2019 এ চেষ্টা করার জন্য সর্বশেষ মেশিন লার্নিং প্রকল্পগুলি

এই নিবন্ধটি আপনাকে শিল্পে মেশিন লার্নিং প্রকল্পগুলির এবং এই ক্ষেত্রে তৈরি ব্রেকথ্রুগুলি সম্পর্কে একটি বিস্তৃত জ্ঞান সরবরাহ করবে।

এটি পরিষ্কারভাবে এমন একটি ক্ষেত্র যা বিগত কয়েক বছরে পাগল অগ্রগতি দেখেছিল। এই প্রবণতা এবং অগ্রগতি শিল্পে অনেক কাজের সুযোগ তৈরি করেছে। এর জন্য প্রয়োজন মেশিন লার্নিং ইঞ্জিনিয়ার্স চাহিদা বেশি এবং এই উত্কর্ষটি বিকশিত প্রযুক্তি এবং বিপুল পরিমাণে ডেটা ওরফে বিগ ডেটা তৈরির কারণে। সুতরাং, এই নিবন্ধে, আমি সবচেয়ে আশ্চর্যজনক মেশিন লার্নিং প্রকল্পগুলি নিয়ে আলোচনা করব যার মধ্যে একটি অবশ্যই স্পষ্টভাবে জানা উচিত এবং এর সাথে কাজ করা উচিত, নিম্নলিখিত ক্রমে:



মেশিন লার্নিং কী?

মেশিন লার্নিং এমন একটি ধারণা যা মেশিনকে উদাহরণ এবং অভিজ্ঞতা থেকে শিখতে দেয় এবং এটিও স্পষ্টভাবে প্রোগ্রাম না করে। সুতরাং কোডটি লেখার পরিবর্তে আপনি যা করছেন তা হ'ল জেনেরিক অ্যালগরিদমে ডেটা ফিড করুন এবং অ্যালগরিদম / মেশিন প্রদত্ত ডেটার উপর ভিত্তি করে যুক্তি তৈরি করে।



যিনি এমএল ইঞ্জিনিয়ার

মেশিন লার্নিং পদক্ষেপ

যে কোনও মেশিন লার্নিং অ্যালগরিদম একটি সাধারণ প্যাটার্ন বা পদক্ষেপ অনুসরণ করে।



তথ্য সংগ্রহ: এই পর্যায়ে বিভিন্ন উত্স থেকে সমস্ত প্রাসঙ্গিক তথ্য সংগ্রহ জড়িত

ডেটা র্যাংলিং: এটি 'কাঁচা ডেটা' পরিষ্কার এবং রূপান্তর করার প্রক্রিয়া যা একটি সুবিধাজনক ব্যবহারের অনুমতি দেয়

তথ্য যাচাই: মডেলটি প্রস্তুত করতে প্রয়োজনীয় ডেটা নির্বাচন এবং ফিল্টার করতে ডেটা বিশ্লেষণ করা হয়



ট্রেনের অ্যালগোরিদম: অ্যালগরিদম প্রশিক্ষণ ডেটাসেট উপর প্রশিক্ষিত হয়, যার মাধ্যমে অ্যালগরিদম প্যাটার্ন এবং ডেটা পরিচালনা করে এমন নিয়মগুলি বোঝে

পরীক্ষার মডেল: টেস্টিং ডেটাসেটটি আমাদের মডেলের যথার্থতা নির্ধারণ করে।

স্থাপনা: যদি মডেলের গতি এবং যথার্থতা গ্রহণযোগ্য হয় তবে সেই মডেলটি বাস্তব সিস্টেমে মোতায়েন করা উচিত। মডেলটি তার কার্য সম্পাদনের উপর ভিত্তি করে স্থাপনের পরে মডেলটিকে পুনরায় প্রশিক্ষণ দেওয়া হলে পারফরম্যান্সে ডিপ থাকলে মডেলটি আপডেট এবং উন্নত হয়।

