13 فكرة وموضوعات مثيرة للاهتمام لمشروع الشبكة العصبية للمبتدئين [2022]

تهدف الشبكات العصبية إلى التعرف على العلاقات الأساسية في مجموعات البيانات من خلال عملية تحاكي عمل الدماغ البشري. يمكن أن تتعلم هذه الأنظمة أداء المهام دون أن تتم برمجتها بقواعد دقيقة. يمكنك تنفيذ مشاريع شبكة عصبية مختلفة لفهم كل ما يتعلق بهياكل الشبكات وكيفية عملها. تابع القراءة لتتعرف على بعض التطبيقات المثيرة!

تعلم دورات التعلم الآلي من أفضل الجامعات في العالم - الماجستير ، وبرامج الدراسات العليا التنفيذية ، وبرنامج الشهادة المتقدم في ML & AI لتسريع حياتك المهنية.

أساسيات الشبكات العصبية

قبل أن نبدأ بقائمة أفكار مشروع الشبكة العصبية ، دعونا أولاً نراجع الأساسيات.

• الشبكة العصبية هي سلسلة من الخوارزميات التي تعالج البيانات المعقدة
• يمكن أن تتكيف مع المدخلات المتغيرة.
• يمكنه الحصول على أفضل النتائج الممكنة دون مطالبتك بإعادة تصميم معايير الإخراج.
• يستخدم علماء الكمبيوتر الشبكات العصبية للتعرف على الأنماط وحل المشكلات المتنوعة.
• إنه مثال على التعلم الآلي.
• تستخدم عبارة "التعلم العميق" للتعبير عن الشبكات العصبية المعقدة.

اليوم ، يتم تطبيق الشبكات العصبية على مجموعة واسعة من وظائف الأعمال ، مثل أبحاث العملاء ، والتنبؤ بالمبيعات ، والتحقق من صحة البيانات ، وإدارة المخاطر ، وما إلى ذلك ، واعتماد نهج التدريب العملي يجلب العديد من المزايا إذا كنت ترغب في ممارسة مهنة عميقة. التعلم. لذا ، دعونا نتعمق في الموضوعات واحدة تلو الأخرى. تعرف على المزيد حول تطبيقات الشبكات العصبية.

مشاريع الشبكة العصبية

1. أجهزة التشفير الآلية على أساس الشبكات العصبية

تعد المبردات التلقائية أبسط هياكل التعلم العميق. إنها نوع معين من الشبكات العصبية المغذية حيث يتم ضغط الإدخال أولاً في رمز منخفض الأبعاد. بعد ذلك ، يتم إعادة بناء الإخراج من تمثيل أو ملخص الكود المضغوط. لذلك ، تحتوي أجهزة التشفير التلقائية على ثلاثة مكونات مدمجة بداخلها - التشفير ، والرمز ، ووحدة فك التشفير. في القسم التالي ، قمنا بتلخيص كيفية عمل الهندسة المعمارية.

• يمر الإدخال عبر المشفر لإنتاج الكود.
• يعالج جهاز فك التشفير (صورة معكوسة لهيكل المشفر) الإخراج باستخدام الكود.
• يتم إنشاء مخرجات مماثلة للإدخال.

من الخطوات المذكورة أعلاه ، ستلاحظ أن وحدة التشفير التلقائي هي خوارزمية لتقليل الأبعاد أو ضغط. لبدء عملية التطوير ، ستحتاج إلى طريقة تشفير وطريقة فك تشفير ووظيفة خسارة. يعتبر الانتروبيا الثنائية والخطأ التربيعي المتوسط ​​الخيارين الرئيسيين لوظيفة الخسارة. ولتدريب أجهزة التشفير التلقائي ، يمكنك اتباع نفس الإجراءات المتبعة في الشبكات العصبية الاصطناعية عبر الانتشار الخلفي. الآن ، دعونا نناقش تطبيقات هذه الشبكات.

يمكنك إنشاء أداة التعرف على خط اليد باستخدام مجموعة بيانات MNIST كمدخل. MNIST هو مصدر بيانات سهل الإدارة وسهل للمبتدئين ويمكن استخدامه لإنشاء صور للأرقام المكتوبة بخط اليد. نظرًا لأن هذه الصور صاخبة ، فإنها تحتاج إلى مرشح لإزالة الضوضاء لتصنيف الأرقام وقراءتها بشكل صحيح. ويمكن لأجهزة التشفير التلقائية التعرف على ميزة إزالة الضوضاء لمجموعة بيانات معينة. يمكنك تجربة هذا المشروع بنفسك عن طريق تنزيل الكود المتاح مجانًا من المستودعات عبر الإنترنت.

