är utformat för att spåra och lokalisera rörliga objekt inom en given tidsram via en kamera. Det är ett behändigt verktyg som har många användningsområden, t.ex. säkerhet och övervakning, medicinsk avbildning, förstärkt verklighet, trafikstyrning, videoredigering och kommunikation samt interaktion mellan människa och dator.
Detta system använder en djup inlärningsalgoritm för att analysera sekventiella videoframar, varefter det spårar målobjektens rörelse mellan ramarna. De två kärnkomponenterna i detta visuella spårningssystem är:
- Målrepresentation och lokalisering
- Filtrering och dataassociation
System för ansiktsdetektering
Detta är en av de utmärkta djupinlärningsprojektidéerna för nybörjare. Med framstegen inom djupinlärning har tekniken för ansiktsigenkänning också avancerat enormt. Tekniken för ansiktsigenkänning är en delmängd av objektsdetektering som fokuserar på att observera instansen av semantiska objekt. Den är utformad för att spåra och visualisera mänskliga ansikten i digitala bilder.
I det här djupinlärningsprojektet kommer du att lära dig att utföra mänsklig ansiktsigenkänning i realtid. Du måste utveckla modellen i Python och OpenCV.
Djupinlärningsprojektidéer: Intermediate Level
System för sifferigenkänning
Som namnet antyder handlar det här projektet om att utveckla ett system för sifferigenkänning som kan klassificera siffror baserat på de fastställda principerna. Här kommer du att använda MNIST-datasetet som innehåller bilder (storlek 28 X 28).
Detta projekt syftar till att skapa ett igenkänningssystem som kan klassificera siffror som sträcker sig från 0 till 9 med hjälp av en kombination av ytliga nätverk och djupa neurala nätverk och genom att implementera logistisk regression. Softmax Regression eller Multinomial Logistic Regression är det idealiska valet för detta projekt. Eftersom denna teknik är en generalisering av logistisk regression är den lämplig för klassificering av flera klasser, förutsatt att alla klasser är ömsesidigt uteslutande).
Chatbot
I det här projektet kommer du att modellera en chatbot med hjälp av IBM Watsons API. Watson är ett utmärkt exempel på vad AI kan hjälpa oss att åstadkomma. Tanken bakom det här projektet är att utnyttja Watsons förmåga till djupinlärning för att skapa en chattbot som kan kommunicera med människor precis som en annan människa. Chatbots är ytterst intelligenta och kan svara på mänskliga frågor eller förfrågningar i realtid. Detta är anledningen till att allt fler företag inom alla områden inför chatbots i sin infrastruktur för kundsupport.
Det här projektet är inte särskilt utmanande. Allt du behöver är att ha Python 2/3 i din maskin, ett Bluemix-konto och naturligtvis en aktiv internetanslutning! Om du vill skala upp det ett snäpp kan du besöka Github-förrådet och förbättra chatbotens funktioner genom att inkludera en animerad bilinstrumentpanel.
Läs: Hur man gör en chatbot i Python?
Musikgenreklassificeringssystem
Det här är en av de intressanta idéerna för djupinlärningsprojekt. Detta är ett utmärkt projekt för att vårda och förbättra dina färdigheter i djupinlärning. Du kommer att skapa en djupinlärningsmodell som använder neurala nätverk för att klassificera musikgenren automatiskt. För det här projektet kommer du att använda ett dataset från FMA (Free Music Archive). FMA är ett interaktivt bibliotek som består av högkvalitativa och lagliga ljudnedladdningar. Det är ett dataset med öppen källkod och lättillgängligt som är utmärkt för en mängd MIR-uppgifter, bland annat för att bläddra i och organisera stora musiksamlingar.
Håll i minnet att innan du kan använda modellen för att klassificera ljudfiler efter genre måste du extrahera relevant information från ljudproverna (som spektrogram, MFCC osv.).
System för upptäckt av dåsighet
Förares dåsighet är en av de främsta orsakerna till trafikolyckor. Det är naturligt för förare som frekventerar långa sträckor att slumra till när de sitter bakom ratten. Även stress och sömnbrist kan leda till att förare känner sig sömniga när de kör. Det här projektet syftar till att förebygga och minska sådana olyckor genom att skapa en agent för att upptäcka sömnighet.
Här kommer du att använda Python, OpenCV och Keras för att bygga ett system som kan upptäcka förares slutna ögon och varna dem om de någonsin somnar under körning. Även om förarens ögon är stängda i några sekunder kommer detta system omedelbart att informera föraren och på så sätt förhindra fruktansvärda trafikolyckor. OpenCV kommer att övervaka och samla in förarens bilder via en webbkamera och mata dem till den djupinlärningsmodell som kommer att klassificera förarens ögon som ”öppna” eller ”stängda”.”
