المشروع - الذكاء الاصطناعي - ثالث ثانوي

www 64% وزارة التعليم Ministry of Education 2024-1446 64% 76% 50% 40% LL MATCHING المشروع لا تستجيب كل مجموعة بيانات بالطريقة نفسها للتدريب بكل خوارزميات التصنيف، ولكي تحصل على أفضل النتائج لمجموعة بياناتك عليك أن تجرب استخدام خوارزميات مُختلفة، وتُقدم لك مكتبة learn في البايثون مجموعة متنوعة من الخوارزميات التي يمكنك تجريبها ، بما فيها الخوارزميات التالية: من sklearn.ensemble forest استورد خوارزمية RandomForestClassifier. > من learn.naive_bayes استورد خوارزمية GaussianNB. من sklearn.sm استورد خوارزمية SVC. استخدم مجموعة تدريب وجوه الحيوانات لتدريب نموذج يحقق أكبر دقة ممكنة على مجموعة الاختبار. استبدل خوارزمية GDClassifier بكل من الخوارزميات المذكورة أعلاه (RandomForestClassifier، GaussianNB، SVC) وحاول أن تحدد أفضلها. أعد تشغيل مفكرتك بعد كل عملية استبدال لحساب دقة كل نموذج جديد تجربه. أنشئ تقريرا يقارن دقة كل النماذج التي جربتها وحدد النموذج الذي حقق أفضل دقة. 1 2 3 4 248

لا تستجيب كل مجموعة بيانات بالطريقة نفسها للتدريب بكل خوارزميات التصنيف

249 Ministry of Education 2024-1446 ماذا تعلمت > إعداد الصور للتعرف عليها . > استخدام المكتبات والدوال لإنشاء نماذج التعلم الموجه لتصنيف الصور. وصف طريقة تركيب الشبكات العصبية. > استخدام المكتبات والدوال لإنشاء نماذج التعلم غير الموجه لعنقدة الصور. > إنشاء الصور من خلال توفير التوجيه النصي. > إكمال الأجزاء الناقصة لصورة ببيانات واقعية. Computer Vision Convolutional Neural Network - CNN Diffusion Model Feature Engineering Feature Selection Generative Adversarial Network - GAN Histogram of Oriented Gradients - HOG رؤية الحاسب الشبكة العصبية الترشيحية نموذج الانتشار هندسة الخصائص انتقاء الخصائص الشبكة التوليدية التنافسية مُخطَّط تكراري للتدرجات الموجهة Image Image Generation Image Preprocessing Network Layer Recognition Stable Diffusion Standard Scaling Visual Data المصطلحات الرئيسة صورة توليد الصور المعالجة الأولية للصور طبقة الشبكة التعرف الانتشار المستقر تحجيم قياسي بيانات مرئية