الصفحة الرئيسية>المتعلقة بالبرمجة>كود الذكاء الاصطناعي
تنزيل

المهمة 1

إجمالي 20 علامة (سيتم تقليصها إلى 10 علامات)

التعرف على النشاط البشري (هار)

يشير التعرف على النشاط البشري (HAR) إلى قدرة الآلات على تحديد الأنشطة المختلفة التي يقوم بها المستخدمون. يتم دمج المعرفة المكتسبة من هذه الأنظمة/الخوارزميات في العديد من التطبيقات حيث يستخدمها الجهاز المرتبط به لتحديد الإجراءات أو الإيماءات وأداء المهام المحددة مسبقًا استجابةً.

مجموعة البيانات

نحن مهتمون بتصنيف الأنشطة البشرية على أساس بيانات مقياس التسارع. سوف نستخدم مجموعة بيانات متاحة علنًا تسمى UCI-HAR. مجموعة البيانات متاحة للتنزيل هنا. فقط للرجوع إليه ، يتوفر مقطع فيديو على YouTube للمؤلفين الذين يجمعون بيانات التسارع للمشارك هنا أيضًا.

المهمة 1: تحليل البيانات الاستكشافية (EDA) [3 علامات]

المعالجة المسبقة

سنستخدم بيانات مقياس التسارع الخام ضمن مجلد القصور الذاتي. البرنامج النصي المقدم ، CombineScript.py ، ويقوم بتنظيم وفرز بيانات مقياس التسارع ، وإنشاء فئات منفصلة لكل فئة وتجميع بيانات المشاركين في هذه الفئات. يتم استخدام البرنامج النصي MakeDataset.py لقراءة جميع بيانات المشاركين وإنشاء مجموعة بيانات واحدة. ثم يتم تقسيم مجموعة البيانات إلى مجموعة القطار والاختبار ومجموعة التحقق من الصحة. نحن نركز على أول 10 ثوان من النشاط ، وترجم إلى عينة بيانات 500 الأولية بسبب معدل أخذ العينات البالغ 50 هرتز.

  • step-1> ضع CombineScript.py و MakeDataset.py في نفس المجلد الذي يحتوي على مجموعة بيانات UCI. تأكد من أنك انتقلت إلى المجلد قبل تشغيل البرامج النصية. إذا كنت تقوم بتشغيل البرامج النصية من مجلد مختلف ، فسيتعين عليك اللعب مع المسارات في البرامج النصية لجعلها تعمل.
  • Step-2> Run CombineScript.py وتوفير مسارات لاختبار المجلدات وتدريبها في مجموعة بيانات UCI. سيؤدي ذلك إلى إنشاء مجلد يسمى Combined والذي سيحتوي على جميع البيانات من جميع المشاركين. هذه هي الطريقة التي يتم بها تنظيم معظم مجموعات البيانات. قد تواجه هياكل مجموعة بيانات مماثلة في المستقبل.
  • STEP-3> Run MakeDataset.py وتوفير المسار إلى المجلد Combined . سيؤدي ذلك إلى إنشاء مجموعة بيانات ستحتوي على مجموعة القطار والاختبار والتحقق. يمكنك استخدام مجموعة البيانات هذه لتدريب النماذج الخاصة بك.

أسئلة

  1. ارسم الشكل الموجي لبيانات عينة واحدة من كل فئة نشاط. هل يمكنك رؤية أي فرق/أوجه تشابه بين الأنشطة؟ يمكنك رسم حبكة فرعية لها 6 أعمدة لإظهار الاختلافات/أوجه التشابه بين الأنشطة. هل تعتقد أن النموذج سيكون قادرًا على تصنيف الأنشطة بناءً على البيانات؟ [0.5 علامات]
  2. هل تعتقد أننا بحاجة إلى نموذج تعلم آلي للتمييز بين الأنشطة الثابتة (وضع ، الجلوس ، الوقوف) والأنشطة الديناميكية (المشي ، Walking_downstairs ، Walking_upstairs)؟ انظر إلى التسارع الخطي $ (acc_x^2+acc_y^2+acc_z^2) $ لكل نشاط وتبرير إجابتك. [0.5 علامات]
  3. تصور البيانات باستخدام PCA. [1 علامات]
    • استخدم PCA (تحليل المكون الرئيسي) على التسارع الكلي $ (acc_x^2+acc_y^2+acc_z^2) $ لضغط أوقات التسارع إلى ميزتين ورسم مؤامرة مبعثرة لتصور فئة مختلفة من الأنشطة.
    • بعد ذلك ، استخدم TSFEL (مكتبة ميزة) لإنشاء ميزات (اختيارك التي تشعر أنها مفيدة) ثم تنفيذ PCA للحصول على ميزتين. ارسم مؤامرة مبعثرة لتصور فئة مختلفة من الأنشطة.
    • استخدم الآن الميزات التي توفرها مجموعة البيانات وأداء PCA للحصول على ميزتين. ارسم مؤامرة مبعثرة لتصور فئة مختلفة من الأنشطة.
    • قارن نتائج PCA على التسارع الكلي ، TSFEL وميزات مجموعة البيانات. ما هي الطريقة التي تعتقد أنها أفضل لتصور البيانات؟
  4. احسب مصفوفة الارتباط للميزات التي حصلت عليها TSFEL وتوفيرها في مجموعة البيانات. حدد الميزات المرتبطة بدرجة عالية مع بعضها البعض. هل هناك أي ميزات زائدة؟ [1 علامات]

