1. Analisis pewarnaan emosional pesan di jejaring sosial dan pencarian tanda-tanda depresi
Menurut dengan Organisasi Kesehatan Dunia, depresi merupakan masalah serius yang membutuhkan solusi mendesak. Lebih dari 264 juta orang di seluruh dunia menderita depresi. Depresi adalah penyebab utama kecacatan di dunia dan berkontribusi secara signifikan terhadap beban penyakit global. Lebih dari 800.000 orang meninggal karena bunuh diri setiap tahun karena depresi. Ini adalah penyebab kematian kedua bagi orang berusia 15-29 tahun. Perawatan untuk depresi seringkali dimulai lebih lambat dari yang diperlukan, perawatan mungkin didasarkan pada diagnosis yang tidak akurat, dan terkadang depresi tidak ditangani sama sekali.
Fakta bahwa Internet telah dengan mantap memasuki kehidupan manusia modern memberi masyarakat kesempatan unik untuk mendeteksi tanda-tanda awal depresi. Hal ini terutama berlaku untuk menemukan tanda-tanda serupa di kalangan anak muda. Jika kita hanya berbicara tentang Twitter, ternyata pengguna jejaring sosial ini menerbitkan sekitar 6.000 tweet setiap detiknya. Ini berarti sekitar 350.000 tweet diterbitkan per menit, sekitar 500 juta per hari, dan sekitar 200 miliar per tahun.
Menurut untukPew Research Center Sekitar 72% orang dewasa yang menggunakan Internet adalah pengguna media sosial. Kumpulan data yang diambil dari media sosial penting dalam banyak bidang penelitian. Misalnya - di bidang ilmu manusia dan penelitian medis. Mendukung penelitian semacam itu melalui analisis data media sosial masih belum sempurna akhir-akhir ini, dan metode yang ada untuk menganalisis data semacam itu tidak efektif.
Dengan menganalisis penanda linguistik pada postingan media sosial, dapat dibuat model pembelajaran yang mendalam yang dapat mendeteksi tanda-tanda depresi pada netizen tertentu lebih awal daripada metode tradisional.
Berikut beberapa materi terkait:
2.
Ide di balik proyek ini adalah untuk menghasilkan ringkasan teks yang akurat dari rekaman video pertandingan olahraga. Ada situs yang mengkhususkan diri dalam memberikan informasi kepada pengguna tentang pertandingan. Berbagai model telah diusulkan yang bertujuan untuk mengekstraksi informasi tentang pertandingan dari rekaman video dan menyajikannya dalam bentuk teks. Jaringan saraf adalah yang terbaik untuk tugas ini. "Pembentukan ringkasan teks" biasanya berarti penyajian informasi dalam bentuk yang ringkas, dengan perhatian khusus pada apa yang membawa fakta dan informasi penting tentang peristiwa tersebut.
Untuk mengatasi masalah pembuatan deskripsi game secara otomatis dari rekaman, perlu dipastikan bahwa model yang memecahkan masalah ini dapat mengenali momen penting dan menarik dari game.
Hal ini dapat dicapai dengan menggunakan beberapa teknik pembelajaran mendalam seperti jaringan saraf konvolusional 3D (3D-CNN), jaringan saraf berulang (RNN), jaringan memori jangka pendek ( LTSM ). Algoritme pembelajaran mesin lainnya seperti mesin vektor dukungan (SVM) dan k-means juga digunakan di sini. Dalam proses penerapan algoritme tersebut, video dibagi menjadi beberapa bagian, yang diproses menggunakan model yang sesuai.
Berikut adalah artikel tentang klasifikasi adegan video olahraga untuk tujuan menghasilkan ringkasannya menggunakan teknologi pembelajaran transfer.
3. Sistem untuk menyelesaikan persamaan tulisan tangan berdasarkan jaringan saraf konvolusional
Mengenali ekspresi matematika tulisan tangan adalah salah satu tantangan menantang yang dihadapi para peneliti visi mesin. Menggunakan jaringan saraf konvolusional ( CNN ) dan beberapa teknik pemrosesan gambar dapat membuat sistem yang dapat mengenali ekspresi matematika tulisan tangan . Pengembangan sistem semacam itu melibatkan pelatihan jaringan menggunakan dataset yang disiapkan dengan tepat, yang diwakili oleh simbol matematika tulisan tangan.
Berikut beberapa sumber daya tentang topik ini:
- Sistem untuk menyelesaikan persamaan tulisan tangan berdasarkan jaringan saraf konvolusional .
- Contoh implementasi sistem CNN untuk menyelesaikan persamaan tulisan tangan .
- Visi mesin: Secara otomatis memeriksa lembar jawaban untuk tugas matematika .
- Ubah persamaan tulisan tangan ke format LaTeX .
4. Pembentukan laporan singkat materi pertemuan bisnis dengan menggunakan teknologi pemrosesan bahasa alami
Pernahkah Anda menemukan diri Anda dalam situasi di mana materi yang panjang perlu direduksi menjadi sinopsis pendek? Saya harus berurusan dengan ini selama studi saya. Yakni, saya harus menghabiskan banyak waktu untuk mempersiapkan esai yang panjang, dan waktu guru hanya membaca anotasi singkatnya yang juga menyita waktu untuk mempersiapkannya.
