ניתוח רכיבים עיקריים: 4 שלבים

2024 מְחַבֵּר: John Day | [email protected]. שונה לאחרונה: 2024-01-30 09:15

ניתוח רכיבים עיקריים היא שיטה סטטיסטית הממירה קבוצה של משתנים המתואמים אולי לקבוצת ערכים בלתי מתואמים לינארית באמצעות טרנספורמציות אורתוגונליות. במילים פשוטות בהנתן מערך נתונים עם מספר ממדים, הוא עוזר לצמצם את מספר הממדים ומכאן שהנתונים יהיו קלים יותר לקריאה.

שלב 1: תוכניות מקוריות

נכנסתי לשיעור הזה עם הרעיון שאני רוצה להבין ובתקווה לכתוב אלגוריתם שיוכל לבצע זיהוי פנים כשהוא מסופק עם תמונות. לא היה לי ניסיון קודם או ידע על שום דבר שקשור לזיהוי פנים ולא היה לי מושג כמה קשה להשיג דבר כזה. לאחר שדיברתי עם פרופסור מאלוך הבנתי שעלי ללמוד הרבה דברים לפני שאוכל להבין היטב את המשימה שתכננתי בסופו של דבר להשיג.

לאחר קצת מחקר, החלטתי לבסוף שיותר מהכל אני צריך ללמוד אלגברה לינארית וכמה יסודות של למידת מכונה והתמקמתי ב- PCA (ניתוח רכיבים עיקריים) כמטרה שלי לשיעור זה.

שלב 2: מחקר

השלב הראשון היה לבקר בספרייה ולמצוא כל ספר שהכיר לי למידת מכונה וליתר דיוק עיבוד תמונות. התברר שזה הרבה יותר קשה ממה שחשבתי ובסוף לא יצא לי מזה הרבה. לאחר מכן החלטתי לשאול חבר שעבד במעבדת החזון שביקש ממני לבדוק אלגברה לינארית וליתר דיוק וקטורים עציים וערכים עצמיים. היה לי ניסיון כלשהו באלגברה לינארית מכיתה שלמדתי בשנה השנייה, אך לא הבנתי כיצד וקטורים או הערכים העצמיים יכולים להיות שימושיים בהתמודדות עם דימויים. ככל שחקרתי יותר הבנתי שתמונות אינן אלא מערכי נתונים ענקיים ולכן ניתן להתייחס אליהן כמטריצות וזה התברר לי קצת יותר מדוע וקטורים עצמיים רלוונטיים למה שאני עושה. בשלב זה, החלטתי שעלי ללמוד כיצד לקרוא תמונות באמצעות פייתון מכיוון שאני עומד להשתמש בפייתון לפרויקט שלי. בהתחלה התחלתי להשתמש ב- CV2.imread כדי לקרוא את התמונות אבל זה התברר ממש איטי ומכאן שהחלטתי להשתמש ב- glob וב- PIL.image.open כדי לעשות זאת מכיוון שזה הרבה יותר מהיר. תהליך זה על הנייר נראה יחסית לא זמן רב, אך למעשה לקח זמן רב מכיוון שהייתי צריך ללמוד כיצד להתקין ולייבא ספריות שונות ל- PyCharm (IDE) ולאחר מכן לקרוא את התיעוד המקוון עבור כל ספרייה. בתהליך זה למדתי גם כיצד להשתמש בהצהרות התקנת pip בשורת הפקודה.

לאחר מכן, השלב הבא היה להבין מה בדיוק אני רוצה לעשות וללמוד בעיבוד תמונות ובהתחלה, תכננתי לעשות התאמת תבניות, אך תוך כדי מחקר על זה למדתי על PCA ומצאתי שזה יותר מעניין אז החלטתי לך עם PCA במקום זאת. המונח הראשון שהמשיך לצוץ היה האלגוריתם K-NN (K- השכן הקרוב). זו הייתה החשיפה הראשונה שלי אי פעם לאלגוריתם למידת מכונה. למדתי על נתוני האימון והבדיקה ומה משמעות ה'הכשרה 'של אלגוריתם. הבנת האלגוריתם K-NN הייתה גם מאתגרת אך היה מאוד מספק להבין סוף סוף כיצד הוא פועל. כרגע אני עובד על הצורך של קוד K-NN ואני קרוב מאוד להשלמה.

שלב 3: קשיים ומתמודדים עם לקחים

הקושי הגדול הראשון היה היקף הפרויקט עצמו. זה היה יותר מכוון מחקר מאשר פיזי. ככל שהשבועות חלפו לפעמים הייתי מסתכלת על ההתקדמות שחבריהם מתקדמים ומרגישה שאני לא עושה מספיק או שאני לא מתקדמת מספיק מהר וזה לפעמים מאוד מניע. לדבר עם פרופסור מאלוך ורק להרגיע את עצמי שאני אכן לומד דברים שהם חדשים לי מאוד עזר לי להמשיך. בעיה נוספת הייתה שידיעת דברים תיאורטיים ויישום זה שני דברים שונים. למרות שידעתי מה עלי לעשות, למעשה קידודו בפייתון היה סיפור אחר. כאן רק קריאת תיעודים באינטרנט ושאלת חברים שידעו על זה יותר עזר מאוד להבין סוף סוף תוכנית פעולה.

אני אישית חושב שספריית ספרים ומסמכים גדולה יותר ב- M5 יכולה לעזור לאנשים שעובדים על פרויקטים. גם רישום דיגיטלי בזמן אמת של הפרויקטים שנעשים על ידי סטודנטים, כך שתלמידים ואנשי צוות אחרים יכולים להסתכל על זה ולהיות מעורבים אם זה מעניין אותם זה רעיון טוב עבור M5.

כשהפרויקט מסתיים למדתי כל כך הרבה בפרק זמן כל כך קצר. צברתי ידע עובד מאוד על למידת מכונה ומרגיש שעשיתי את הצעדים הראשונים כדי להיות מעורב יותר בזה. הבנתי שאני אוהב ראייה ממוחשבת ושאולי ארצה להמשיך את זה אפילו בעתיד. והכי חשוב למדתי מהי PCA, מדוע היא כה חשובה וכיצד ניתן להשתמש בה.

שלב 4: השלבים הבאים

בשבילי, זה היה רק גירוד על פני השטח של משהו הרבה יותר רחב ומשהו שהוא מאוד חשוב בעולם של היום, כלומר למידת מכונה. אני מתכוון לקחת קורסים הקשורים ללמידת מכונות בעתיד הקרוב. אני גם מתכנן לבנות את הדרך לזיהוי פנים מכיוון שכאן התחיל כל הפרויקט הזה. יש לי גם רעיונות למערכת אבטחה שמשתמשת בתכונות שילוב (אחת מהן היא הפנים של האדם) כדי להפוך אותה לאבטחה באמת וזה משהו שאני רוצה לעבוד עליו בעתיד כשיש לי הבנה רחבה יותר של הדברים.

לכל אחד כמוני המעוניין בלימוד מכונות ועיבוד תמונות אך אין לו ניסיון קודם, אני ממליץ בחום ללמוד ולהבין אלגברה לינארית יחד עם סטטיסטיקות (במיוחד הפצות). שנית הייתי מציע לקרוא זיהוי תבניות ולמידת מכונה מאת כריסטופר מ. בישופ. ספר זה עזר לי להבין את היסודות של מה אני נכנס אליו והוא בנוי היטב.