المهمة 2: أشجار القرار للتعرف على النشاط البشري [3 علامات]

أسئلة

  1. استخدم مكتبة Sklearn لتدريب القرار Tress. [1.5 علامات]
    • تدريب نموذج شجرة القرار باستخدام بيانات مقياس التسارع الخام. الإبلاغ عن مصفوفة الدقة والدقة والاستدعاء والارتباك للنموذج.
    • تدريب نموذج شجرة القرار باستخدام الميزات التي حصلت عليها TSFEL. الإبلاغ عن مصفوفة الدقة والدقة والاستدعاء والارتباك للنموذج.
    • تدريب نموذج شجرة القرار باستخدام الميزات المتوفرة في مجموعة البيانات. الإبلاغ عن مصفوفة الدقة والدقة والاستدعاء والارتباك للنموذج.
    • قارن نتائج النماذج الثلاثة. أي نموذج تعتقد أنه أفضل؟
  2. تدريب شجرة القرار مع أعماق متفاوتة (2-8) باستخدام جميع الطرق 3 أعلاه 3. ارسم دقة النموذج على بيانات الاختبار مقابل عمق الشجرة. [1 علامات]
  3. هل هناك أي مشاركين/ نشطات حيث يكون أداء النموذج سيئًا؟ إذا كانت الإجابة بنعم ، فلماذا؟ [0.5 علامة]

المهمة 3: هندسة سريعة لنماذج اللغة الكبيرة (LLMS) [4 علامات]

صفر لقطة وقلة من الطلقات المطلقة:

يتضمن Prompting Zero-Shot تزويد نموذج اللغة بمطالبة أو مجموعة من الإرشادات التي تسمح له بإنشاء نص أو تنفيذ مهمة دون أي بيانات تدريب صريحة أو أمثلة عليها. من المتوقع أن يولد النموذج نصًا عالي الجودة أو يؤدي المهمة التي تعتمد بدقة على المطالبة ومعرفتها الداخلية.

يشبه التقديم القليل من الطرقة التي تقدمها صفر ، ولكنها تتضمن تزويد النموذج بعدد محدود من الأمثلة أو المطالبات ذات الصلة بمهمة أو مجموعة بيانات محددة. من المتوقع أن ينشئ النموذج نصًا عالي الجودة أو يؤدي المهمة بدقة بناءً على الأمثلة القليلة المسمى ومعرفتها الداخلية.

وصف المهمة:

لقد تم تزويدك بدفتر Python يوضح كيفية استخدام Zero-Shot و Pirace Shot مع نموذج لغة (LLM). يتضمن المثال في دفتر الملاحظات مهامًا قائمة على النص ، ولكن يمكن أيضًا تطبيق LLMs على مجموعة واسعة من المهام (يمكن للطلاب الذين تم مهزوهم بتعلم المزيد قراءته هنا وهنا).

سيتم توفير الاستعلامات في شكل بيانات مقياس التسارع المميز ويجب أن يتنبأ النموذج بالنشاط الذي تم تنفيذه.

  • تعلم الصفر : يجب أن يكون النموذج قادرًا على التنبؤ بالنشاط بناءً على بيانات مقياس التسارع دون أي بيانات تدريب صريحة أو أمثلة مصممة.
  • القليل من التعلم اللقطة : يجب أن يكون النموذج أيضًا قادرًا على التنبؤ بالنشاط بناءً على عدد محدود من الأمثلة المسمى أو المطالبات ذات الصلة بالمهمة المحددة.

