لمتابعة التصفح يجب عليك تسجيل الدخول
دخول:
المنهج السعودي
المنهج العراقي
المنهج المصري
الفصل:
1
2
3
المنهج السعودي
المنهج العراقي
المنهج المصري
الفصل:
1
2
3
الذكاء الاصطناعي
4. التعرف على الصور
الدرس الأول: التعلم الموجه لتحليل الصور
التعلم الموجه لتحليل الصور - الذكاء الاصطناعي - ثالث ثانوي
الجزء الأول
1. أساسيات الذكاء الاصطناعي
الدرس الأول: مقدمة في الذكاء الاصطناعي
الدرس الثاني: هياكل البيانات في الذكاء الاصطناعي
الدرس الثالث: هياكل البيانات غير الخطية
المشروع
2. خوارزميات الذكاء الاصطناعي
الدرس الأول: الاستدعاء الذاتي
الدرس الثاني: خوارزمية البحث بأولوية العمق والبحث بأولوية الاتساع
الدرس الثالث: اتخاذ القرار القائم على القواعد
الدرس الرابع: خوارزميات البحث المستنيرة
المشروع
3. معالجة اللغات الطبيعية
الدرس الأول: التعلم الموجه
الدرس الثاني: التعلم غير الموجه
الدرس الثالث: توليد النص
المشروع
الجزء الثاني
4. التعرف على الصور
الدرس الأول: التعلم الموجه لتحليل الصور
الدرس الثاني: التعلم غير الموجه لتحليل الصور
الدرس الثالث: توليد البيانات المرئية
المشروع
5. خوارزميات التحسين واتخاذ القرار
الدرس الأول: مشكلة تخصيص الموارد
الدرس الثاني : مشكلة جدولة الموارد
الدرس الثالث: مشكلة تحسين المسار
المشروع
6. الذكاء الاصطناعي والمجتمع
الدرس الأول: مقدمة في أخلاقيات الذكاء الاصطناعي
الدرس الثاني: التطبيقات الروبوتية 1
الدرس الثالث: التطبيقات الروبوتية 2
المشروع
الجزء الأول
1. أساسيات الذكاء الاصطناعي
الدرس الأول: مقدمة في الذكاء الاصطناعي
الدرس الثاني: هياكل البيانات في الذكاء الاصطناعي
الدرس الثالث: هياكل البيانات غير الخطية
المشروع
2. خوارزميات الذكاء الاصطناعي
الدرس الأول: الاستدعاء الذاتي
الدرس الثاني: خوارزمية البحث بأولوية العمق والبحث بأولوية الاتساع
الدرس الثالث: اتخاذ القرار القائم على القواعد
الدرس الرابع: خوارزميات البحث المستنيرة
المشروع
3. معالجة اللغات الطبيعية
الدرس الأول: التعلم الموجه
الدرس الثاني: التعلم غير الموجه
الدرس الثالث: توليد النص
المشروع
الجزء الثاني
4. التعرف على الصور
الدرس الأول: التعلم الموجه لتحليل الصور
الدرس الثاني: التعلم غير الموجه لتحليل الصور
الدرس الثالث: توليد البيانات المرئية
المشروع
5. خوارزميات التحسين واتخاذ القرار
الدرس الأول: مشكلة تخصيص الموارد
الدرس الثاني : مشكلة جدولة الموارد
الدرس الثالث: مشكلة تحسين المسار
المشروع
6. الذكاء الاصطناعي والمجتمع
الدرس الأول: مقدمة في أخلاقيات الذكاء الاصطناعي
الدرس الثاني: التطبيقات الروبوتية 1
الدرس الثالث: التطبيقات الروبوتية 2
المشروع
التعرف على الصور
التعرف على الصور
عين 2024
01:38
(0)
0
ارسال
التعرف على الصور
التعلم الموجه لتحليل الصور: التعلم الموجه في رؤية الحاسب
من تصنيف الصور أو مقاطع الفيديو الجديدة بدقة، فعلى سبيل المثال قد تدرب خوارزمية التعلم الموجه
جدول 1.4: تحديات تصنيف البيانات المرئية
تحليل البيانات: لاستخراج أنماط وخصائص مفيدة
تحميل الصور ومعالجتها الأولية
تنشى دالة imread() تنسيق ألوان للصورة يعرف ب RGB ويستخدم هذا التنسيق على نطاق واسع
يؤدي تغيير الحجم الى تحويل الصور من تنسيق RGB إلى تنسيق مستند على عدد حقيقي
المقطعان التاليان بطباعة هاتين الصورتين بالاضافة الى أبعادهما وأسمي ملفيهما 1
صور التدرج الرمادي لها قناة واحدة فقط ( بدلا من RGB الثلاث). وقيمة بكسل عبارة عن رقم واحد
تتمثل الخطوة التالية في تحويل resized_images (الصور _ المعدل حجمها) وقوائم العناوين الى مصفوفات
التنبؤ بدون هندسة الخصائص
لذلك يمكن استخدام المقطع البرمجي التالي لتسطيح كل صورة في متجه أحادي البعد
خوارزمية بايز الساذجة متعدد الحدود
يحقق مصنف SGDClassifier دقة بشكل ملحوظ تزيدعن 46%
التبؤ بانتقاء الخصائص
تتمثل الخطوة التالية في انشاء خصائص المخطط التكراري للتدرجات الموجهة لكل صورة في البيانات
تكشف النتائج الجديدة عن تحسن هائل في الدقة التي قفزت تصل الى أكثر من 70%
التنبؤ باستخدام الشبكات العصبية
ويمكن الآن استخدام أداة Sequential (التتابع) من مكتبة Keras لبناء شبكة عصبية في شكل طبقات متتابعة
وبما أن طبقة المخرجات تحتوي على ست عشرة خلية عصبية متصلة بالكامل بمئتي خلية عصبية موجودة في الطبقة المخفية
4.2: معاملات طريقة التجميع
استخدام دالة fit() لتدريب النموذج على البيانات المتاحة 1
جدول 4.3: معاملات طردية fit
استخدام نموذج التدريب للتنبؤ بعناوين الصور في مجموعة الاختبار
التنبؤ باستخدام الشبكات العصبية الترشيحية
على الرغم من فوائد الشبكات العصبية المعقدة مثل:
معلومة: من المزايا الأساسية للشبكات العصبية الترشيحية أنها جيدة في التعلم من كميات كبيرة
شكل 4.14: شبكة عصبية ترشيحية من دون هندسة الخصائص اليدوية
التعلم المنقول
ما تحديات تصنيف البيانات المرئية؟
اكمل المقطع البرمجي التالي بحيث يسطح X_train ثم يدرب النموذج MuitinomialNB على مجموعة البينات هذه
صف باختصار طريقة عمل الشبكات العصبية الترشيحية وإحدى مميزاتها الرئيسة
أكمل المقطع البرمجي التالي، بحيث يطبق تحويلات المخطط التكراري للتدرجات الموجهة ثم يستخدم البيانات المحولة في تدريب نموذج
اذكر بعض تحديات الشبكات العصبية الترشيحية
التعليقات
لم يتم إضافة أي تعليقات حتى الآن.
الرجاء
تسجيل الدخول
لكتابة تعليق
الإبلاغ
الإبلاغ عن خطأ
X
تسجيل الدخول بواسطة