2. نموذج الشبكة العصبية التلافيفية

عادةً ما يتم تطبيق الشبكات العصبية التلافيفية أو شبكات CNN لتحليل الصور المرئية. يمكن استخدام هذه البنية لأغراض مختلفة ، مثل معالجة الصور في السيارات ذاتية القيادة.

تستخدم تطبيقات القيادة الذاتية هذا النموذج للتفاعل مع السيارة حيث تتلقى شبكات CNN تعليقات على الصورة وتمريرها إلى سلسلة من قرارات الإخراج (انعطف يمينًا / يسارًا ، توقف / محرك ، إلخ) ثم تعالج خوارزميات التعلم المعزز هذه القرارات للقيادة. إليك كيف يمكنك البدء في إنشاء تطبيق كامل بمفردك:

• خذ درسًا تعليميًا عن MNIST أو CIFAR-10.
• تعرف على نماذج تصنيف الصور الثنائية.
• قم بتوصيل وتشغيل الرمز المفتوح في دفتر Jupyter الخاص بك.

باستخدام هذا الأسلوب ، يمكنك معرفة كيفية استيراد مجموعات البيانات المخصصة وتجربة التنفيذ لتحقيق الأداء المطلوب. يمكنك محاولة زيادة عدد الحقب ، واللعب بالصور ، وإضافة المزيد من الطبقات ، وما إلى ذلك ، بالإضافة إلى ذلك ، يمكنك الغوص في بعض خوارزميات اكتشاف الكائنات مثل SSD ، و YOLO ، و Fast R-CNN ، وما إلى ذلك التعرف على الوجه في ميزة FaceID الخاصة بـ iPhone. من الأمثلة الأكثر شيوعًا لهذا النموذج.

بمجرد صقل مفاهيمك ، جرب يدك في إنشاء نظام تصنيف إشارات المرور لسيارة ذاتية القيادة باستخدام CNN ومكتبة Keras. يمكنك استكشاف مجموعة بيانات GTSRB لهذا المشروع. تعرف على المزيد حول الشبكات العصبية التلافيفية.

3. نموذج الشبكة العصبية المتكررة

على عكس شبكات التغذية الأمامية ، يمكن للشبكات العصبية المتكررة أو شبكات RNN التعامل مع متواليات ذات أطوال متغيرة. نماذج التسلسل مثل RNN لها العديد من التطبيقات ، بدءًا من روبوتات الدردشة واستخراج النصوص ومعالجة الفيديو وتوقعات الأسعار.

إذا كنت قد بدأت للتو ، فيجب أن تكتسب أولاً فهمًا أساسيًا لبوابة LSTN باستخدام RNN على مستوى char. على سبيل المثال ، يمكنك محاولة تحميل مجموعات بيانات أسعار الأسهم. يمكنك تدريب RNNs للتنبؤ بما سيأتي بعد ذلك من خلال معالجة تسلسل البيانات الحقيقية واحدًا تلو الآخر. لقد أوضحنا هذه العملية أدناه:

• افترض أن التنبؤات احتمالية.
• تحدث تكرارات أخذ العينات في توزيع مخرجات الشبكة.
• يتم تغذية العينة كمدخلات في الخطوة التالية.
• تولد الشبكة المدربة تسلسلات جديدة.

بهذا نكون قد غطينا الأنواع الرئيسية للشبكات العصبية وتطبيقاتها. دعونا الآن نلقي نظرة على بعض أفكار مشاريع الشبكة العصبية الأكثر تحديدًا .

4. تطبيقات التشفير باستخدام الشبكات العصبية الاصطناعية

يهتم التشفير بالحفاظ على الأمن الحسابي وتجنب تسرب البيانات في الاتصالات الإلكترونية. يمكنك تنفيذ مشروع في هذا المجال باستخدام معماريات مختلفة للشبكات العصبية وخوارزميات التدريب.

لنفترض أن الهدف من دراستك هو التحقيق في استخدام الشبكات العصبية الاصطناعية في التشفير. بالنسبة للتنفيذ ، يمكنك استخدام بنية بسيطة متكررة مثل شبكة الأردن ، المدربة بواسطة خوارزمية الانتشار العكسي. ستحصل على آلة متسلسلة ذات حالة محدودة ، والتي سيتم استخدامها لعمليات التشفير وفك التشفير. بالإضافة إلى ذلك ، يمكن للشبكات العصبية الفوضوية أن تشكل جزءًا لا يتجزأ من خوارزمية التشفير في مثل هذه الأنظمة.

5. نظام التصنيف الائتماني

يمكن للمتعثرين عن سداد القروض أن يتسببوا في خسائر فادحة للبنوك والمؤسسات المالية. لذلك ، يتعين عليهم تخصيص موارد كبيرة لتقييم مخاطر الائتمان وتصنيف التطبيقات. في مثل هذا السيناريو ، يمكن للشبكات العصبية توفير بديل ممتاز للنماذج الإحصائية التقليدية.

أنها توفر قدرة تنبؤية أفضل ونتائج تصنيف أكثر دقة من تقنيات مثل الانحدار اللوجستي والتحليل التمييزي. لذلك ، ضع في اعتبارك البدء في مشروع لإثبات نفس الشيء. يمكنك تصميم نظام تسجيل ائتماني يعتمد على الشبكات العصبية الاصطناعية ، واستخلاص استنتاج لدراستك من الخطوات التالية:

• استخراج مجموعة بيانات بطاقة ائتمان واقعية لتحليلها.
• تحديد بنية الشبكات العصبية للاستخدام ، مثل خليط الخبراء أو وظيفة الأساس الشعاعي.
• حدد أوزانًا لتقليل إجمالي الأخطاء.
• اشرح أسلوب أو نظرية التحسين الخاصة بك.
• قارن نظام دعم القرار المقترح مع تطبيقات تسجيل الائتمان الأخرى.

6. بيئة التدريب على شبكة الإنترنت

إذا كنت ترغب في معرفة كيفية إنشاء نظام تعليمي متقدم على الويب باستخدام تقنيات الإنترنت والتطوير الحديثة ، فارجع إلى المشروع المسمى Socratenon. سوف يمنحك نظرة خاطفة على كيف يمكن للتدريب المستند إلى الويب أن يتجاوز الحلول التقليدية مثل الكتب المدرسية الافتراضية. تم الانتهاء من حزمة المشروع ، وتم اختبار تقنياته للتأكد من تفوقها على الحلول الأخرى المتاحة من الأدبيات المفتوحة.

يوضح سكرانتينون كيف يمكن تحسين بيئات التعلم الحالية باستخدام أدوات متطورة ، مثل:

• نمذجة المستخدم لتخصيص المحتوى للمستخدمين
• وكلاء أذكياء لتقديم مساعدة وبحث أفضل
• خلفية ذكية باستخدام الشبكات العصبية والتفكير القائم على الحالة

7. نظام أمن المركبات باستخدام التعرف على الوجه

بالنسبة لهذا المشروع ، يمكنك الرجوع إلى SmartEye ، وهو حل تم تطويره بواسطة Alfred Ritikos في Universiti Teknologi Malaysia . ويغطي العديد من التقنيات ، من التعرف على الوجه إلى البصريات وتطوير البرامج الذكية.

على مر السنين ، أصبحت أنظمة الأمان تستفيد من العديد من المنتجات المبتكرة التي تسهل التعرف والتحقق والمصادقة على الأفراد. وتحاول SmartEye تصور هذه العمليات عن طريق المحاكاة. كما أنه يختبر تقنيات التعرف على الوجه الحالية من خلال الجمع بين تحلل المويجات متعدد المستويات والشبكات العصبية.

8. توليد الموسيقى التلقائي

من خلال التعلم العميق ، من الممكن تأليف موسيقى حقيقية دون معرفة كيفية العزف على أي آلة. يمكنك إنشاء مولد موسيقى آلي باستخدام بيانات ملف MIDI وبناء نموذج LSTM لإنشاء تراكيب جديدة.