মেশিন লার্নিং এর প্রকার

মেশিন লার্নিংকে তিন ধরণের উপ-শ্রেণীবদ্ধ করা হয়েছে:

তত্ত্বাবধানে পড়াশোনা: এটিই আপনার ইনপুট ভেরিয়েবল (এক্স) এবং আউটপুট ভেরিয়েবল (ওয়াই) রয়েছে এবং আপনি ইনপুট থেকে আউটপুট পর্যন্ত ম্যাপিং ফাংশন শিখতে একটি অ্যালগরিদম ব্যবহার করেন।

নিরীক্ষণযোগ্য শিক্ষা: কখনও কখনও প্রদত্ত ডেটা কাঠামোগত কাঠামোগত এবং লেবেলহীন থাকে। সুতরাং তথ্যটি বিভিন্ন বিভাগে শ্রেণিবদ্ধ করা কঠিন হয়ে পড়ে। নিরীক্ষণযোগ্য শিক্ষণ এই সমস্যাটি সমাধান করতে সহায়তা করে। এই শিক্ষাগুলি তাদের পরিসংখ্যানগত বৈশিষ্ট্যের ভিত্তিতে ক্লাসে ইনপুট ডেটা ক্লাস্টার করতে ব্যবহৃত হয়।

শক্তিবৃদ্ধি শিক্ষা: নির্দিষ্ট পরিস্থিতিতে পুরষ্কারটি সর্বাধিক করার জন্য যথাযথ পদক্ষেপ নেওয়া এগুলি।
যখন এটি পুনর্বহাল শেখার ক্ষেত্রে আসে, তখন কোনও প্রত্যাশিত আউটপুট থাকে না। সংযুক্তি এজেন্ট কোনও প্রদত্ত টাস্ক সম্পাদন করার জন্য কোন পদক্ষেপ গ্রহণ করবে তা স্থির করে। প্রশিক্ষণের ডেটাসেটের অভাবে, এটির অভিজ্ঞতা থেকে তা শিখতে বাধ্য।

এখন আসুন কয়েকটি রিয়েল-লাইফ মেশিন লার্নিং প্রকল্পগুলির দিকে নজর দেওয়া যাক যা সংস্থাগুলিকে লাভ অর্জনে সহায়তা করতে পারে।

শিল্প ব্যবহারের ক্ষেত্রে

1. মোশন স্টুডিও

ডোমেইন: অর্ধেক

ফোকাস: নির্বাচন প্রক্রিয়া অনুকূলিতকরণ

জাভা কি ভেক্টর

ব্যবসায়িক চ্যালেঞ্জ: মোশন স্টুডিও ইউরোপের বৃহত্তম রেডিও প্রযোজনা ঘর। বিলিয়ন ডলারেরও বেশি আয় করে, সংস্থাটি একটি নতুন রিয়েলিটি শো চালু করার সিদ্ধান্ত নিয়েছে: আরজে স্টার শোয়ের প্রতিক্রিয়া নজিরবিহীন এবং সংস্থা ভয়েস ক্লিপগুলিতে প্লাবিত। একজন এমএল বিশেষজ্ঞ হিসাবে আপনাকে ভয়েসটিকে পুরুষ / মহিলা উভয় হিসাবে শ্রেণিবদ্ধ করতে হবে যাতে প্রথম স্তরের পরিস্রাবণ দ্রুত হয়।

প্রধান ইস্যু: ভয়েস নমুনা উচ্চারণ জুড়ে।

ব্যবসায় সুবিধা: থেকে আরজে স্টার রিয়েলিটি শো, প্রার্থী বাছাই করার সময় খুব কম। শোয়ের পুরো সাফল্য এবং তাই লাভগুলি দ্রুত এবং মসৃণ সম্পাদনের উপর নির্ভর করে

পিডি হিসাবে আমদানি নন্ডিকে এনপি আমদানি হিসাবে matplotlib.pyplot হিসাবে এসএমএস হিসাবে matplotlib ইনলাইন আমদানি সতর্কতা সতর্কতা.ফিলার ওয়ার্নিংস ('উপেক্ষা') df = পিডি.ড্রেড_সিএসভি ('ভয়েস-শ্রেণিবদ্ধকরণ সিএসভি') df.head ()

