تجزیه و تحلیل اجزای اصلی: 4 مرحله

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:55

تجزیه و تحلیل اجزای اصلی یک روش آماری است که مجموعه ای از متغیرهای احتمالاً مرتبط را با استفاده از تبدیل های متعامد به مجموعه ای از مقادیر غیر خطی خطی تبدیل می کند. در کلمات ساده که مجموعه داده ای با ابعاد متعدد ارائه شده است ، به کاهش تعداد ابعاد کمک می کند ، بنابراین خواندن داده ها آسان تر می شود.

مرحله 1: برنامه های اصلی

من با این ایده وارد این کلاس شدم که می خواهم درک کنم و امیدوارم الگوریتمی بنویسم که بتواند در صورت ارائه تصاویر تشخیص چهره را انجام دهد. من هیچ تجربه یا دانش قبلی در رابطه با تشخیص چهره نداشتم و نمی دانستم رسیدن به چنین چیزی چقدر سخت است. پس از صحبت با پروفسور مالوک متوجه شدم که باید چیزهای زیادی یاد بگیرم تا بتوانم وظیفه ای را که در نهایت برای دستیابی به آن برنامه ریزی کرده بودم به خوبی درک کنم.

پس از کمی تحقیق ، سرانجام تصمیم گرفتم که بیش از هر چیز برای یادگیری جبر خطی و برخی از اصول اولیه یادگیری ماشین نیاز دارم و با PCA (تجزیه و تحلیل م componentلفه های اصلی) تصمیم گرفتم تا هدفم در این کلاس باشد.

مرحله دوم: تحقیق

اولین قدم بازدید از کتابخانه و یافتن هر کتابی بود که مرا با یادگیری ماشین و به طور خاص پردازش تصویر آشنا کند. این بسیار سخت تر از آنچه فکر می کردم انجام شد و من هیچ چیز از آن دریافت نکردم. سپس تصمیم گرفتم از دوستی که در آزمایشگاه بینایی کار می کرد بپرسم که از من خواست تا جبر خطی و به طور خاص بردارهای ویژه و ارزشهای ویژه را بررسی کنم. من برخی از تجربیات خود را در مورد جبر خطی در سالی که در سال دوم تحصیل کرده بودم تجربه کرده بودم اما نفهمیدم که چگونه بردارهای ویژه یا ارزشهای ویژه هنگام برخورد با تصاویر می توانند مفید واقع شوند. با تحقیق بیشتر متوجه شدم که تصاویر چیزی جز مجموعه داده های عظیم نیستند و از این رو می توانند به عنوان ماتریس در نظر گرفته شوند و اینکه چرا بردارهای ویژه با کاری که من انجام می دهم مرتبط است برایم کمی واضح تر شد. در این مرحله ، من تصمیم گرفتم که نحوه خواندن تصاویر را با استفاده از پایتون یاد بگیرم زیرا قصد دارم از پایتون برای پروژه خود استفاده کنم. در ابتدا ، من با استفاده از CV2.imread شروع به خواندن تصاویر کردم ، اما این کار واقعاً کند بود و بنابراین تصمیم گرفتم از glob و PIL.image.open برای انجام این کار استفاده کنم زیرا این بسیار سریعتر است. این فرایند روی کاغذ نسبتاً وقت گیر به نظر نمی رسد اما در واقع زمان زیادی طول کشید زیرا مجبور شدم نحوه نصب و وارد کردن کتابخانه های مختلف بر روی PyCharm (IDE) را یاد بگیرم و سپس اسناد را برای هر کتابخانه به صورت آنلاین بخوانم. در روند انجام این کار ، من همچنین نحوه استفاده از دستورات pip install در خط فرمان را آموختم.

پس از این ، گام بعدی این بود که بفهمم دقیقاً می خواهم چه کار کنم و در پردازش تصویر یاد بگیرم و در ابتدا ، برنامه ای برای تطبیق الگوها داشتم ، اما در حین تحقیق در مورد آن ، با PCA آشنا شدم و به نظرم جالب تر بود ، بنابراین تصمیم گرفتم در عوض با PCA بروید اولین اصطلاحی که همچنان ظاهر شد ، الگوریتم K-NN (K- نزدیکترین همسایه) بود. این اولین بار بود که با الگوریتم یادگیری ماشین آشنا می شدم. من با داده های آموزش و آزمایش و معنی "آموزش" یک الگوریتم آشنا شدم. درک الگوریتم K-NN نیز چالش برانگیز بود اما در نهایت درک نحوه عملکرد آن بسیار رضایت بخش بود. من در حال حاضر مشغول کار بر روی کد کارکردن K-NN هستم و بسیار نزدیک به اتمام هستم.

مرحله 3: مشکلات پیش روی و درس های آموخته شده

اولین مشکل بزرگ محدوده خود پروژه بود. این بیشتر جنبه تحقیقاتی داشت تا فیزیکی. با گذشت هفته ها ، من به پیشرفت همسالانم نگاه می کردم و احساس می کردم که به اندازه کافی پیشرفت نمی کنم یا به اندازه کافی سریع پیشرفت نمی کنم و گاهی اوقات بسیار انگیزنده است. صحبت کردن با پروفسور مالوخ و اطمینان دادن به خودم که من در حال یادگیری مطالبی هستم که برای من بسیار جدید است به من کمک کرد تا ادامه دهم. مشکل دیگر این بود که دانستن مطالب نظری و کاربرد آن دو چیز متفاوت است. اگرچه می دانستم که چه چیزی را باید انجام دهم ، در واقع رمزگذاری آن در پایتون داستان متفاوتی بود. اینجاست که فقط خواندن مستندات به صورت آنلاین و پرسیدن از دوستانی که در این مورد بیشتر می دانستند بسیار کمک کرد تا سرانجام برنامه عمل مشخص شود.

من شخصاً فکر می کنم داشتن کتابخانه بزرگتر کتاب و اسناد در M5 می تواند به افرادی که در پروژه ها کار می کنند کمک کند. همچنین داشتن یک رکورد دیجیتالی در زمان واقعی از پروژه هایی که توسط دانش آموزان انجام می شود تا سایر دانشجویان و کارکنان بتوانند به آن نگاه کنند و در صورت تمایل درگیر شوند ، ایده خوبی برای M5 است.

با پایان یافتن پروژه ، من در این مدت کوتاه چیزهای زیادی آموختم. من دانش بسیار مفیدی درباره یادگیری ماشینی کسب کرده ام و احساس می کنم اولین گام ها را برای مشارکت بیشتر در این زمینه برداشته ام. من متوجه شده ام که من بینایی کامپیوتری را دوست دارم و ممکن است بخواهم این کار را حتی در آینده دنبال کنم. مهمتر از همه من آموخته ام که PCA چیست ، چرا اینقدر مهم است و چگونه از آن استفاده کنم.

مرحله 4: مراحل بعدی

برای من ، این فقط خاراندن سطح چیزی بسیار وسیع تر و چیزی است که در دنیای امروز بسیار مهم است ، یعنی یادگیری ماشین. قصد دارم در آینده نزدیک دوره های مربوط به یادگیری ماشین را بگذرانم. من همچنین قصد دارم راه خود را برای تشخیص چهره پیش ببرم زیرا کل پروژه در آنجا آغاز شد. من همچنین ایده هایی برای یک سیستم امنیتی دارم که از ویژگی های ترکیبی استفاده می کند (یکی از آنها چهره شخص است) تا امنیت آن واقعا افزایش یابد و این چیزی است که می خواهم در آینده با درک وسیع تری از چیزها روی آن کار کنم. به

برای کسانی مانند من که به یادگیری ماشینی و پردازش تصویر علاقه دارند اما تجربه قبلی ندارند ، ابتدا یادگیری و درک جبر خطی همراه با آمار (به ویژه توزیع ها) را پیشنهاد می کنم. دوم پیشنهاد می کنم خواندن الگو و یادگیری ماشین توسط کریستوفر ام بیشوپ را بخوانید. این کتاب به من کمک کرد تا اصول اولیه آنچه را که من وارد آن شده بودم را درک کنم و از ساختار خوبی برخوردار باشد.