Mekanisme untuk menyiapkan ringkasan singkat tentang beberapa materi muncul sebagai upaya untuk memecahkan masalah kelebihan informasi yang harus dihadapi oleh orang modern. Suatu sistem untuk mengekstrak informasi yang paling berharga, misalnya, dari rekaman negosiasi atau ceramah tertentu, dapat menjadi nilai komersial dan pendidikan yang besar. Pengembangan sistem semacam itu dapat didekati dengan menerapkan analisis komprehensif atas informasi tekstual yang relevan dengan dialog dan monolog.
Butuh banyak waktu untuk membuat ringkasan laporan secara manual. Tetapi masalah ini dapat diatasi dengan menggunakan teknologi pemrosesan bahasa alami ( NLP ).
Untuk menyiapkan anotasi singkat pada teks, Anda dapat menggunakan mekanisme berbasis deep learning yang dapat "memahami" konteks keseluruhan teks. Banyak yang akan senang jika mereka memiliki sistem yang mereka miliki yang dapat dengan cepat dan efisien menyelesaikan masalah seperti itu.
Berikut beberapa artikel tentangnya:
- Panduan komprehensif untuk mengembangkan sistem abstrak teks Python menggunakan teknologi pembelajaran mendalam .
- Cara untuk memahami esensi peringkasan teks dan pengembangan sistem peringkasan Anda sendiri dengan Python.
5. Penerapan sistem yang mengenali wajah pengguna, menentukan suasana hati mereka, dan menawarkan musik yang sesuai
Wajah seseorang mencerminkan keadaan batinnya, dari wajah tersebut Anda dapat memahami emosi apa yang sedang dialami seseorang. Informasi ini, misalnya, dapat didasarkan pada sistem pemilihan musik otomatis. Faktanya adalah jenis musik yang sering didengarkan orang tergantung pada suasana hati mereka. Oleh karena itu, sangat logis untuk mengasumsikan bahwa sistem yang mampu "memahami" suasana hati seseorang dan memilih musik yang sesuai untuknya memiliki masa depan. Teknologi visi mesin dapat membantu kami memecahkan masalah ini. Mereka, dalam mengenali emosi, melibatkan analisis foto atau klip video.
API telah dibuat untuk memecahkan masalah seperti itu, yang menurut saya menarik dan berguna, meskipun saya belum sempat bekerja dengannya. Berikut adalah materi tentang API tersebut.
6. Cari exoplanet layak huni berdasarkan gambar yang diambil oleh perangkat luar angkasa seperti teleskop Kepler
Dalam dekade terakhir, sejumlah besar bintang telah diselidiki untuk mengetahui keberadaan planet layak huni di sekitarnya. Analisis data manual untuk mengidentifikasi exoplanet sangat memakan waktu dan rentan terhadap kesalahan manusia. Jaringan saraf konvolusional cocok untuk memecahkan masalah dalam menemukan planet semacam itu.
- Berikut artikel tentang menemukan exoplanet menggunakan teknologi pembelajaran mesin.
- Berikut adalah siaran pers NASA tentang penggunaan teknologi kecerdasan buatan dalam pencarian exoplanet.
7. Pulihkan foto lama yang rusak
Mengembalikan foto lama itu kerja keras. Pekerjaan ini dapat difasilitasi dengan memanfaatkan teknologi pembelajaran yang mendalam. Sistem yang sesuai dapat secara otomatis mendeteksi kerusakan pada gambar (kusut, lecet, lubang) dan, dengan menggunakan algoritma rekonstruksi gambar (Inpainting), menghilangkan kerusakan, memulihkan bagian foto yang hilang.
Berikut adalah materi terkait:
- Mewarnai dan memulihkan foto lama menggunakan teknik pembelajaran mendalam .
- Panduan Rekonstruksi Gambar: Menggunakan Teknologi Pembelajaran Mesin untuk Menghilangkan Cacat Foto .
- Bagaimana memulihkan foto menggunakan pembelajaran mesin dan masih melakukannya tanpa set data tutorial .
8. Membuat Musik Menggunakan Teknologi Deep Learning
Musik adalah kumpulan suara dengan frekuensi berbeda. Dengan pemikiran ini, pembuatan musik otomatis dapat digambarkan sebagai proses menciptakan potongan-potongan musik kecil dengan campur tangan manusia yang minimal. Para profesional pembelajaran mesin berada di garis depan teknologi produksi musik komputer saat ini.
Berikut adalah beberapa materi bermanfaat tentang ini:
- Membuat musik menggunakan deep learning .
- Cara membuat musik menggunakan jaringan syaraf LSTM di Keras .
Hasil
Kami telah melihat delapan ide menjanjikan yang dapat menjadi dasar proyek yang dapat memperkaya portofolio proyek untuk AI dan praktisi pembelajaran mesin. Kami harap Anda menemukan sesuatu di antara ide-ide ini yang menginspirasi Anda.
Apakah Anda berencana untuk menerapkan salah satu gagasan di atas?
