Vài ngày trước, tôi đang làm bài thuyết trình PowerPoint cho nghiên cứu tiến sĩ của mình và điều này đã xảy ra
Ảnh chụp màn hình do tôi thực hiện. XEM VĂN BẢN THAY THẾ
Nó không phải là cùng một hình ảnh, nó thực sự rõ ràng hơn nhiều, với nhãn x, nhãn y, tiêu đề và tất cả những thứ đó, nhưng nó không thực sự quan trọng ngay bây giờ
Điều rất thú vị là Văn bản thay thế. Hệ thống AI của PowerPoint không chỉ có thể phát hiện ra rằng chúng ta thực sự có một biểu đồ 2d [hoặc Biểu đồ] mà còn nhận ra rằng chúng ta đang nói về một biểu đồ hộp
Tất nhiên, tôi không biết chính xác họ làm điều này như thế nào, nhưng khi tôi làm việc với Học máy và Khoa học dữ liệu suốt đời, tôi có thể thử đoán xem. Như độc giả có thể biết, công nghệ được sử dụng rất rộng rãi để phân loại hình ảnh được gọi là Mạng thần kinh chuyển đổi [CNN]
Họ có thể đã sử dụng CNN làm công cụ phân loại nhiều lớp. Dưới đây là một ví dụ về bộ phân loại hình ảnh Bướm [hơn 70 loài/lớp]. Một cách phức tạp hơn mà họ có thể đã làm là chú thích hình ảnh. Tuy nhiên, CNN chắc chắn được sử dụng trong thuật toán học sâu của họ, ở mức tối thiểu như những viên gạch cơ bản của một thứ gì đó lớn hơn và phức tạp hơn nhiều.
Trong ví dụ rất nhỏ này, tôi sẽ chỉ ra cách có thể xây dựng mô hình Học máy giúp bạn phân biệt ô vuông và các loại ô khác, ví dụ như ô đường
Làm thôi nào
0. thư việnĐây là những thư viện mà tôi đã sử dụng cho sổ ghi chép này
Nói một cách ngắn gọn, tôi đã sử dụng máy ảnh, matplotlib và một thư viện kỳ lạ có tên là RandomWords để tạo các từ tiếng Anh ngẫu nhiên. Tôi đã sử dụng nó để tạo nên các trục x và y
Phần rất thú vị của sổ ghi chép này thực sự là tạo dữ liệu. Tôi đã cố gắng xây dựng các ô đường và ô vuông theo cách chung nhất có thể, tạo các nhãn x và y, tạo các đường và ô vuông khác nhau, một lần nữa, theo cách tổng quát nhất có thể
Với thiết lập này, bạn hầu như có thể tạo vô số số lượng và loại ô. Tôi đã tạo hai lớp dữ liệu và thực hiện phân loại nhị phân, nhưng bạn có thể sửa đổi mã một chút và tạo nhiều lớp
Hãy đi sâu vào
1. Lô 1 dòng
Mã mà tôi đã sử dụng để tạo biểu đồ đường như sau
Nó có mức độ ngẫu nhiên khác nhau
- Nhãn trục x và nhãn trục y có tên ngẫu nhiên
- Giới hạn trục x là ngẫu nhiên
- Trục y hiển thị các đa thức với số bậc ngẫu nhiên và giá trị ngẫu nhiên của các hệ số
- Số lượng dòng cũng là ngẫu nhiên
Đây là một ví dụ
1. 2 Ô Ô
Mã mà tôi đã sử dụng để tạo biểu đồ hộp là như sau
Mức độ ngẫu nhiên khác nhau ở đây là tốt
- Nhãn trục x và nhãn trục y có tên ngẫu nhiên
- Giới hạn trục x là ngẫu nhiên
- Tên đại lượng trục x là ngẫu nhiên
- Trục y hiển thị các mẫu từ phân phối gaussian với các giá trị độ lệch chuẩn ngẫu nhiên
- Số lượng boxplots cũng là ngẫu nhiên
1. 2 Tập huấn luyện và Tập kiểm tra
Trên thực tế, mã mà tôi đã sử dụng để xây dựng tập huấn luyện và tập kiểm tra hơi khác so với mã ở trên mà tôi đang sử dụng để hiển thị kết quả cho bạn. Đây là những gì bạn sẽ cần
Tại đây bạn tạo các ô
Ở đây bạn tạo k trong số chúng và lưu trữ chúng. TẠO TẬP ĐÀO TẠO VÀ THƯ MỤC TẬP KIỂM TRA TRƯỚC, HOẶC NÓ SẼ KHÔNG HOẠT ĐỘNG
Ở đây bạn đọc chúng và dán nhãn cho chúng
Sau khi bạn xác định chức năng này, bạn sẽ có tập dữ liệu của mình bằng cách thực hiện việc này
Dưới đây là một số ví dụ về tập huấn luyện
Quy trình chính xác tương tự phải được thực hiện cho bộ kiểm tra và các chuỗi phải được chuyển đổi thành thứ gì đó dễ đọc hơn đối với mô hình ML [sklearn sẽ làm điều này cho bạn với tính năng được gọi là LabelEncoder]
2. Mô hình học máy
Mô hình Machine Learning mà chúng ta sẽ sử dụng về cơ bản là ứng dụng của các lớp Convolutional khác nhau và một số hoạt động Max Pooling, sau đó nó sẽ kết thúc bằng một softmax sẽ cho bạn biết xác suất hình ảnh thuộc về lớp đầu tiên
Mô hình mà tôi đã sử dụng giống với bài viết này mà tôi đã xuất bản và bạn có thể tìm thêm chi tiết về cách cấu trúc thực sự hoạt động
Đây là cách bạn đào tạo và kiểm tra mô hình của mình
Và như chúng ta có thể thấy, kết quả cuối cùng là hoàn hảo. Ngay cả khi nghe có vẻ thú vị, tôi phải nói rằng thử nghiệm này khá dễ dàng [tất cả chúng ta đều có thể phân biệt một ô có hộp và một ô có đường kẻ] và mô hình này quá đủ mạnh [hơi quá mức cần thiết ở đây]
3. Kết quả cuối cùng
Như một chứng minh cuối cùng rằng mô hình phân biệt chính xác boxplots và lineplots, đây là một số ví dụ
Và đây là những mảnh đất
4. kết luận
Tôi đã sử dụng PowerPoint từ khi còn là một đứa trẻ và đã thực hiện những bài thuyết trình đầu tiên ở trường trung học. Tôi thực sự có thể thấy sự cải tiến mà sản phẩm này đã có trong suốt những năm qua và tôi thấy các mô hình nhận dạng AI của họ thực sự ấn tượng
Sổ ghi chép này chỉ là một thử nghiệm rất đơn giản về cách các thuật toán Học sâu có thể giúp bạn phát hiện nội dung bên trong ảnh và sử dụng một số kỹ thuật phân loại ảnh [trong trường hợp này là rất cơ bản].
Nếu bạn thích bài viết này và bạn muốn biết thêm về Machine Learning, hoặc bạn chỉ muốn hỏi tôi điều gì đó, bạn có thể