# নং পরীক্ষা করুন। রেকর্ডস df.info () df.describe () df.isnull ()। যোগফল ()

মুদ্রণ ('ডেটার শেপ:', ডিএফ.শ্যাপ) প্রিন্ট ('লেবেলের মোট সংখ্যা: {}'। ফর্ম্যাট (ডিএফ.শ্যাপ [0])) প্রিন্ট ('পুরুষের সংখ্যা: {}'। ফর্ম্যাট (ডিএফ [ df.label == 'পুরুষ']। আকার [0])) মুদ্রণ ('মহিলা সংখ্যা: {}'। ফর্ম্যাট (df [df.label == 'মহিলা']। আকার [0]))

X = df.iloc [:,: -1] মুদ্রণ (df.shape) মুদ্রণ (এক্স.শ্যাপ)

sklearn.pre প্রসেসিং আমদানি থেকে LabelEncoder y = df.iloc [:, - 1] জেনারেল_ইনকোডার = LabelEncoder () y = জেনারেল_ইনকোডার.ফিট ট্রান্সফর্ম (y) y থেকে আমদানি স্ট্যান্ডার্ডস্কেলার স্কেলার = স্ট্যান্ডার্ডস্কেলারের (এক্স) এক্স = স্কেলআর.এসপিএম আমদানি মেট্রিক্স থেকে স্কেলনারেটপোর্টেট আমদানি থেকে এসভিসি আমদানি করুন , বিভ্রান্তি_ম্যাট্রিক্স এসভিসি_মোডেল = এসভিসি () এসভিসি_মডেল.ফিট (এক্স_ট্রেইন, y_train) y_pred = এসভিসি_মডেল.প্রিডিক্ট (এক্স_টেষ্ট) প্রিন্ট ('নির্ভুলতার স্কোর:') মুদ্রণ (মেট্রিক্স.অ্যাকিউরসি_স্কোর (y_ সেরা, y_pred))

মুদ্রণ (বিভ্রান্তি_ম্যাট্রিক্স (y_ সেরা, y_pred))

2. LITHIONPOWER

ডোমেইন: স্বয়ংচালিত

ফোকাস: ড্রাইভারদের উত্সাহিত করুন

ব্যবসায়িক চ্যালেঞ্জ: লিথিয়নপাওয়ার হ'ল বৈদ্যুতিক গাড়ির (ই-যানবাহন) ব্যাটারি সরবরাহকারী। ড্রাইভাররা সাধারণত এক দিনের জন্য ব্যাটারি ভাড়া নেয় এবং তারপরে এটি সংস্থা থেকে চার্জযুক্ত ব্যাটারি দিয়ে প্রতিস্থাপন করে। ড্রাইভারের ড্রাইভিংয়ের ইতিহাসের ভিত্তিতে লিথিয়নপাওয়ারের একটি পরিবর্তনীয় মূল্যের মডেল রয়েছে। যেহেতু ব্যাটারির জীবনযাত্রা ওভারস্পিডিং, প্রতিদিন চালিত দূরত্ব ইত্যাদির উপর নির্ভর করে আপনি এমএল বিশেষজ্ঞ হিসাবে আপনাকে একটি ক্লাস্টার মডেল তৈরি করতে হবে যেখানে ড্রাইভিং ডেটার ভিত্তিতে চালকদের একসাথে গ্রুপ করা যায়।

প্রধান ইস্যু: ক্লাস্টারের উপর ভিত্তি করে চালকদের উত্সাহ দেওয়া হবে, সুতরাং গ্রুপিং সঠিক হওয়া দরকার।

ব্যবসায় সুবিধা: মুনাফা বৃদ্ধি, 15-25% অবধি দরিদ্র ইতিহাস সহ চালকদের আরো বেশি চার্জ করা হবে।