Bildtextgenerator
Detta är en av de trendiga idéerna för djupinlärningsprojekt. Detta är ett Python-baserat djupinlärningsprojekt som utnyttjar Convolutional Neural Networks och LTSM (en typ av Recurrent Neural Network) för att bygga en djupinlärningsmodell som kan generera bildtexter för en bild.
En bildtextgenerator kombinerar både datorseende och tekniker för behandling av naturligt språk för att analysera och identifiera sammanhanget i en bild och beskriva dem i enlighet med detta på naturliga mänskliga språk (t.ex. engelska, spanska, danska osv.). Det här projektet kommer att stärka dina kunskaper om CNN och LSTM, och du kommer att lära dig hur man implementerar dem i verkliga tillämpningar som denna.
Färgning av gamla B&W-foton
Sedan länge har automatiserad färgläggning av B&W-bilder varit ett hett ämne att utforska inom området datorseende och djupinlärning. I en nyligen genomförd studie konstaterades att om vi tränar ett neuralt nätverk med hjälp av en omfattande och rik datamängd kan vi skapa en djupinlärningsmodell som kan hallucinera färger i ett svartvitt fotografi.
I det här projektet för färgläggning av bilder kommer du att använda Python och OpenCV DNN-arkitekturen (den är tränad på ImageNet-dataset). Målet är att skapa en färgad återgivning av gråskalebilder. För detta ändamål kommer du att använda en förtränad Caffe-modell, en prototxt-fil och en NumPy-fil.
Djupinlärningsprojektidéer – avancerad nivå
Detector
Detectron är ett programvarusystem från Facebook AI Research (FAIR) som är utformat för att exekvera och köra de senaste algoritmerna för objektsdetektering. Det här djupinlärningsprojektet är skrivet i Python och bygger på ramverket för djupinlärning Caffe2.
Detectron har legat till grund för många underbara forskningsprojekt, bland annat 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 och Learning to Segment Every Thing, för att nämna några.
Detectron erbjuder en högkvalitativ och högpresterande kodbas för forskning om objektdetektering. Den innehåller över 50 förtränade modeller och är extremt flexibel – den stöder snabb implementering och utvärdering av ny forskning.
WaveGlow
Det här är en av de intressanta projektidéerna för djupinlärning. WaveGlow är ett flödesbaserat generativt nätverk för talsyntes som utvecklats och erbjuds av NVIDIA. Det kan generera tal av hög kvalitet från mel-spektogram. Det blandar de insikter som erhållits från WaveNet och Glow för att underlätta snabb, effektiv och högkvalitativ ljudsyntes, utan att kräva automatisk regression.
WaveGlow kan implementeras via ett enda nätverk och även tränas med hjälp av en enda kostnadsfunktion. Syftet är att optimera träningsdatans sannolikhet, vilket gör träningsförfarandet hanterbart och stabilt.
OpenCog
OpenCog-projektet omfattar kärnkomponenterna och en plattform för att underlätta AI R&D. Det syftar till att utforma ett ramverk för artificiell allmän intelligens (AGI) med öppen källkod som exakt kan fånga andan i den mänskliga hjärnans arkitektur och dynamik. AI-robotten Sophia är ett av de bästa exemplen på AGI.
OpenCog omfattar också OpenCog Prime – en avancerad arkitektur för robotar och virtuell förkroppsligad kognition som innehåller ett sortiment av interagerande komponenter för att ge upphov till mänskligt likvärdig artificiell allmän intelligens (AGI) som en framväxande företeelse i systemet som helhet.
DeepMimic
DeepMimic är en ”exempelstyrd Deep Reinforcement Learning of Physics-based character skills”. Med andra ord är det ett neuralt nätverk som tränas genom att utnyttja förstärkningsinlärning för att reproducera rörelseinspelade rörelser via en simulerad humanoid, eller någon annan fysisk agent.
Funktionen hos DeepMimic är ganska enkel. Först måste du sätta upp en simulering av det du vill animera (du kan fånga en person som gör specifika rörelser och försöka imitera det). Nu använder du rörelseupptagningsdata för att träna ett neuralt nätverk genom förstärkningsinlärning. Inmatningen här är konfigurationen av armar och ben vid olika tidpunkter medan belöningen är skillnaden mellan den verkliga saken och simuleringen vid specifika tidpunkter.
IBM Watson
Ett av de mest utmärkta exemplen på maskininlärning och djupinlärning är IBM Watson. Den bästa aspekten av IBM Watson är att den gör det möjligt för datavetare och ML-ingenjörer/utvecklare att samarbeta på en integrerad plattform för att förbättra och automatisera AI-livscykeln. Watson kan förenkla, påskynda och hantera AI-implementeringar och därmed göra det möjligt för företag att utnyttja potentialen hos både ML och Deep Learning för att öka affärsvärdet.
IBM Watson är integrerat med Watson Studio för att ge tvärfunktionella team möjlighet att snabbt och effektivt driftsätta, övervaka och optimera ML/Deep Learning-modeller. Den kan automatiskt generera API:er för att hjälpa dina utvecklare att enkelt införliva AI i sina applikationer. Dessutom levereras den med intuitiva instrumentpaneler som gör det bekvämt för teamen att hantera modeller i produktion sömlöst.
Google Brain
Detta är en av de utmärkta djupinlärningsprojektidéerna. Google Brain-projektet är Deep Learning AI-forskning som började 2011 på Google. Google Brain-teamet som leddes av Google Fellow Jeff Dean, Googleforskaren Greg Corrado och professorn Andrew Ng från Stanford University syftade till att föra djupinlärning och maskininlärning ut från labbet till den verkliga världen. De utformade ett av de största neurala nätverken för ML – det bestod av 16 000 datorprocessorer som var sammankopplade.
För att testa kapaciteten hos ett neuralt nätverk av denna enorma storlek matade Google Brain-teamet nätverket med slumpmässiga miniatyrbilder av kattbilder från 10 miljoner YouTube-videor. Haken är dock att de inte tränade systemet att känna igen hur en katt ser ut. Men det intelligenta systemet lämnade alla förvånade – det lärde sig självt att identifiera katter och fortsatte sedan att sätta ihop kattdrag för att komplettera bilden av en katt!
Google Brain-projektet visade framgångsrikt att mjukvarubaserade neurala nätverk kan efterlikna den mänskliga hjärnans funktion, där varje neuron tränas i att upptäcka särskilda objekt. Hur algoritmer för djupinlärning förändrar vår vardag
12 Sigmas algoritm för upptäckt av lungcancer
12 Sigma har utvecklat en AI-algoritm som kan minska diagnostiska fel som är förknippade med lungcancer i tidiga stadier och upptäcka tecken på lungcancer mycket snabbare än traditionella metoder.
Enligt Xin Zhong, medgrundare och vd för Sigma Technologies, tar vanligtvis konventionella metoder för cancerupptäckt tid att upptäcka lungcancer. 12 Sigmas AI-algoritmsystem kan dock minska diagnostiden, vilket leder till en bättre överlevnadsgrad för lungcancerpatienter.
Generellt sett diagnostiserar läkare lungcancer genom att noggrant undersöka datortomografiska bilder för att leta efter små knölar och klassificera dem som godartade eller elakartade. Det kan ta över tio minuter för läkarna att visuellt inspektera patientens CT-bilder för att hitta knölar, plus ytterligare tid för att klassificera knölarna som godartade eller elakartade.
Nödvändigt att säga att det alltid finns en stor möjlighet till mänskliga fel. 12 Sigma hävdar att dess AI-algoritm kan inspektera CT-bilderna och klassificera knölar inom två minuter.
Slutsats
I den här artikeln har vi behandlat de bästa idéerna för djupinlärningsprojekt. Vi började med några nybörjarprojekt som du kan lösa med lätthet. När du är klar med dessa enkla projekt föreslår jag att du går tillbaka, lär dig några fler begrepp och sedan provar de mellanliggande projekten. När du känner dig säker kan du sedan ta dig an de avancerade projekten. Om du vill förbättra dina färdigheter inom djupinlärning måste du lägga vantarna på dessa idéer till projekt för djupinlärning.
Detta är bara en handfull av de verkliga tillämpningar av djupinlärning som gjorts hittills. Tekniken är fortfarande mycket ung – den utvecklas medan vi pratar. Deep Learning har enorma möjligheter att ge upphov till banbrytande innovationer som kan hjälpa mänskligheten att ta itu med några av de grundläggande utmaningarna i den verkliga världen.
Om du är intresserad av att veta mer om djupinlärning och artificiell intelligens kan du kolla in vårt PG Diploma in Machine Learning and AI-program som är utformat för yrkesverksamma och mer än 450 timmars rigorös utbildning.