تعمل شبكة MuseNet الخاصة بـ OpenAI كمثال مناسب لهذا النوع من المشاريع. MuseNet عبارة عن شبكة عصبية عميقة تمت برمجتها للتعلم من الأنماط المكتشفة للتناغم والأسلوب والإيقاع والتنبؤ بالرموز المميزة التالية لإنشاء التراكيب الموسيقية. يمكن أن تنتج مقطوعات مدتها أربع دقائق مع عشرة آلات مختلفة وتجمع بين أشكال مثل موسيقى الريف وموسيقى الروك.

تعرف على المزيد: مقدمة في التعلم العميق والشبكات العصبية

9. تطبيق للكشف عن السرطان

تطبيقات الشبكة العصبية لديها القدرة على إدخال الكفاءة في التشخيص الطبي ، وخاصة في مجال الكشف عن السرطان. نظرًا لأن الخلايا السرطانية تختلف عن الخلايا السليمة ، فمن الممكن اكتشاف المرض باستخدام صور الأنسجة. على سبيل المثال ، تسمح لك بنية الشبكة العصبية متعددة المستويات بتصنيف أنسجة الثدي إلى خبيثة وحميدة. يمكنك التدرب على بناء مصنف سرطان الثدي هذا باستخدام مجموعة بيانات IDC من Kaggle ، والمتاحة في المجال العام.

10. نص ملخص

يتضمن التلخيص التلقائي للنص تكثيف جزء من النص في نسخة أقصر. بالنسبة لهذا المشروع ، سوف تقوم بتطبيق الشبكات العصبية العميقة باستخدام معالجة اللغة الطبيعية. العملية اليدوية لكتابة الملخصات شاقة ومكلفة للوقت. لذلك ، اكتسبت ملخّصات النص التلقائية أهمية كبيرة في مجال البحث الأكاديمي.

11. شات بوت ذكي

تستخدم الشركات الحديثة روبوتات المحادثة لرعاية الطلبات الروتينية وتعزيز خدمة العملاء. يمكن لبعض هذه الروبوتات أيضًا تحديد سياق الاستفسارات ثم الرد بالإجابات ذات الصلة. لذلك ، هناك عدة طرق لتطبيق نظام chatbot.

يمكنك تنفيذ مشروع على روبوتات محادثة قائمة على الاسترداد باستخدام NLTK و Keras. أو يمكنك البحث عن نماذج توليدية تستند إلى شبكات عصبية عميقة ولا تتطلب استجابات محددة مسبقًا.

قراءة: كيف تصنع chatbot في Python؟

12. مشروع تقدير وضع الإنسان

سيشمل هذا المشروع اكتشاف جسم الإنسان في صورة ثم تقدير نقاطه الرئيسية مثل العينين والرأس والرقبة والركبتين والمرفقين وما إلى ذلك. إنها نفس التقنية التي يستخدمها Snapchat و Instagram لإصلاح مرشحات الوجه على الشخص. يمكنك استخدام مجموعة بيانات MPII Human Pose لإنشاء نسختك.

13. مشروع التعرف على النشاط البشري

يمكنك أيضًا تنفيذ نموذج قائم على الشبكة العصبية لاكتشاف الأنشطة البشرية - على سبيل المثال ، الجلوس على كرسي ، السقوط ، التقاط شيء ما ، فتح أو إغلاق الباب ، إلخ. هذا مشروع تصنيف الفيديو ، والذي سيتضمن الجمع بين سلسلة من الصور وتصنيف العمل. يمكنك استخدام قاعدة بيانات مقاطع فيديو معنونة ، مثل 20b-something-something.

جلبت الشبكات العصبية والتعلم العميق تحولات مهمة في عالم الذكاء الاصطناعي. اليوم ، اخترقت هذه الأساليب مجموعة واسعة من الصناعات ، من الطب والأنظمة الطبية الحيوية إلى البنوك والتمويل إلى التسويق والتجزئة.

خاتمة

من المرجح أن يفضل سوق العمل في المستقبل الأفراد الحاصلين على تدريب في التعلم الآلي ، إلى جانب مهارات منهجية مناسبة. لذلك ، عزز معرفتك بالموضوع والقدرات العملية مع مشاريع الشبكة العصبية هذه للحصول على ميزة تنافسية!

إذا كنت مهتمًا بالحصول على شهادة التعلم الآلي ، فراجع IIIT-B & upGrad's Executive PG Program in Machine Learning & AI المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة ومهمة ، IIIT- حالة الخريجين B ، أكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع أفضل الشركات.