أحدث مشاريع التعلم الآلي التي يجب تجربتها في عام 2019

من الواضح أن مجالًا شهد تطورات مجنونة في العامين الماضيين. خلق هذا الاتجاه والتطورات الكثير من فرص العمل في الصناعة. الحاجة ل مهندسو التعلم الآلي الطلب مرتفع وهذا الارتفاع يرجع إلى تطور التكنولوجيا وتوليد كميات هائلة من البيانات المعروفة باسم البيانات الكبيرة. لذلك ، في هذه المقالة ، سأناقش أكثر مشاريع التعلم الآلي المدهشة التي يجب على المرء بالتأكيد معرفتها والعمل معها ، بالترتيب التالي:

• ما هو التعلم الآلي؟
• خطوات تعلم الآلة
• أنواع التعلم الآلي
• حالات استخدام الصناعة
• مشاريع تعلم الآلة مفتوحة المصدر لعام 2019

ما هو التعلم الآلي؟

التعلم الآلي هو مفهوم يسمح للآلة بالتعلم من الأمثلة والخبرة ، وذلك أيضًا دون أن تتم برمجتها بشكل صريح. لذا بدلاً من كتابة الكود ، ما تفعله هو تغذية البيانات إلى الخوارزمية العامة ، وتقوم الخوارزمية / الآلة ببناء المنطق بناءً على البيانات المقدمة.

خطوات تعلم الآلة

تتبع أي خوارزمية تعلم الآلة نمطًا أو خطوات شائعة.

جمع البيانات: تتضمن هذه المرحلة جمع جميع البيانات ذات الصلة من مصادر مختلفة

معالجة البيانات: إنها عملية تنظيف وتحويل 'البيانات الأولية' إلى تنسيق يسمح بالاستهلاك المريح

تحليل البيانات: يتم تحليل البيانات لتحديد وتصفية البيانات المطلوبة لإعداد النموذج

خوارزمية التدريب: يتم تدريب الخوارزمية على مجموعة بيانات التدريب ، والتي من خلالها تفهم الخوارزمية النمط والقواعد التي تحكم البيانات

نموذج الاختبار: تحدد مجموعة بيانات الاختبار دقة نموذجنا.

تعيين: إذا كانت سرعة ودقة النموذج مقبولة ، فيجب نشر هذا النموذج في النظام الحقيقي. بعد نشر النموذج بناءً على أدائه ، يتم تحديث النموذج وتحسينه إذا كان هناك انخفاض في الأداء ، يتم إعادة تدريب النموذج.

أنواع التعلم الآلي

يتم تصنيف التعلم الآلي إلى ثلاثة أنواع:

التعلم الخاضع للإشراف: إنه المتغير الذي لديك فيه متغيرات الإدخال (x) ومتغير الإخراج (Y) وتستخدم خوارزمية لتعلم وظيفة التعيين من الإدخال إلى الإخراج.

تعليم غير مشرف عليه: في بعض الأحيان ، تكون البيانات المقدمة غير منظمة وغير مسماة. لذلك يصبح من الصعب تصنيف تلك البيانات في فئات مختلفة. يساعد التعلم غير الخاضع للإشراف في حل هذه المشكلة. يستخدم هذا التعلم لتجميع البيانات المدخلة في الفصول على أساس خصائصها الإحصائية.

تعزيز التعلم: يتعلق الأمر كله باتخاذ الإجراءات المناسبة من أجل تعظيم المكافأة في موقف معين.
عندما يتعلق الأمر بالتعلم المعزز ، لا يوجد ناتج متوقع. يقرر وكيل التعزيز الإجراءات التي يجب اتخاذها من أجل أداء مهمة معينة. في حالة عدم وجود مجموعة بيانات تدريبية ، لا بد أن تتعلم من تجربتها.

الآن ، دعنا نلقي نظرة على بعض مشاريع التعلم الآلي الواقعية التي يمكن أن تساعد الشركات في تحقيق الأرباح.

حالات استخدام الصناعة

1. MOTION STUDIO

نطاق: نصف

التركيز: تحسين عملية الاختيار

برنامج فرز دمج بسيط في C ++

التحدي الأعمال: Motion Studio هي أكبر شركة إنتاج راديو في أوروبا. بعد تحقيق إيرادات تزيد عن مليار دولار ، قررت الشركة إطلاق عرض واقعي جديد: نجمة RJ. الاستجابة للعرض غير مسبوقة والشركة مليئة بالمقاطع الصوتية. بصفتك خبيرًا في تعلم الآلة ، يتعين عليك تصنيف الصوت على أنه إما ذكر / أنثى بحيث يكون المستوى الأول من الترشيح أسرع.

القضايا الرئيسية: عينة الصوت عبر اللهجات.

فائدة الأعمال: منذ نجمة RJ هو عرض واقعي ، وقت اختيار المرشحين قصير جدًا. يعتمد النجاح الكامل للعرض وبالتالي الأرباح على التنفيذ السريع والسلس

استيراد الباندا كـ pd import numpy كـ np import matplotlib.pyplot كـ plt import seaborn كـ sns٪ matplotlib تحذيرات الاستيراد المضمنة warnings.filterwarnings ('ignore') df = pd.read_csv ('voice-rating.csv') df.head ()

# تحقق من لا. عدد السجلات df.info () df.describe () df.isnull (). sum ()

print ('Shape of Data:'، df.shape) print ('إجمالي عدد الملصقات: {}'. format (df.shape [0])) print ('Number of male: {}'. format (df [ df.label == 'male']. shape [0])) print ('Number of female: {}'. format (df [df.label == 'female']. shape [0]))

X = df.iloc [:،: -1] طباعة (df.shape) طباعة (X.shape)

من sklearn.preprocessing import LabelEncoder y = df.iloc [:، - 1] gender_encoder = LabelEncoder () y = gender_encoder.fit_transform (y) y from sklearn.preprocessing import StandardScaler scaler = StandardScaler () scaler.fit (X) X = scaler.transform (X) من sklearn.model_selection import train_test_split X_train، X_test، y_train، y_test = train_test_split (X، y، test_size = 0.3، random_state = 100) من sklearn.svm استيراد SVC من sklearn استيراد مقاييس من sklearn.metrics استيراد التصنيف ، confusion_matrix svc_model = SVC () svc_model.fit (X_train، y_train) y_pred = svc_model.predict (X_test) print ('Accuracy Score:') print (metrics.accuracy_score (y_test، y_pred))

طباعة (confusion_matrix (y_test، y_pred))

2. LITHIONPOWER

نطاق: السيارات

التركيز: حفز السائقين

التحدي الأعمال: تعتبر Lithionpower أكبر مزود لبطاريات المركبات الكهربائية (المركبات الإلكترونية). يقوم السائقون باستئجار البطارية عادةً لمدة يوم واحد ثم استبدالها ببطارية مشحونة من الشركة. تتميز Lithionpower بنموذج تسعير متغير يعتمد على تاريخ قيادة السائق. نظرًا لأن عمر البطارية يعتمد على عوامل مثل السرعة الزائدة ، والمسافة المقطوعة يوميًا ، وما إلى ذلك ، يتعين عليك ، بصفتك خبيرًا في تعلم الآلة ، إنشاء نموذج مجمع حيث يمكن تجميع السائقين معًا بناءً على بيانات القيادة.

القضايا الرئيسية: سيتم تحفيز السائقين بناءً على المجموعة ، لذلك يجب أن يكون التجميع دقيقًا.

الفوائد التجارية: زيادة في الأرباح ، تصل إلى 15-20٪ حيث سيتم فرض رسوم أعلى على السائقين ذوي التاريخ السيئ.