প্লাট স্টাইলিং% matplotlib ইনলাইন আমদানি সতর্কতা সতর্কতা.ফিল্টার ওয়ার্নিংস ('উপেক্ষা') হিসাবে প্লট plt.rcParams হিসাবে আমদানি matplotlib.pyplot হিসাবে পিডি আমদানি matplotlib.pyplot হিসাবে প্ল্যান্ট আমদানি সমুদ্র সৈকত হিসাবে pp হিসাবে আমদানি নান্দা আমদানি 'চিত্র.ফিগজাইজ'] = (12, 6) ডিএফ = পিডি.ড্রেড_সিএসভি ('ড্রাইভার-ডেটা.সিএসভি') df.head ()

df.info () df.describe ()

sklearn.cluster আমদানি কে এমিয়ানস থেকে # 2 টি ক্লাস্টার কেমিয়ানস = কেমিনস (এন_ক্লাস্টার = 2) ডিএফ_আনলেজে = ডিএফ.ড্রপ ('আইডি', অক্ষ = 1) kmeans.fif (df_analyze)

kmeans.cluster_centers_

মুদ্রণ (kmeans.labels_) মুদ্রণ (লেন (kmeans.labels_))

মুদ্রণ (প্রকার (kmeans.labels_)) অনন্য, গণনা = এনপি.উনিক (kmeans.labels_, রিটার্ন_কাউন্ট = সত্য) মুদ্রণ (ডিক (জিপ (অনন্য, গণনা)))

df_analyze ['ক্লাস্টার'] = kmeans.labels_ sns.set_style ('হোয়াইটগ্রিড') sns.lmplot ('মানে_ডিজিট_ডে', 'গড়_মোহর_স্পিড_প্রেসি', তথ্য = df_analyze, হিউ = 'ক্লাস্টার', প্যালেট = 'কুলওয়ার্ম', আকার = 6, দিক = 1, ফিট_রেগ = মিথ্যা)

# এখন, আসুন ক্লাস্টারগুলি পরীক্ষা করা যাক, যখন n = 4 kmeans_4 = KMeans (n_clusters = 4) kmeans_4.fit (df.rod ('id', axis = 1)) kmeans_4.fit (df.rod ('id', axis) = 1)) মুদ্রণ (kmeans_4.cluster_centers_) অনন্য, গণনাগুলি = np.unique (kmeans_4.labels_, রিটার্ন_কাউন্টস = সত্য) kmeans_4.cluster_centers_ মুদ্রণ (ডিক (জিপ (অনন্য, গণনা)))

df_analyze ['ক্লাস্টার'] = kmeans_4.labels_ sns.set_style ('হোয়াইটগ্রিড') sns.lmplot ('মানে_ডিজিট_ডে', 'গড়_মোহী_স্পিড_প্রেসি', তথ্য = df_analyze, হিউ = 'ক্লাস্টার', প্যালেট = 'শীতলতম', আকার = দিক = 1, ফিট_রেগ = মিথ্যা)

3. ব্লুএক্স

ডোমেইন: রসদ

ফোকাস: অনুকূল পাথ

ব্যবসায়িক চ্যালেঞ্জ: ব্লুএক্স ভারতে একটি শীর্ষস্থানীয় লজিস্টিক সংস্থা। এটি গ্রাহকদের প্যাকেটগুলির কার্যকর বিতরণের জন্য পরিচিত। তবে, ব্লুএক্স একটি চ্যালেঞ্জের মুখোমুখি হয়েছে যেখানে তার ভ্যান চালকরা প্রসবের জন্য একটি সাবঅপটিমাল পথ নিচ্ছে। এটি বিলম্ব এবং উচ্চ জ্বালানী ব্যয় ঘটাচ্ছে। এমএল বিশেষজ্ঞ হিসাবে আপনাকে রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে একটি এমএল মডেল তৈরি করতে হবে যাতে প্রোগ্রামের মাধ্যমে দক্ষ পথটি পাওয়া যায়।

