هدف این پروژه دسته بندی کلمات با استفاده از یادگیری ماشین هست. یک دیتا بیس از کلمات که با برچسبهایی (lable) مشخص شده اند و با استفاده از pytorch باید این مدل انجام شود. مدل pytorch تا حدود زیادی انجام شده است و نیاز به تغییرات کمی دارد. ولی باید مدل در numpy پیاده سازی شود تا برای اجرا نیازی به نصب pythorch نباشد. برای توضیحات بیشتر پیام بدهید.
به کارگیری ماژول اتنشن برای ابجکت دیتکشن در یولو هشت، کدها از ابتدا در گیت هاب غیر پابلیک مشخص شده وارد خواهد شد و علاوه بر آن تمام سورس کدها و درج کامل کامنت ها و توضیحات خط به خط کدها به صورت رکورد کامل آماده و دریافت میگردد، تنها در صورت دریافت کامل فایل ها و کدها هزینه پرداخت خواهد شد، توجه کنید که این مرحله اول از آغاز همکاری در یک پروژه وسیع درنظرگرفته شده هست و انتخاب فریلنسرها علاوه بر توانمندی نیازمند نیازمند شناخت لازم برای دریافت دیتاست های پرایوت در ادامه این پروژه است.
ما به دنبال یک مهندس یادگیری ماشین / دیتا ساینتیست/ HTML، استخراج کدهای مشکوک و خوب، استخراج ویژگی ها و طبقه بندی کد هستیم.
سپس با استفاده از Weka و Perform Validation/Analysis مدل را آموزش بدهد تا متوجه شوید کدام الگوریتم ML برای شناسایی کد مخرب بهتر کار می کند.
به دنبال کسی ام که بتواند کمک کند تا دو کدنویسی در یادگیری ماشین با استفاده از Python و Google Colab برای کامپایلر انجام دهد
مبحث 1: روشهای محاسباتی
مبحث 2: مبانی جبر خطی برای یادگیری ماشین و علم داده
پروژه ای که در نظر داریم بهبود نتایج توسط رتبه بندی مجدد است. در این پروژه نیاز هست شما به زبان برنامه نویسی پایتون مسلط باشید و همچنین با مفاهیم هوش مصنوعی و یادگیری ماشین آشنا باشید.
این پروژه بر اساس سیستمهای پیشنهادی در هوش مصنوعی و تکنیک های آن است. در این پروژه به شما دیتاست مربوطه و نتایج قبلی داده میشود و از شما خواسته میشود که نتایج را بهبود دهید. این بهبود میتواند از نظر زمانی (سریع تر) باشد یا از نظر منابع (مصرف منابع) کمتر باشد و یا هر دو آنها باشد.
مقاله ی زیر را میخواهم با تنسورفلو نوشته شود(هر دو مدلی که گفته شده در مقاله کدش نوشته شود (تفاوت زیادی دو مدل با هم ندارند) و روی دیتاست های گفته شده ترین و تست شود)
اول بگم که در مورد قیمت میتونیم به توافق برسیم و بالاتر از رنجی که صحبت شده به عنوان پاداش پرداخت کنم
پروژه در حوزه ساخت خودکار سوال ۴ گزینهای از متن هست. هوش مصنوعی و پردازش متن.
به این صورت که یک متن داده میشه و ۳ مرحله کار روی اون به صورت خودکار انجام میشه.
قسمت اول: پیدا کردن قسمت مهم از متن که قراره ازش سوال طرح بشه.
مثال
ورودی: موسس سلسله قاجاریه آقا محمد خان بود.
خروجی: آقامحمدخان
قسمت دوم: ساخت سوال باتوجه به قسم اول که به وسیله الگوریتم T5 انجام شده.
مثال
ورودی: موسس سلسله قاجاریه آقا محمد خان بود + آقامحمدخان
خروجی: موسس سلسله قاجاریه چه کسی بود؟
قسمت سوم: ساحت گزینههای اشتباه
ورودی: موسس سلسله قاجاریه آقا محمد خان بود + آقامحمدخان
خروجی: ناصرالدین شاه و مظفرالدین شاه
۲ قسمت اول و دوم انجام شده و برای قسمت سوم نیاز به خوندن مقالات مرتبط و به روز این حوزه و پیادهسازی یکی از آنها میباشد.