استيراد الباندا كـ pd import numpy كـ np import matplotlib.pyplot كـ plt import seaborn كـ sns sns.set () # لتصميم قطعة الأرض٪ matplotlib تحذيرات الاستيراد المضمنة warnings.filterwarnings ('ignore') import matplotlib.pyplot as plt plt.rcParams [ 'figure.figsize'] = (12 ، 6) df = pd.read_csv ('driver-data.csv') df.head ()

df.info () df.describe ()

من sklearn.cluster import KMeans #Taking 2 clusters kmeans = KMeans (n_clusters = 2) df_analyze = df.drop ('id'، axis = 1) kmeans.fit (df_analyze)

kmeans.cluster_centers_

طباعة (kmeans.labels_) طباعة (len (kmeans.labels_))

print (type (kmeans.labels_)) unique، counts = np.unique (kmeans.labels_، return_counts = True) print (ict (zip (unique، counts)))

df_analyze ['الكتلة'] = kmeans.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day'، 'mean_over_speed_perc'، data = df_analyze، hue = 'الكتلة'، لوح الألوان = 'coolwarm'، الحجم = 6، الجانب = 1 ، fit_reg = خطأ)

# الآن ، دعنا نتحقق من المجموعات ، عندما ن = 4 kmeans_4 = KMeans (n_clusters = 4) kmeans_4.fit (df.drop ('id' ، محور = 1)) kmeans_4.fit (df.drop ('id' ، محور = 1) طباعة (kmeans_4.cluster_centers_) فريد ، التهم = np.unique (kmeans_4.labels_ ، return_counts = True) kmeans_4.cluster_centers_ print (ict (zip (unique ، counts)))

df_analyze ['الكتلة'] = kmeans_4.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day'، 'mean_over_speed_perc'، data = df_analyze، hue = 'الكتلة'، لوح الألوان = 'coolwarm'، الحجم = 6، الجانب = 1 ، fit_reg = خطأ)

3. BluEx

نطاق: الخدمات اللوجستية

التركيز: المسار الأمثل

التحدي الأعمال: BluEx هي شركة لوجستية رائدة في الهند. وهي معروفة بالتسليم الفعال للحزم للعملاء. ومع ذلك ، تواجه BluEx تحديًا حيث يتخذ سائقو الشاحنات مسارًا دون المستوى الأمثل للتسليم. هذا يسبب التأخير وارتفاع تكلفة الوقود. يجب عليك ، بصفتك خبيرًا في التعلم الآلي ، إنشاء نموذج ML باستخدام التعلم المعزز بحيث يتم العثور على المسار الفعال من خلال البرنامج

القضايا الرئيسية: تحتوي البيانات على الكثير من السمات ويمكن أن يكون التصنيف معقدًا.

الفوائد التجارية: يمكن توفير ما يصل إلى 15٪ من تكلفة الوقود من خلال اتخاذ المسار الأمثل.

استيراد numpy كـ np import pylab كـ plt import networkx كـ nx #Initializing Points Points_list = [(0،1)، (1،5)، (5،6)، (5،4)، (1،2)، (2 ، 3)، (2،7)] الهدف = 7 تعيين = {0: 'البداية' ، 1: '1' ، 2: '2' ، 3: '3' ، 4: '4' ، 5: '5 '، 6:' 6 '، 7:' 7-Destination '} G = nx.Graph () G.add_edges_from (Points_list) pos = nx.spring_layout (G، k = .5، center = Points_list [2]) nx .draw_networkx_nodes (G ، pos ، node_color = 'g') nx.draw_networkx_edges (G ، pos ، edge_color = 'b') nx.draw_networkx_labels (G ، pos) plt.show ()

NO_OF_POINTS = 8 #Inititlaizing R Matrix R = np.matrix (np.ones (الشكل = (NO_OF_POINTS، NO_OF_POINTS))) R * = -1 للنقطة في قائمة النقاط: طباعة (نقطة) إذا كانت النقطة [1] == الهدف: R [نقطة] = 150 آخر: R [نقطة] = 0 إذا كانت النقطة [0] == الهدف: R [النقطة [:: - 1]] = 150 آخر: # عكس النقطة R [النقطة [:: - 1]] = 0

ص [الهدف ، الهدف] = 150 ريال

Q = np.matrix (np.zeros ([NO_OF_POINTS، NO_OF_POINTS])) # معلمة التعلم gamma = 0.8 initial_state = 1 def available_actions (state): current_state_row = R [state،] av_act = np.where (current_state_row & ampampgt = 0 ) [1] إرجاع av_act available_act = available_actions (initial_state) def sample_next_action (available_actions_range): next_action = int (np.random.choice (available_act ، 1)) إرجاع next_action action = sample_next_action (available_act) تحديث التعريف (current_state ، action ، gamma) : max_index = np.where (Q [action،] == np.max (Q [action،])) [1] if max_index.shape [0] & ampampgt 1: max_index = int (np.random.choice (max_index، size = 1)) else: max_index = int (max_index) max_value = Q [action، max_index] Q [current_state، action] = R [current_state، action] + gamma * max_value print ('max_value'، R [current_state، action] + gamma * max_value) if (np.max (Q) & ampampgt 0): return (np.sum (Q / np.max (Q) * 100)) وإلا: return (0) update (initial_state، action، gamma)

الدرجات = [] بالنسبة إلى i في النطاق (700): current_state = np.random.randint (0، int (Q.shape [0])) available_act = available_actions (current_state) action = sample_next_action (available_act) النتيجة = التحديث (current_state ، action، gamma) scores.append (Score) print ('Score:'، str (Score)) print ('Trained Q matrix:') print (Q / np.max (Q) * 100) # Testing current_state = 0 خطوات = [current_state] while current_state! = 7: next_step_index = np.where (Q [current_state،] == np.max (Q [current_state،])) [1] if next_step_index.shape [0] & ampampgt 1: next_step_index = int (np.random.choice (next_step_index، size = 1)) else: next_step_index = int (next_step_index) steps.append (next_step_index) current_state = next_step_index

طباعة ('المسار الأكثر كفاءة:') طباعة (خطوات) plt.plot (عشرات) plt.show ()

مشاريع تعلم الآلة مفتوحة المصدر في عام 2019

ديكيترون : Detectron هو نظام برمجيات Facebook AI Research الذي ينفذ خوارزميات اكتشاف الكائنات الحديثة. إنه مكتوب بلغة Python ومدعوم بإطار عمل التعلم العميق Caffe2.

الهدف من Detectron هو توفير قاعدة بيانات عالية الجودة وعالية الأداء لأبحاث الكشف عن الكائنات. تم تصميمه ليكون مرنًا من أجل دعم التنفيذ السريع وتقييم الأبحاث الجديدة. يحتوي على أكثر من 50 نموذجًا تم تدريبه مسبقًا.

كثف : يهدف تقدير الوضع البشري الكثيف إلى تعيين جميع وحدات البكسل البشرية لصورة RGB على السطح ثلاثي الأبعاد لجسم الإنسان. يتم تنفيذ DensePose-RCNN في إطار عمل Detectron.

TensorFlow.js : إنها مكتبة لتطوير وتدريب نماذج ML ونشرها في المستعرض. لقد أصبح إصدارًا شائعًا للغاية منذ طرحه في وقت سابق من هذا العام ولا يزال يذهل بمرونته. مع هذا يمكنك

قائمة مرتبطة في ج تعليمي

• تطوير ML في المتصفح: استخدم واجهات برمجة التطبيقات (API) المرنة والبديهية لإنشاء نماذج من البداية باستخدام مكتبة الجبر الخطي JavaScript منخفضة المستوى أو واجهة برمجة التطبيقات للطبقات عالية المستوى
• تشغيل النماذج الحالية : استخدم محولات نماذج TensorFlow.js لتشغيل نماذج TensorFlow الموجودة مسبقًا في المتصفح مباشرةً.
• إعادة تدريب النماذج الحالية: أعد تدريب نماذج ML الموجودة مسبقًا باستخدام بيانات المستشعر المتصلة بالمستعرض أو بيانات أخرى من جانب العميل.

الوهج الموجي: يقوم التعلم الآلي أيضًا بإحداث تطورات كبيرة في معالجة الصوت ولا يقتصر الأمر على إنشاء الموسيقى أو التصنيف. WaveGlow هي شبكة توليد تعتمد على التدفق لتخليق الكلام بواسطة NVIDIA. قام الباحثون أيضًا بإدراج الخطوات التي يمكنك اتباعها إذا كنت ترغب في تدريب نموذجك الخاص من البداية.

الصورة الزائدة : تخيل أن لديك نصف صورة لمشهد وأردت مشهدًا كاملاً ، حسنًا هذا ما يمكن أن تفعله الصورة الخارجية لك. هذا المشروع هو تنفيذ Keras لورقة طلاء الصور في ستانفورد. تم تدريب النموذج مع 3500 بيانات الشاطئ التي تم إلغاؤها بحجة تصل إلى 10500 صور لـ 25 حقبة .

هذه ورقة رائعة مع شرح مفصل خطوة بخطوة. يجب أن تجرب مثالاً لجميع المتحمسين لتعلم الآلة. شخصيًا ، هذا هو مشروعي المفضل للتعلم الآلي.

تناغم عميق بين الرسامين : حسنًا ، بالحديث عن الصور ، هذه تحفة فنية. ما تفعله هذه الخوارزمية هو أن تأخذ صورة كمدخلات ثم إذا أضفت عنصرًا خارجيًا إلى الصورة ، فإنها تمزج هذا العنصر في البيئة المحيطة كما لو كان جزءًا منها.

هل يمكنك اخباري بالفرق؟ لا صحيح؟ حسنًا ، يوضح لنا هذا إلى أي مدى وصلنا من حيث التعلم الآلي.

DeepMimic: الآن ، ألق نظرة فاحصة على الصور هنا ، ترى شكل عصا يقوم بضربة تدور ، وقلبة خلفية ، وعجلة عربة. أن صديقي هو التعلم المعزز في العمل. DeepMimic هو مثال على التعلم التعزيزي العميق لمهارات الشخصية القائمة على الفيزياء.

أرجواني : Magenta هو مشروع بحثي يستكشف دور التعلم الآلي في عملية إنشاء الفن والموسيقى. يتضمن هذا في المقام الأول تطوير خوارزميات التعلم العميق والتعلم المعزز الجديدة لتوليد الأغاني والصور والرسومات والمواد الأخرى.

إنه أيضًا استكشاف في بناء أدوات وواجهات ذكية تسمح للفنانين والموسيقيين بالتوسع ( لا تحل محل! ) عملياتهم باستخدام هذه النماذج. انطلق وافرد أجنحتك وأنشئ المحتوى الفريد الخاص بك على Instagram أو Soundcloud وأصبح مؤثرًا.

إذن يا شباب ، بهذا نصل إلى نهاية هذه المقالة الرائعة لمشاريع التعلم الآلي. جرب هذه الأمثلة وأخبرنا في قسم التعليقات أدناه. آمل أن تكون قد تعرفت على التطبيق العملي للتعلم الآلي في الصناعة. إديوريكا يجعلك بارعًا في تقنيات مثل التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف ومعالجة اللغة الطبيعية. يتضمن التدريب على أحدث التطورات والأساليب التقنية في الذكاء الاصطناعي والتعلم الآلي مثل التعلم العميق والنماذج الرسومية والتعلم المعزز