ディープラーニングをすぐに始められる、やりがいのあるプロジェクト18選

AlphaGoとイ・セドルの戦いの後、ディープラーニング技術は国内で非常に人気が高まった。多くの技術者が学びに集まっていますが、どうすればディープラーニングをより早く始められるのでしょうか?

次の 18 の挑戦的なプロジェクトは、実践的な練習を通じてディープラーニングをすぐに始めるのに役立ちます。

1. 北京の住宅価格予測

この課題では、線形回帰の知識を使用して北京の住宅価格を予測します。

このデータセットには 12 個の列があります。線形回帰では数値データの入力が必要なため、選択した特徴量は「公共交通機関、オフィスビル、病院、ショッピングモール、地下鉄、学校、建設時期、階数、面積」など9項目で、予測対象値は「1平方メートルあたりの価格」です。

2. 勾配降下法の実装と応用

最適化手法としての勾配降下法は、パラメータ問題の最適化プロセスで広く使用できます。この方法の利点をよりよく理解し、その使用プロセスを理解するために、このチャレンジでは、勾配降下法を使用していくつかの線形回帰問題を解決してみます。

3. 手書き文字認識ニューラルネットワーク

このチャレンジでは、scikit-learn が提供する人工ニューラル ネットワーク実装方法を組み合わせて、手書き文字の認識を完了します。

4. TensorFlow カリフォルニア州の住宅価格予測

このチャレンジでは、TensorFlow を使用して線形回帰を実装します。線形回帰は非常に基本的なものだと思われるかもしれませんが、ここでの目的は主に、TensorFlow でモデルを構築するプロセス全体と、プレースホルダーや定数などの重要な概念を理解することです。

5.TensorFlow 自動車評価分類

このチャレンジでは、TensorFlow を使用して、合理的に完全に接続された人工ニューラル ネットワークを構築し、自動車の安全性評価分類タスクを完了します。

ネットワークの構築、トレーニング、予測、評価を完了するには、TensorFlow 関数とメソッドが必要です。独自のデータ処理方法、ニューラル ネットワーク構造、損失関数、最適化方法などを選択します。データの前処理などのメイン以外のコードでは、他のライブラリによって提供される少量の関数と操作を使用できます。

6. TensorFlow ファッションアイテム分類

このチャレンジでは、オープン分類予測演習を独自に完了する必要があります。 Fashion-MNIST ファッションアイテム データセットを使用し、TensorFlow Keras を通じて適切な DNN ネットワークを構築する必要があります。

結果出力:

 60000サンプルでトレーニングし、 10000サンプルで検証
エポック 1/5
 60000/60000 [================================] - 損失: 0.3098 - 精度: 0.8856 - 損失値: 0.3455 - 精度: 0.8776
エポック 2/5
 60000/60000 [================================] - 損失: 0.2981 - 精度: 0.8891 - 損失値: 0.3352 - 精度: 0.8784
エポック 3/5
 60000/60000 [================================] - 損失: 0.2885 - 精度: 0.8914 - 損失値: 0.3346 - 精度: 0.8741
エポック 4/5
 60000/60000 [================================] - 損失: 0.2802 - 精度: 0.8942 - 損失値: 0.3349 - 精度: 0.8808
エポック 5/5
 60000/60000 [================================] - 損失: 0.2738 - 精度: 0.8982 - 損失値: 0.3197 - 精度: 0.8851

7. PyTorchは線形回帰を実装する

このチャレンジでは、PyTorch を使用して、よく知られている線形回帰を実装します。線形回帰は単純ですが、このチャレンジの目的は PyTorch の使い方に慣れることです。

結果出力:

反復 [ 10/100]、損失: 0.791
反復 [ 20/100]、損失: 0.784
反復 [ 30/100]、損失: 0.778
反復 [40/100]、損失: 0.772
反復 [50/100]、損失: 0.767
反復 [60/100]、損失: 0.762
反復 [70/100]、損失: 0.757
反復 [80/100]、損失: 0.753
反復 [90/100]、損失: 0.749
反復 [100/100]、損失: 0.745

8. LeNet5の構築

このチャレンジでは、TensorFlow Estimator の高レベル API を使用して LeNet-5 を再構築し、トレーニングを完了します。

9. 動物の分類を完了するための転移学習

このチャレンジでは、TensorFlow Keras を使用して動物分類転移学習モデルをトレーニングしてみました。

10. DCGAN アニメキャラクター画像生成

このチャレンジでは、GAN の一般的な構造である DCGAN について学び、それを使用してアニメアバターを自動生成できるニューラルネットワークを構築します。

11. 畳み込みオートエンコーダ画像ノイズ除去

このチャレンジでは、画像のノイズ除去タスクを完了するために、畳み込み構造を持つオートエンコーダーを独自に構築する必要があります。

12.YOLO画像ターゲット検出アプリケーション

YOLO は、R-CNN とは異なる、よく使用されるターゲット検出方法です。このチャレンジでは、YOLO を使用してターゲット検出アプリケーションを完成させるために、関連するツールを独自に使用してみる必要があります。

13. LSTMは株価を予測する

株式取引のトレンド予測は定量取引に関わるタスクの 1 つであり、統計と機械学習を通じて価格のトレンドを分析および予測します。一般的には時系列関連のモデリング手法を使用できますが、このチャレンジでは LSTM を使用して株価予測分析を完了します。

14. ディープラーニングがフェイクニュースの分類を完了

ディープラーニングは、自然言語処理において非常に重要な用途を持っています。この課題では、リカレントニューラルネットワークの知識を活用して、フェイクニュースのテキスト分類の精度を向上させる必要があります。

15. BERT事前学習技術の実用化

2018 年、自然言語処理の分野における最大のニュースの 1 つは、Google BERT の登場でした。 Google BERT は、中国語やその他の言語をサポートする、最も先進的な NLP 事前トレーニング テクノロジーであると主張しています。関連論文では、BERT がスタンフォード質問応答データセット (SQUAD v1.1) を含む 11 の NLP タスクで最新の結果を実証し、最高の結果を達成しました。

このチャレンジでは、Google BERT が提供する中国語の事前トレーニング済み言語モデルを使用して、フェイクニュース データのテキスト分類タスクを完了します。提供されたデータに対して 8:2 の分割を実行し、最終的にテスト セットの精度を取得することをお勧めします。

16. サボテンの航空写真の分類と認識

Aerial Cactus Identification は、Kaggle の入門レベルの機械学習コンテストです。このチャレンジでは、Auto-Keras 自動化ディープラーニング フレームワークを使用してコンテストを完了します。

17. 画像分類推論サービスを構築する

このチャレンジでは、TensorFlow Keras によって提供される事前トレーニング済みモデルを使用して、画像分類リアルタイム推論 API インターフェースを構築する必要があります。 MobileNetV2 事前トレーニング済みモデルを使用して構築された画像分類用のリアルタイム推論 API を実装し、POST リクエストを介して渡された任意の画像に対して推論を実行するために使用できます。

18. VAT請求書のクラウドサービス識別

このチャレンジでは、Baidu Cloud が提供する VAT 請求書認識インターフェースを呼び出して、VAT 請求書画像認識タスクを完了する必要があります。