Autoencoder لضغط وإعادة بناء الصور
بناء Autoencoder لضغط الصور وإزالة التشويش منها
مقدمة المشروع
في هذا المشروع العملي، ستتعلم كيفية بناء autoencoder لضغط الصور وإزالة التشويش منها. هذا المشروع مصمم خصيصاً لمستوى متوسطويستغرق تقريباً 2 أسبوع لإكماله بشكل كامل.
سنتبع منهجية CRISP-DM (Cross-Industry Standard Process for Data Mining) المعترف بها عالمياً، والتي تضمن بناء مشروع احترافي قابل للتطبيق في بيئة الإنتاج.
ماذا ستتعلم؟
خطوات العمل التفصيلية
اتبع هذه الخطوات الست لبناء مشروع احترافي
Business Understanding
فهم المشكلة
تحديد الأهداف والمتطلبات من منظور الأعمال
الخطوات العملية:
ضغط البيانات وإزالة التشويش
Data Understanding
فهم البيانات
جمع البيانات الأولية والتعرف عليها وتحديد جودتها
الخطوات العملية:
استخدام MNIST أو Fashion-MNIST
Data Preparation
تحضير البيانات
تنظيف وتحويل البيانات لتكون جاهزة للنمذجة
الخطوات العملية:
إضافة Gaussian Noise للصور
Modeling
بناء النموذج
اختيار وتطبيق تقنيات النمذجة المناسبة
الخطوات العملية:
بناء Encoder + Bottleneck + Decoder
Evaluation
التقييم
تقييم النموذج والتأكد من تحقيق الأهداف
الخطوات العملية:
مقارنة الصور الأصلية بالمُعاد بناؤها
Deployment
النشر
نشر النموذج في بيئة الإنتاج
الخطوات العملية:
نظام لإزالة التشويش من الصور