أسئلة

  1. توضيح كيفية استخدام التعلم الصفري والتعلم القليلة لتصنيف الأنشطة البشرية بناءً على بيانات التسارع المميز. يوضح نوعًا ما أداء التعلم القليلة من التعلم من خلال التعلم الصفري. ما هي الطريقة التي تعمل بشكل أفضل؟ لماذا؟ [1 علامات]
  2. قارن بشكل كمي دقة التعلم القليلة مع أشجار القرار (يمكنك استخدام مجموعة فرعية من مجموعة الاختبار إذا واجهت مشكلات في الحد من معدل). ما هي الطريقة التي تعمل بشكل أفضل؟ لماذا؟ [1 علامات]
  3. ما هي القيود المفروضة على التعلم الصفري وتعلم القليل من اللقطة في سياق تصنيف الأنشطة البشرية على أساس بيانات مقياس التسارع المميز؟ [1 علامات]
  4. ما الذي يصنفه النموذج عند إعطاء مدخلات من نشاط جديد تمامًا لم يراها من قبل؟ [0.5 علامة]
  5. اختبر النموذج مع بيانات عشوائية (ضمان أن البيانات لها نفس الأبعاد ونطاق الإدخال السابق) والإبلاغ عن النتائج. [0.5 علامة]

المهمة 4: جمع البيانات في البرية [4 علامات]

وصف المهمة

لن يعتمد علامات التمرين هذه على الأرقام التي تحصل عليها ولكن على العملية التي تابعتها ، استخدم تطبيقات مثل Physics Toolbox Suite من هاتفك الذكي لجمع بياناتك بتنسيق .csv/.txt. تأكد من جمع ما لا يقل عن 15 ثانية من البيانات ، وتقليص حواف للحصول على 10 ثوان من البيانات ذات الصلة. سجل أيضًا مقطع فيديو لنفسك أثناء تسجيل البيانات. سيكون هذا الفيديو مطلوبًا في بعض المهام المستقبلية. جمع 3-5 عينات لكل فئة النشاط.

أشياء لرعاية:

  • تأكد من وضع الهاتف في نفس الموقف لجميع الأنشطة.
  • تأكد من أن الهاتف في نفس المحاذاة أثناء نشاط تغيير المحاذاة سيغير البيانات التي تم جمعها وسيؤثر على أداء النموذج.
  • تأكد من الحصول على 10s على الأقل من البيانات لكل ملف للتدريب. نظرًا لأن البيانات يتم جمعها عند 50 هرتز ، سيكون لديك 500 عينة بيانات.

أسئلة

  1. استخدم نموذج شجرة القرار المدربين على مجموعة بيانات UCI-HAR للتنبؤ بالأنشطة التي قمت بها. الإبلاغ عن مصفوفة الدقة والدقة والاستدعاء والارتباك للنموذج. لديك ثلاثة إصدار من مجموعة بيانات UCI ، يمكنك استخدام البيانات الأولية من التسارع ، ب) الميزات المميزة TSFEL ، ج) الميزات التي يقدمها المؤلف. اختر الإصدار الذي يجب استخدامه ، مع التأكد من أن بيانات الاختبار الخاصة بك تشبه بيانات التدريب الخاصة بك. كيف كان أداء النموذج؟ [1 علامات]
  2. استخدم البيانات التي جمعتها للتنبؤ بالأنشطة التي قمت بها. قرر ما إذا كان سيتم تطبيق المعالجة المسبقة والتمييز ، وإذا كان الأمر كذلك ، فاختر الطرق المناسبة. كيف كان أداء النموذج؟ [1 علامات]
  3. استخدم طريقة المطالبة القليلة باستخدام مجموعة بيانات UCI-HAR للتنبؤ بالأنشطة التي قمت بها. تأكد من أن كل من الأمثلة والاستعلام الاختبار يخضعون للمعالجة المسبقة مماثلة. كيف كان أداء النموذج؟ [1 علامات]
  4. استخدم طريقة المطالبة بضع طلقة باستخدام البيانات التي جمعتها للتنبؤ بالأنشطة التي قمت بها. اعتماد أساليب المعالجة المناسبة حسب الحاجة. كيف كان أداء النموذج؟ [1 علامات]

ملحوظة :

  1. للحصول على مفتاح API ، انتقل إلى وحدة التحكم GroqCloud Developer على https://console.groq.com/login. اتبع دليل QuickStart للحصول على مفتاح API الخاص بك.
  2. لا تشارك مفتاح API الخاص بك مع أي شخص أو اجعله علنيًا أو تحميله على أي مستودع عام مثل هذه المهمة. إذا تم العثور على المفتاح في الكود ، فسيتم معاقبتك بخصم 1.0 علامات.
  3. يُنصح إما بكتابة ملف Markdown (.md) أو استخدام دفتر Python (.ipynb) لإظهار التفكير والنتائج والنتائج.