প্রধান ইস্যু: ডেটাতে প্রচুর বৈশিষ্ট্য রয়েছে এবং শ্রেণিবিন্যাস জটিল হতে পারে।

ব্যবসায় সুবিধা: 15% পর্যন্ত জ্বালানী ব্যয় সর্বোত্তম পথ অবলম্বন করে সংরক্ষণ করা যায়।

এনপি হিসাবে নাম্বার আমদানি করুন প্ল্যাট আমদানি নেটওয়ার্কেক্স হিসাবে এনএক্স আমদানি পাইলব পয়েন্ট পয়েন্ট_লিস্ট = [(0,1), (1,5), (5,6), (5,4), (1,2), (2) , 3), (2,7)] লক্ষ্য = 7 ম্যাপিং = {0: 'শুরু', 1: '1', 2: '2', 3: '3', 4: '4', 5: '5 ', 6:' 6 ', 7:' 7-গন্তব্য '} জি = এনএক্স.গ্রাফ () জি.এডিডি_জেস_ফ্রোম (পয়েন্ট_লিস্ট) পোস্ট = এনএক্স.স্প্রিং_লেআউট (জি, কে = .5, সেন্টার = পয়েন্ট_লিস্ট [2]) এনএক্স .draw_networkx_nodes (G, pos, node_color = 'g') nx.draw_networkx_edges (জি, পোজ, এজ_ক্লোর = 'বি') এনএক্স.ড্রে_নেট ওয়ার্ক_লাবেলস (জি, পোস্ট) plt.show ()

NO_OF_POINTS = 8 # Inititlaizing R Matrix R = np.matrix (np.ones (আকৃতি = (NO_OF_POINTS, NO_OF_POINTS))) আর * = -1 পয়েন্ট পয়েন্টের জন্য বিন্দু: মুদ্রণ (বিন্দু) যদি বিন্দু [1] == লক্ষ্য: আর [পয়েন্ট] = 150 অন্য: আর [পয়েন্ট] = 0 যদি বিন্দু [0] == লক্ষ্য: আর [পয়েন্ট [:: - 1]] = 150 অন্য: # বিন্দু বিপরীত [পয়েন্ট [:: - 1]] = 0

আর [লক্ষ্য, লক্ষ্য] = 150 আর

প্রশ্ন = এনপি.ম্যাট্রিক্স (এনপি.এজারোজ ([NO_OF_POINTS, NO_OF_POINTS])) # লার্নিং প্যারামিটার গ্যামা = 0.8 প্রারম্ভিক_স্টেট = 1 ডিএফ উপলভ্য_অ্যাকশনস (স্টেট): বর্তমান_স্টেট_রো = আর [রাজ্য,] অ্যাভ্যাক্ট = এনপি.হোয়ার (বর্তমান_স্তর_আরো & অ্যাম্প্যাম্প্পজিটি = 0) ) [1] av_act উপলভ্য_অ্যাক্ট = উপলভ্য_অ্যাকশনস (প্রারম্ভিক_সেটেট) ডিফ নমুনা_সংশ্লিষ্ট_অ্যাকশন (উপলভ্য_অ্যাকশন_আরজান): পরের_অ্যাকশন = ইন্টি (এনপি.আরন্ডম.চয়েস (উপলব্ধ_অ্যাক্ট, 1)) রিটার্ন নেক্সট অ্যাকশন অ্যাকশন = নমুনা_নেক্সট_অ্যাকশন (উপলভ্য_্যাক্ট) ডিফ আপডেট (বর্তমান_স্তর, ক্রিয়া, গামা) : max_index = np.where (Q [ক্রিয়াকলাপ,] == এনপি.ম্যাক্স (কিউ [ক্রিয়া,])) [1] যদি ম্যাক্স_ইন্ডেক্স.শ্যাপ [0] এবং অ্যাম্প্যাম্প্পজিট 1: ম্যাক্স_ইন্ডেক্স = ইন্টি (এনপি.র্যান্ডম.চয়েস, ম্যাক্স_আইএনডেক্স, আকার = 1)) অন্য: ম্যাক্স_ইন্ডেক্স = ইন (ম্যাক্স_আইএনডিএক্স) ম্যাক_ভ্যালু = কিউ [অ্যাকশন, ম্যাক্স_ইন্ডেক্স] কিউ [কারেন্ট_স্টেট, অ্যাকশন] = আর [কারেন্ট_স্টেট, অ্যাকশন] + গামা * ম্যাক্স_ভ্যালু প্রিন্ট ('ম্যাক্স_ভ্যালু', আর [কারেন্ট_স্টেট, অ্যাকশন]] + গামা * সর্বাধিক_মূল্য) যদি (এনপি.ম্যাক্স (কিউ) এবং অ্যাম্প্যাম্প্পজিট 0): রিটার্ন (এনপি.সাম (কিউ / এনপি.ম্যাক্স (কিউ) * 100)) অন্য: রিটার্ন (0) আপডেট (ইনিশিয়াল_স্টেট, অ্যাকশন, গামা)

স্কোর = [] রেঞ্জ ইন (700০০) এর জন্য: কারেন্ট_স্টেট = এনপি.রেন্ডম.অরেন্ডিন্ট (0, ইনট (কিউ। শেপ [0])) উপলভ্য_্যাক্ট = উপলভ্য_অ্যাকশনস (কারেন্ট_স্টেট) অ্যাকশন = নমুনা_নেক্সট_অ্যাকশন (উপলভ্য_অ্যাক্ট) স্কোর = আপডেট (বর্তমান_স্টেট, ক্রিয়া, গামা) স্কোর.অ্যাপেন্ড (স্কোর) মুদ্রণ ('স্কোর:', আরআর (স্কোর)) মুদ্রণ ('প্রশিক্ষিত কিউ ম্যাট্রিক্স:') মুদ্রণ (কিউ / এনপি.ম্যাক্স (প্রশ্ন) * 100) # পরীক্ষার বর্তমান_স্টেট = 0 পদক্ষেপ = [কারেন্ট_স্টেট] কারেন্ট_স্টেটের সময়! = 7: পরের_স্টেপ_ইন্ডেক্স = এনপি। কোথাও (কিউ [কারেন্ট_সেটেট,] == এনপি.ম্যাক্স (কিউ [কারেন্ট_সেটেট,])) [1] যদি পরের_স্টেপ_ইন্ডেক্স.শীপ [0] এবং অ্যাম্প্যাম্প্পজিটি 1: পরের_স্টেপ_আইডেক্স = ইনট (এনপি.আরন্ডম.চয়েস (পরের_পরিচ_পঞ্জিকা, আকার = 1)) অন্য: নেক্সট_স্টেপ_ইনডেক্স = ইন (নেক্সট_স্টেপ_আইএনডেক্স) পদক্ষেপ.অ্যাপেন্ড (পরের_স্টেপ_ইনডেক্স) কারেন্ট_স্টেট = পরের_ পদক্ষেপ_আইডেক্স

মুদ্রণ ('সর্বাধিক দক্ষ পথ:') মুদ্রণ (পদক্ষেপ) plt.plot (স্কোর) plt.show ()

2019 সালে ওপেন সোর্স মেশিন লার্নিং প্রকল্পগুলি

ডিটেক্ট্রন : ডেটট্রন হ'ল ফেসবুক এআই গবেষণার সফ্টওয়্যার সিস্টেম যা অত্যাধুনিক অবজেক্ট সনাক্তকরণ অ্যালগরিদমগুলি প্রয়োগ করে। এটি পাইথনে লেখা এবং ক্যাফে 2 গভীর শিক্ষার কাঠামো দ্বারা চালিত।

ডিটেক্ট্রনের লক্ষ্য হ'ল অবজেক্ট সনাক্তকরণ গবেষণার জন্য একটি উচ্চ-মানের, উচ্চ-কার্যকারিতা কোডবেস সরবরাহ করা। উপন্যাস গবেষণার দ্রুত বাস্তবায়ন এবং মূল্যায়ন সমর্থন করার জন্য এটি নমনীয় হওয়ার জন্য ডিজাইন করা হয়েছে। এটিতে 50 টিরও বেশি প্রাক-প্রশিক্ষিত মডেল রয়েছে।

ডেনস্পোজ : ঘন মানব ভঙ্গ অনুমানের উদ্দেশ্য একটি আরজিবি চিত্রের সমস্ত মানব পিক্সেলকে মানবদেহের 3 ডি পৃষ্ঠে ম্যাপ করা। DensePose-RCNN ডেটেক্ট্রন কাঠামোর মধ্যে প্রয়োগ করা হয়।

টেনসরফ্লো.জেএস : এটি এমএল মডেলগুলি বিকাশ এবং প্রশিক্ষণের জন্য এবং ব্রাউজারে স্থাপন করার জন্য একটি গ্রন্থাগার। এটি এই বছরের শুরুর দিকে প্রকাশিত হওয়ায় এটি একটি জনপ্রিয় রিলিজ হয়ে গেছে এবং এর নমনীয়তার সাথে অবাক করে অবিরত। এটি দিয়ে আপনি পারেন

  • ব্রাউজারে এমএল বিকাশ করুন: নিম্ন-স্তরের জাভাস্ক্রিপ্ট লিনিয়ার বীজগণিত গ্রন্থাগার বা উচ্চ-স্তরের স্তরগুলির API ব্যবহার করে স্ক্র্যাচ থেকে মডেলগুলি তৈরি করতে নমনীয় এবং স্বজ্ঞাত এপিআই ব্যবহার করুন।
  • বিদ্যমান মডেলগুলি চালান : ব্রাউজারের ঠিক পূর্ব-বিদ্যমান টেনসরফ্লো মডেলগুলি চালানোর জন্য টেনসরফ্লো.জেএস মডেল রূপান্তরকারী ব্যবহার করুন।
  • বিদ্যমান মডেলগুলি পুনরায় প্রশিক্ষণ করুন: ব্রাউজারের সাথে সংযুক্ত সেন্সর ডেটা বা অন্য ক্লায়েন্ট-সাইড ডেটা ব্যবহার করে প্রাক-বিদ্যমান এমএল মডেলগুলি পুনরায় প্রশিক্ষণ করুন।

ওয়েভগ্লো: মেশিন লার্নিং অডিও প্রসেসিংয়েও বড় অগ্রগতি করছে এবং এটি কেবল সংগীত বা শ্রেণিবিন্যাস তৈরি করে না। ওয়েভগ্লো এনভিআইডিআইএ দ্বারা স্পিচ সংশ্লেষণের জন্য একটি ফ্লো-ভিত্তিক জেনারেটরি নেটওয়ার্ক। আপনি যদি নিজের মডেলটি স্ক্র্যাচ থেকে প্রশিক্ষণ নিতে চান তবে গবেষকরা যে পদক্ষেপগুলি অনুসরণ করতে পারেন তাও নীচে তালিকাভুক্ত করেছেন।

চিত্র বহির্মুখী : ভাবুন আপনার কাছে কোনও দৃশ্যের অর্ধেক চিত্র রয়েছে এবং আপনি পুরো দৃশ্যাবলী চেয়েছিলেন, ভাল এটিই ইমেজ আউটপেন্টিং আপনার পক্ষে এটি করতে পারে। এই প্রকল্পটি স্ট্যানফোর্ডের চিত্র বহির্মুখী কাগজের কেরাস বাস্তবায়ন। মডেলটি দিয়ে প্রশিক্ষিত হয়েছিল 3500 মোটামুটি যুক্তি সহ সমুদ্র সৈকতের ডেটা স্ক্র্যাপ করা 10,500 জন্য ইমেজ 25 যুগ

এটি একটি বিস্ময়কর কাগজ যা বিস্তারিত ধাপে ধাপে ব্যাখ্যা সহ রয়েছে। সমস্ত মেশিন লার্নিং উত্সাহীদের জন্য অবশ্যই একটি উদাহরণ চেষ্টা করতে হবে। ব্যক্তিগতভাবে, এটি আমার প্রিয় মেশিন লার্নিং প্রকল্প।

ডিপ পেইন্টারলি হারমোনাইজেশন : ভাল, ইমেজ সম্পর্কে কথা বলতে, এটি একটি মাস্টারপিস। এই অ্যালগরিদমটি যা করে তা হ'ল একটি চিত্রকে ইনপুট হিসাবে নেয় এবং তারপরে আপনি যদি চিত্রটিতে কোনও বাহ্যিক উপাদান যুক্ত করেন তবে এটি সেই উপাদানটিকে আশেপাশে মিশ্রিত করে যেন এটি এর একটি অংশ।

তুমি কি পার্থক্যটা বলতে পারো? কোন অধিকার? ঠিক আছে, এটি আমাদের দেখায় যে আমরা মেশিন লার্নিংয়ের ক্ষেত্রে কতটা এগিয়ে এসেছি।

ডিপ মিমিক: এখন, এখানে চিত্রগুলি ঘনিষ্ঠভাবে দেখুন, আপনি একটি স্টিক ফিগার স্পিন-কিক, ব্যাকফ্লিপ এবং কার্টহিল করছেন। আমার বন্ধু কর্মে শক্তিবৃদ্ধি শেখা। ডিপমিমিক একটি উদাহরণ-পদার্থবিজ্ঞান ভিত্তিক চরিত্র দক্ষতার গাইডেড ডিপ রিইনফোর্সমেন্ট লার্নিং।

ম্যাজেন্টা : ম্যাজেন্টা একটি গবেষণা প্রকল্প যা শিল্প ও সঙ্গীত তৈরির প্রক্রিয়ায় মেশিন লার্নিংয়ের ভূমিকা অন্বেষণ করে। প্রাথমিকভাবে এর মধ্যে গান, চিত্র, অঙ্কন এবং অন্যান্য উপকরণ উত্পন্ন করার জন্য নতুন গভীর শিখন এবং পুনর্বহাল শেখার অ্যালগরিদমগুলি বিকাশযুক্ত।

এটি স্মার্ট সরঞ্জামগুলি এবং ইন্টারফেসগুলি তৈরিতেও অন্বেষণ যা শিল্পী এবং সংগীতশিল্পীদের প্রসারিত করতে দেয় ( প্রতিস্থাপন না! ) এই মডেলগুলি ব্যবহার করে তাদের প্রক্রিয়াগুলি। আপনার ডানাগুলি ছড়িয়ে দিন, ইনস্টাগ্রাম বা সাউন্ডক্লাউডের জন্য আপনার অনন্য সামগ্রী তৈরি করুন এবং প্রভাবক হন become

জাভা প্যাকেজ কি

তাই বলছি, এটির সাথে আমরা এই আশ্চর্যজনক মেশিন লার্নিং প্রকল্পগুলির নিবন্ধটি শেষ করেছি। এই উদাহরণগুলি ব্যবহার করে দেখুন এবং নীচের মন্তব্য বিভাগে আমাদের জানান। আমি আশা করি আপনি শিল্পে মেশিন লার্নিংয়ের ব্যবহারিক বাস্তবায়নটি জানতে পেরেছেন। এডুরিকার আপনাকে তদারকি করা শেখা, আনসার্পাইজড লার্নিং এবং প্রাকৃতিক ভাষা প্রক্রিয়াজাতকরণের মতো কৌশলগুলিতে দক্ষ করে তোলে। এর মধ্যে কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং যেমন ডিপ লার্নিং, গ্রাফিকাল মডেলস এবং রিইনফোর্সমেন্ট লার্নিংয়ের সর্বশেষ অগ্রগতি এবং প্রযুক্তিগত পদ্ধতির উপর প্রশিক্ষণ অন্তর্ভুক্ত রয়েছে