کار به زبان فارسی میباشد و دیتاست فارسی SQUAD و RACE موجود میباشد.
احتمالا با استفاده از wordnet ها و مدلهای زبانی مثل T5 Bert GPT باید کار انجام بشه.
با استفاده از داده کاوی، ماشین لرنینگ و یادگیری عمیق باید یک سیستم توصیه گر پیاده سازی شود. این سیستم توصیه گر متناسب با دیتاستی که وجود دارد میاد و به دانشجویانی که از نظر رفتاری و اخلاقی و علاقه و سیلقه مشابه هم هستند توصیه و پیشنهاداتی رو انجام میدهد.
این پیاده سازی باید در قالب یک نرم افزار با ظاهری بسیار ساده انجام شود و این پیشنهادات را به نمایش بگذارد.
همچنین تمامی این کارها باید با زبان پایتون انجام شود.
مقالاتی که ارایه شده باید متناسب با آنها این پیاده سازی صورت بگیرد.
پروژه : کمک در انجام کدنویسی
موضوع : استفاده از هوش مصنوعی برای مقابله با بیماری کرونا در شرایط عدم قطعیت
شرح کار : کمک در انجام کدنویسی پایتون برای ورودی ها و خروجی هایی به شرح زیر :
اطلاعات مرگ و میر و مبتلایان کرونا به تفکیک جنسیت گروه سنی و استان
اطلاعات واکسیناسیون افراد به تفکیک استان و دوز واکسن و جنسیت و گروه سنی و نوع واکسن
اطلاعات مسافرین ورودی و خروجی شهرها احتمالا به صورت (شلوغ- معمولی- خلوت)
اطلاعات وضعیت آب و هوای شهر ها احتمالا به صورت (گرم - معمولی - سرد)
خروجی :هنوز مشخص نشده به زودی مشخص خواهد شد احتمالا پیشبینی تعداد مرگ و میر و مبتلا و میزان شیوع و تاثیر واکسیناسیون و تعداد دوز و سن و شاخص های آب و هوایی و مسافران و... در شیوع و ابتلا و مرگ و میر به همراه بهترین شکل ویژوالایز کردن آنها برای استفاده در فصل چهار پایان نامه به همراه توضیح عملکرد کد (چون خودم در حال یادگیری پایتون هستم و علاقه دارم بدونم چه اتفاقی افتاده)
روش: استفاده از انفیس ( نوروفازی (ANFIS : Adaptive neuro fuzzy inference system)) در پایتون برای ترین و کار و احتمالا همچنین شبکه عصبی و برخی دیگر از روش های یادگیری ماشین و مقایسه با انفیس و یا استفاده از چند الگوریتم بهینه سازی برای انفیس و انتخاب بهترین.
مدت زمان : با توجه به نامشخص بودن خروجی و نیاز به مشورت با مجری و جلسه با استاد راهنما و مشخص شدن پس از مشورت با مجری و جلسه با استاد
اگر در زمینه گزارش نویسی و ... هم کمک لازم داشتم ممکن است اعلام کنم.
به طور کلی در طول کار بیشترین کمک را در زمینه کدنویسی انفیس در پایتون نیاز دارم و این کار همراه با مشاوره و ارتباط مستمر مرحله به مرحله پیش خواهد رفت ضمن اینکه در مورد برخی ورودی ها و کل خروجی ها هنوز تصمیم نهایی گرفته نشده و نیاز به مشورت با مجری و استاد راهنما وجود دارد.
با یک روش یادگیری ماشین غیر از svm داده های آماده ای به همراه لیبل برای داده ها در اختیار شما قرار خواهد گرفت که داده ها مربوط به خروجی دستگاههای eeg است که کاملا آماده تحلیل است که یکی از روشهای یادگیری ماشین را جهت طبقه بندی حالت بیداری و مرحله اول خواب s1 هر داده هشت کانال دارد که با استفاده از feature extraction درصد پیش بینی داده ها مشخص شود و بین کانالها مقایسه انجام شود.
نیاز به استخراج ویژگی های سطح بالا و پایین (معنایی و بصری) از تصاویر سی تی اسکن ریه دارم، که با پایتون کد نویسی شود،
ویژگی های استخراج شده در نهایت با استفاده از ماشین بردار پشتیبان و لیبل های آن تصاویر دسته بندی شوند و با استفاده از لگاریتم احتمال ماشین بردار پشتیبان میزان تعلق به هر کلاس را برای کار بازیابی تصویر به کار گرفته شود.
دقت ماشین بردار پشتیبان باید به ۸۰درصد برسد.
کد پیاده سازی موجود است و نیاز به بهبود دارد.
با سلام و احترام
کد پروژه آماده بوده و شامل سه مدل شبکه کانولوشن سه بعدی است که با فریمورک پایتورچ پیاده سازی شده است: 1- یک شبکه CNN معمولی که ترین شده و پارامترهای آن بهینه و به دقت مطلوب رسیده است. 2-یک شبکه Resnet و 3- یک شبکه Densenet . مدل های رزنت و دنس نت هم ترین شده اند اما نیاز به انجام برخی تنظیم ها و بهبود پارامترها جهت بهبود عملکرد و افزایش دقت دارند (مثلا تنظیم هایپرپارامترها، توابع اتلاف و بهینه سازی و خود مدل در صورت نیاز...). مساله رگرسیون است و دقت از طریق محاسبه R2 سنجیده می شود.
تصاویر دیتاست مربوط به سی تی اسکن سنگ بوده با ابعاد 300 در 300 در 300 و با فرمت tiff و لیبل ها نیز در یک فایل اکسل است و یک مشخصه از این سنگ است و با هدف رگرسیون قرار است در نهایت این مشخصه پیش بینی شود.
باتشکر
دسته بندی یک نوع بیماری با استفاده از نزدیک ترین همسایه و cross validation
داده دارای چندین مثال است که هر کدومش ، چند فیچر دارد
از کد آماده در نت استفاده نشود
جزییات در یک فایل داده میشود
داکیومنت لازم است
یک متن انگلیسی در حوزه دسته بندی داده ها که فایل آن را ضمیمه کرده ام باید عینا پیاده سازی شود عنوان متن هست " یک رویکرد گروهی پویا برای طبقه بندی قوی در وجود داده های از دست رفته"
A dynamic ensemble approach to robust classification in "
" the presence of missing data
علاوه بر کد و خروجی، گزارش کار هم خواسته میشود.
شبکه mlp با توضیح که پیاده کردیم خطای mse بالایی دارد و دنبال بهینه سازی یا هر تغییر یا جایگزینی شبکه mlp هستیم که نتایج بهتر به دست بیاد اصراری به استفاده از mlp یا همین روش های بهینه سازی نیست و هدف تعیین فاصله هست و دیتا به صورت csv در دسترس هست
روش استخراج کناره های جاده
روش آموزش یادگیر و ارزیابی تصاویر
روش های تبدیل هاف، الگوریتم آبگیر
روش یادگیری بر اساس ویژگی های بافت و رنگ
روش پردازش خط به کناره های جاده
روش بوستینگ
روش میانگین هارمونیك وزن دار
از یادگیری ماشین برای پیاده سازی یك سیستم تشخیص و شناسایی پلاك خودرو استفاده می شود. کد ها
خط به خط توضیح داده شده است و نکات پیرامون بحث گفته شده است. در ابتدا مروری مفید روی نحوه
تشخیص شناسایی پلاك و چالش ها و کاربردهای آن خواهیم داشت و نحوه عملکرد آن توضیح داده می شود و
مراحل لازم برای تشخیص و شناسایی پلاك خودرو با یادگیری ماشین بحث و بررسی می شود. در آخر پیاده
سازی کامل یك سیستم تشخیص و شناسایی پلاك خودرو همراه با توضیحات کامل و شرح کامل کدها پرداخته
می شود. در این دوره ابتدا یك مرور کامل روی پایتون انجام می شود و در ادامه با دو کتابخانه مشهور
sklearn و pytorch عملیات طبقه بندی انجام می شود.
علاوه بر موارد ذکر شده پژوهش های مرتبط با شناسایی جاده با استفاده از امکانات و حس گرهای مختلفی که
صورت گرفته که تك دوربین ، لیزر ، بینایی استریو ، اطلاعات جغرافیایی و مبتنی بر نقشه دینامیك خودرو و
همچنین رادار نمونه هایی از این موارد میباشد که هریك نسبت به دیگری دارای مزایا و چالش های گوناگونی
هستند.