تنفيذ شجرة القرار [6 علامات]

  1. أكمل تطبيق شجرة القرار في شجرة/قاعدة. يجب كتابة الرمز في Python وعدم استخدام المكتبات الموجودة بخلاف تلك المشتركة في الفصل أو المستوردة بالفعل في الكود. يجب أن تعمل شجرة قرارك لأربع حالات: 1) ميزات منفصلة ، والإخراج المنفصل ؛ 2) الميزات المنفصلة ، الإخراج الحقيقي ؛ 3) الميزات الحقيقية ، الإخراج المنفصل ؛ ميزات حقيقية ، إخراج حقيقي. يجب أن يقبل النموذج مدخلات حقيقية فقط (للمدخلات المنفصلة ، يمكنك تحويل السمات إلى ناقلات مشفرة واحدة). يجب أن تكون شجرة قرارك قادرة على استخدام المعلومات باستخدام الانتروبيا أو giniindex كمعايير لتقسيم الإخراج المنفصل. يجب أن تكون شجرة القرار الخاصة بك قادرة على استخدام المعلومات باستخدام MSE كمعايير لتقسيم الإخراج الحقيقي. يجب أن يكون الرمز الخاص بك قادرًا أيضًا على رسم/عرض شجرة القرار. [2.5 علامات]

    يجب أن تقوم بتحرير الملفات التالية.

    • metrics.py : أكمل وظائف مقاييس الأداء في هذا الملف.

    • usage.py : قم بتشغيل هذا الملف للتحقق من حلولك.

    • شجرة (دليل): وحدة لشجرة القرار.

      • base.py : فئة شجرة القرار الكاملة.
      • utils.py : أكمل جميع وظائف الأداة المساعدة.
      • __init__.py : لا تعدل هذا

    يجب عليك تشغيل Usage.py للتحقق من حلولك.

  2. قم بإنشاء مجموعة البيانات الخاصة بك باستخدام الأسطر التالية من التعليمات البرمجية 

     from sklearn . datasets import make_classification
X , y = make_classification (
n_features = 2 , n_redundant = 0 , n_informative = 2 , random_state = 1 , n_clusters_per_class = 2 , class_sep = 0.5 )

# For plotting
import matplotlib . pyplot as plt
plt . scatter ( X [:, 0 ], X [:, 1 ], c = y )

    أ) إظهار استخدام شجرة القرار الخاصة بك على مجموعة البيانات أعلاه. يجب استخدام أول 70 ٪ من البيانات لأغراض التدريب و 30 ٪ المتبقية لأغراض الاختبار. أظهر الدقة والدقة لكل فئة واستدعاء شجرة القرار التي قمت بتنفيذها على مجموعة بيانات الاختبار. [0.5 علامة]

    ب) استخدام 5 أضعاف التحقق من الصحة على مجموعة البيانات. باستخدام التحقق المتبادل المتداخل ، ابحث عن العمق الأمثل للشجرة. [1 علامة]

    يجب عليك تحرير classification-exp.py للرمز الذي يحتوي على التجارب المذكورة أعلاه.

  3. أ) إظهار استخدام شجرة القرار الخاصة بك لمشكلة كفاءة السيارات. [0.5 علامات]

    ب) قارن أداء النموذج الخاص بك مع وحدة شجرة القرار من Scikit Learn. [0.5 علامات]

    يجب أن تقوم بتحرير auto-efficiency.py للرمز الذي يحتوي على التجارب المذكورة أعلاه.

  4. قم بإنشاء بعض البيانات المزيفة للقيام ببعض التجارب على تعقيد وقت التشغيل لخوارزمية شجرة القرار. قم بإنشاء مجموعة بيانات مع عينات n وميزات ثنائية. تختلف m و n لرسم الوقت المستغرق ل: 1) تعلم الشجرة ، 2) التنبؤ لبيانات الاختبار. كيف تقارن هذه النتائج مع تعقيد الوقت النظري لإنشاء شجرة القرار والتنبؤ. يجب عليك القيام بالمقارنة لجميع حالات أشجار القرار الأربع. [1 علامات]

    يجب أن تقوم بتحرير experiments.py للرمز الذي يحتوي على التجارب المذكورة أعلاه.

يجب أن تجيب على أسئلة الموضوع (التصور ، تحليل التوقيت ، عرض المخططات) عن طريق إنشاء Asst#<task-name>_<Q#>.md

تعليمات Genral:

  1. أظهر نتائجك في دفتر Jupyter أو ملف MD. إذا اخترت استخدام ملف MD ، فيجب عليك أيضًا تضمين الرمز.
  2. يمكنك استخدام تطبيق Scikit-Learn لشجرة القرار للتعرف على النشاط البشري.
  3. هذه المهمة تتكون من 20 علامة وسيتم تقليصها إلى 10 علامات.
يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل