1. Analyse de la coloration émotionnelle des messages sur les réseaux sociaux et recherche de signes de dépression
Selon l' Organisation mondiale de la santé, la dépression est un problème grave qui nécessite une solution urgente. Plus de 264 millions de personnes dans le monde souffrent de dépression. La dépression est la principale cause d'incapacité dans le monde et contribue de manière significative à la charge mondiale de morbidité. En raison de la dépression, plus de 800 000 personnes meurent chaque année du suicide dans le monde. C'est la deuxième cause de décès chez les personnes âgées de 15 à 29 ans. Le traitement de la dépression commence souvent plus tard que nécessaire, le traitement peut être basé sur un diagnostic inexact et parfois la dépression n'est pas du tout traitée.
Le fait qu'Internet soit fermement entré dans la vie d'une personne moderne donne à la société une chance unique de détecter les premiers signes de dépression. Cela est particulièrement vrai de la découverte de signes similaires chez les jeunes. Si nous ne parlons que de Twitter, il s'avère que les utilisateurs de ce réseau social publient environ 6000 tweets par seconde. Cela signifie qu'environ 350 000 tweets sont publiés par minute, environ 500 millions par jour et environ 200 milliards par an.
selon laPew Research Center Environ 72% des adultes qui utilisent Internet sont des utilisateurs de médias sociaux. Les ensembles de données tirés des médias sociaux sont importants dans de nombreux domaines de recherche. Par exemple - dans le domaine des sciences humaines et de la recherche médicale. De nos jours, le soutien à de telles recherches par l'analyse des données des réseaux sociaux n'en est qu'à ses débuts et les méthodes existantes d'analyse de ces données sont inefficaces.
En analysant les marqueurs linguistiques dans les publications sur les réseaux sociaux, il est possible de créer un modèle d'apprentissage en profondeur capable de détecter les signes de dépression chez un internaute particulier plus tôt que les méthodes traditionnelles.
Voici quelques documents connexes:
2.
L'idée derrière ce projet est de générer des résumés textuels précis à partir d'enregistrements vidéo de matchs sportifs. Il existe des sites spécialisés dans la fourniture d'informations aux utilisateurs sur les correspondances. Divers modèles ont été proposés visant à extraire des informations sur les correspondances à partir d'enregistrements vidéo et à les présenter sous forme de texte. Les réseaux de neurones sont les meilleurs dans cette tâche. «Formation de résumés textuels» signifie généralement la présentation d'informations sous une forme concise, avec une attention particulière à ce qui contient des faits et des informations importantes sur l'événement.
Pour résoudre le problème de la création automatique d'une description de jeux à partir d'enregistrements, il est nécessaire de s'assurer que les modèles résolvant ce problème pourraient reconnaître des moments de jeux particulièrement importants et passionnants.
Ceci peut être réalisé en utilisant certaines techniques d'apprentissage en profondeur telles que les réseaux de neurones convolutifs 3D (3D-CNN), les réseaux de neurones récurrents (RNN), les réseaux de mémoire à long terme ( LTSM ). D'autres algorithmes d'apprentissage automatique tels que les machines vectorielles de support (SVM) et les k-means sont également utilisés ici. Au cours de l'application de ces algorithmes, la vidéo est divisée en parties, qui sont traitées à l'aide des modèles correspondants.
Voici un article sur la classification des scènes vidéo sportives dans le but d'en générer des résumés à l'aide de la technologie d'apprentissage par transfert.
3. Un système de résolution d'équations manuscrites basé sur des réseaux de neurones convolutifs
Reconnaître les expressions mathématiques manuscrites est l'un des défis difficiles auxquels sont confrontés les chercheurs en vision industrielle. L'utilisation de réseaux de neurones convolutifs ( CNN ) et de certaines techniques de traitement d'image peut créer un système capable de reconnaître une expression mathématique manuscrite . Le développement d'un tel système implique la formation du réseau en utilisant des ensembles de données correctement préparés, représentés par des symboles mathématiques manuscrits.
Voici quelques ressources sur ce sujet:
- Un système pour résoudre des équations manuscrites basées sur un réseau neuronal convolutif .
- Un exemple d'implémentation d'un système CNN pour résoudre des équations manuscrites .
- Vision industrielle: vérifiez automatiquement les feuilles de réponses pour les devoirs de mathématiques .
- Convertissez les Ă©quations manuscrites au format LaTeX .
4. Élaboration de brefs rapports sur le matériel des réunions d’affaires en utilisant les technologies de traitement du langage naturel
Vous êtes-vous déjà retrouvé dans une situation où un long matériau doit être réduit à un court synopsis? J'ai dû faire face à cela pendant mes études. À savoir, j'ai dû passer beaucoup de temps à préparer un long essai, et le professeur n'a eu le temps que de lire sa brève annotation, qui a également pris du temps à préparer.
Les mécanismes de préparation de brefs résumés sur certains matériaux ont vu le jour pour tenter de résoudre le problème de la surcharge d'informations auquel une personne moderne est soumise. Un système pour extraire les informations les plus précieuses, par exemple de l'enregistrement de certaines négociations ou conférences, peut être d'une grande valeur commerciale et éducative. Le développement d'un tel système peut être abordé en appliquant une analyse complète des informations textuelles pertinentes pour les dialogues et les monologues.
La création manuelle d'un résumé d'un rapport prend beaucoup de temps. Mais ce problème peut être résolu en utilisant les technologies de traitement du langage naturel ( NLP ).
Pour préparer une courte annotation du texte, vous pouvez utiliser des mécanismes d'apprentissage en profondeur qui peuvent «comprendre» le contexte de l'ensemble du texte. Beaucoup seraient simplement heureux s'ils disposaient d'un système capable de résoudre rapidement et efficacement de tels problèmes.
Voici quelques articles Ă ce sujet:
- Un guide complet pour développer un système de résumé de texte Python à l'aide de technologies d'apprentissage en profondeur .
- La façon de comprendre l'essence de la synthèse de texte et le développement de votre propre système de synthèse en Python.
5. Mise en place d'un système qui reconnaît les visages des utilisateurs, détermine leur humeur et leur propose la musique appropriée
Le visage d'une personne reflète son état intérieur, à partir du visage, vous pouvez comprendre quelles émotions une personne éprouve. Ces informations, par exemple, peuvent être basées sur un système de sélection automatique de musique. Le fait est que le genre de musique que les gens écoutent dépend souvent de leur humeur. Par conséquent, il est tout à fait logique de supposer qu'un système capable de «comprendre» l'humeur d'une personne et de sélectionner la musique qui lui convient a un avenir. Les technologies de vision industrielle peuvent nous aider à résoudre ce problème. Ils, dans la reconnaissance des émotions, impliquent l'analyse de photographies ou de clips vidéo.
Des API ont déjà été créées pour résoudre de tels problèmes, ce que je trouve intéressant et utile, même si je n'ai pas encore eu la chance de travailler avec eux. Voici le matériel sur ces API.
6. Recherche d'exoplanètes habitables à partir d'images capturées par des appareils spatiaux tels que le télescope Kepler
Au cours de la dernière décennie, un grand nombre d'étoiles ont été étudiées pour la présence de planètes habitables autour d'elles. L'analyse manuelle des données pour identifier les exoplanètes prend beaucoup de temps et est sujette à l'erreur humaine. Les réseaux de neurones convolutifs sont bien adaptés pour résoudre le problème de la recherche de telles planètes.
- Voici un article sur la recherche d'exoplanètes à l'aide des technologies d'apprentissage automatique.
- Voici un communiqué de presse de la NASA sur l'utilisation des technologies d'intelligence artificielle dans les recherches d'exoplanètes.
7. Récupérez les anciennes photos endommagées
La restauration de vieilles photos est un travail difficile. Ce travail peut être facilité en tirant parti des technologies d'apprentissage en profondeur. Le système correspondant peut détecter automatiquement les dommages aux images (plis, éraflures, trous) et, à l'aide d'algorithmes de reconstruction d'image (Inpainting), se débarrasser des dommages, en restaurant les parties perdues des photos.
Voici les matériaux associés:
- Coloration et restauration de vieilles photos Ă l'aide de techniques d'apprentissage en profondeur .
- Guide de reconstruction d'image: Utilisation des technologies d'apprentissage automatique pour éliminer les défauts de photo .
- Comment récupérer des photos à l'aide de l'apprentissage automatique et toujours se passer des jeux de données du didacticiel .
8. Faire de la musique Ă l'aide des technologies d'apprentissage en profondeur
La musique est une collection de sons de différentes fréquences. Dans cet esprit, la création automatique de musique peut être décrite comme le processus de création de petits morceaux de musique avec une intervention humaine minimale. Les professionnels de l'apprentissage automatique sont à la pointe de la technologie de production musicale par ordinateur ces jours-ci.
Voici quelques documents utiles Ă ce sujet:
- Faire de la musique en utilisant l'apprentissage en profondeur .
- Comment faire de la musique en utilisant le réseau neuronal LSTM dans Keras .
RĂ©sultat
Nous avons examiné huit idées prometteuses qui peuvent former la base de projets pouvant enrichir le portefeuille de projets pour le praticien de l'IA et de l'apprentissage automatique. Nous espérons que vous avez trouvé parmi ces idées quelque chose qui vous a inspiré.
Envisagez-vous de mettre en œuvre l'une des idées ci-dessus?
