Հիմնական բաղադրիչի վերլուծություն. 4 քայլ

2024 Հեղինակ: John Day | [email protected]. Վերջին փոփոխված: 2024-01-30 09:48

Հիմնական բաղադրիչների վերլուծությունը վիճակագրական մեթոդ է, որը հնարավոր փոխկապակցված փոփոխականների մի շարք փոխակերպում է գծայինորեն անհամապատասխան արժեքների `օգտագործելով ուղղանկյուն փոխակերպումներ: Բազմաթիվ չափսերով տվյալների հավաքածուի պարզ բառերով այն օգնում է նվազեցնել չափերի քանակը ՝ դրանով իսկ դյուրին դարձնելով տվյալները:

Քայլ 1. Սկզբնական ծրագրեր

Ես այս դասարան մտա այն մտքով, որ ուզում եմ հասկանալ և հուսով եմ գրել մի ալգորիթմ, որը կկարողանա կատարել դեմքի ճանաչում, երբ տրամադրվում է պատկերներ: Ես չունեի որևէ փորձ կամ գիտելիք դեմքի ճանաչման հետ կապված որևէ բանի մասին և գաղափար չունեի, թե որքան դժվար է հասնել նման բանի: Պրոֆեսոր Մալլոկի հետ զրուցելուց հետո ես հասկացա, որ պետք է շատ բաներ սովորել, մինչև կարողանամ ամբողջությամբ հասկանալ այն խնդիրը, որն ի վերջո նախատեսել էի հասնել:

Մի փոքր հետազոտությունից հետո ես վերջապես որոշեցի, որ ամենից շատ ինձ պետք է սովորել գծային հանրահաշիվ և մեքենայական ուսուցման որոշ հիմունքներ և հաստատվեցի PCA- ում (հիմնական բաղադրիչների վերլուծություն) `այս դասի իմ նպատակը:

Քայլ 2: Հետազոտություն

Առաջին քայլը գրադարան այցելելն ու ցանկացած գիրք գտնելն էր, որն ինձ ծանոթացրեց մեքենայական ուսուցման և ավելի կոնկրետ պատկերի մշակման հետ: Սա շատ ավելի դժվար ստացվեց, քան ես կարծում էի, և ես դրանից ոչինչ չստացա: Հետո որոշեցի հարցնել Vision Lab- ում աշխատող ընկերոջը, ով խնդրեց ինձ ուսումնասիրել գծային հանրահաշիվը և ավելի կոնկրետ ՝ սեփական վեկտորներն ու սեփական արժեքները: Ես որոշակի փորձ ունեի գծային հանրահաշվի հետ այն դասից, որը վերցրել էի երկրորդ կուրսում, բայց չէի հասկանում, թե ինչպես կարող են օգտակար լինել սեփական վեկտորները կամ սեփական արժեքները պատկերների հետ աշխատելիս: Երբ ավելի շատ էի ուսումնասիրում, ես հասկացա, որ պատկերները ոչ այլ ինչ են, քան հսկայական տվյալների հավաքածուներ և, հետևաբար, դրանք կարող են դիտվել որպես մատրիցաներ, և ինձ համար մի փոքր ավելի պարզ դարձավ, թե ինչու են սեփական վեկտորները համապատասխան իմ արածին: Այս պահին ես որոշեցի, որ պետք է սովորեմ, թե ինչպես կարդալ պատկերներ python- ի միջոցով, քանի որ պատրաստվում էի պիտոն օգտագործել իմ նախագծի համար: Սկզբում ես սկսեցի օգտագործել CV2.imread- ը `պատկերները կարդալու համար, բայց դա իսկապես դանդաղ ստացվեց, ուստի որոշեցի օգտագործել գլոբը և PIL.image.open- ը դա անելու համար, քանի որ դա շատ ավելի արագ է: Թղթի վրա այս գործընթացը համեմատաբար ժամանակատար չի թվում, բայց իրականում բավականին երկար ժամանակ պահանջեց, քանի որ ես ստիպված էի սովորել, թե ինչպես տեղադրել և ներմուծել տարբեր գրադարաններ PyCharm (IDE), այնուհետև կարդալ փաստաթղթերը առցանց յուրաքանչյուր գրադարանի համար: Դա անելու ընթացքում ես սովորեցի նաև, թե ինչպես օգտագործել pip install հայտարարությունները հրամանի տողում:

Դրանից հետո հաջորդ քայլը պարզելն էր, թե ինչ եմ ուզում անել և սովորել պատկերի մշակման մեջ, և սկզբում ես պլանավորում էի կատարել կաղապարների համապատասխանեցում, բայց դրա համար հետազոտելիս ես սովորեցի PCA- ի մասին և գտա, որ այն ավելի հետաքրքիր է, ուստի որոշեցի փոխարենը գնացեք PCA- ով: Առաջին տերմինը, որը անընդհատ հայտնվում էր, K-NN (K- մոտակա հարևան) ալգորիթմն էր: Սա մեքենայական ուսուցման ալգորիթմի իմ առաջին բացահայտումն էր: Ես սովորեցի վերապատրաստման և թեստավորման տվյալների և այն մասին, թե ինչ է նշանակում ալգորիթմի «վերապատրաստում»: K-NN ալգորիթմը հասկանալը նույնպես դժվար էր, բայց շատ գոհացուցիչ էր վերջապես հասկանալ, թե ինչպես է այն աշխատում: Ես այժմ աշխատում եմ K-NN- ի ծածկագիրն աշխատելու վրա և շատ մոտ եմ ավարտին:

Քայլ 3. Դժվարություններ և սովորած դասեր

Առաջին մեծ դժվարությունը հենց նախագծի շրջանակն էր: Սա ավելի շատ հետազոտական ուղղվածություն ուներ, քան ֆիզիկական: Երբ շաբաթներն անցնում էին, ես նայում էի իմ հասակակիցների առաջընթացին և զգում, որ ես բավականաչափ լավ չեմ անում, կամ որ բավականաչափ արագ առաջընթաց չեմ ունենում, և դա երբեմն շատ քաջալերող է: Պրոֆեսոր Մալոխի հետ զրուցելը և պարզապես ինձ համոզելը, որ ես իսկապես սովորում եմ ինձ համար շատ նոր բաներ, օգնեցին ինձ շարունակել: Մեկ այլ խնդիր էր, որ տեսական նյութեր իմանալը և կիրառելը երկու տարբեր բաներ են: Չնայած ես գիտեի, թե ինչ պետք է անեմ, իրականում այն Python- ում կոդավորելը այլ պատմություն էր: Սա այն է, որտեղ պարզապես առցանց փաստաթղթեր կարդալը և այդ մասին ավելի շատ իմացող ընկերներին հարցնելը շատ օգնեց վերջնականապես կազմել գործողությունների ծրագիրը:

Անձամբ ես կարծում եմ, որ M5- ում գրքերի և փաստաթղթերի ավելի մեծ գրադարան ունենալը կարող է օգնել այն մարդկանց, ովքեր աշխատում են նախագծերի վրա: Ուսանողների կողմից իրականացվող նախագծերի իրական ժամանակում թվային գրառում ունենալը, որպեսզի մյուս ուսանողները և աշխատակիցները կարողանան նայել դրան և ներգրավվել, եթե դա իրենց հետաքրքրում է, դա լավ գաղափար է M5- ի համար:

Երբ նախագիծը ավարտվում է, ես շատ բան եմ սովորել այս կարճ ժամանակահատվածում: Ես ձեռք եմ բերել մեքենայական ուսուցման շատ աշխատանքային գիտելիքներ և զգում եմ, որ առաջին քայլերն եմ արել դրանում ավելի ներգրավվելու համար: Ես հասկացա, որ ինձ դուր է գալիս համակարգչային տեսլականը, և որ գուցե ցանկանամ դրան հետամուտ լինել նույնիսկ ապագայում: Ամենակարևորը ես սովորեցի, թե ինչ է PCA- ն, ինչու է այն այդքան կարևոր և ինչպես օգտագործել այն:

Քայլ 4: Հաջորդ քայլերը

Ինձ համար սա պարզապես քերծում էր շատ ավելի ընդարձակ և ներկայիս աշխարհում շատ կարևոր բանի մակերեսը, այսինքն ՝ մեքենայական ուսուցումը: Մոտ ժամանակներս նախատեսում եմ մեքենայական ուսուցման հետ կապված դասընթացներ անցնել: Ես նաև նախատեսում եմ կառուցել իմ դեմքի ճանաչման ճանապարհը, քանի որ հենց այստեղից էլ սկսվեց այս ամբողջ նախագիծը: Ես նաև գաղափարներ ունեմ անվտանգության համակարգի համար, որն օգտագործում է համակցված հնարավորություններ (դրանցից մեկը անձի դեմքն է) այն իսկապես ապահով դարձնելու համար, և սա այն է, ինչի վրա ես ցանկանում եմ աշխատել ապագայում, երբ ավելի լավ պատկերացնեմ իրերը:.

Ինձ նման յուրաքանչյուրի համար, ով հետաքրքրված է մեքենայական ուսմամբ և պատկերի մշակմամբ, բայց չունի նախկին փորձ, ես խորհուրդ կտայի առաջինը սովորել և հասկանալ գծային հանրահաշիվը ՝ վիճակագրության հետ միասին (հատկապես բաշխումները): Երկրորդը ես կառաջարկեի կարդալ Քրիստոֆեր Մ. Եպիսկոպոսի օրինաչափությունների ճանաչում և մեքենայական ուսուցում: Այս գիրքը օգնեց ինձ հասկանալ այն հիմունքները, որոնց մեջ ես մտել էի և շատ լավ կառուցված է: