7 پروژه یادگیری ماشینی که می تواند به هر رزومه ای ارزش بیافزاید

تصویر توسط نویسنده

یادگیری از طریق انجام بهترین راه برای تسلط بر مهارت های ضروری برای تبدیل شدن به یک مهندس یادگیری ماشین است. به جای تمرکز بر مدل های طبقه بندی ساده و رگرسیون.

در این وبلاگ، ما بر روی پروژه های یادگیری ماشینی پیشرفته تمرکز خواهیم کرد که بر رزومه شما تأثیر می گذارد و استخدام کنندگان و مدیران استخدام را جذب می کند. ما در مورد پروژه های بینایی کامپیوتری، تشخیص گفتار، پیش بینی قیمت سهام، تنظیم دقیق Stable Diffusion و Llama 3، برنامه های کاربردی عامل هوش مصنوعی چند مرحله ای و یادگیری تقویتی خواهیم آموخت. همچنین با ابزارها و مفاهیم متنوع برای ساخت و بهینه سازی این پروژه ها آشنا خواهید شد.

1. شرح خودکار تصویر

زیرنویس تصویر خودکار یک پروژه جذاب است که بینایی کامپیوتری و پردازش زبان طبیعی را ترکیب می کند. هدف تولید زیرنویس های توصیفی برای تصاویر است. این پروژه از شبکه‌های عصبی کانولوشنال (CNN) برای استخراج ویژگی تصویر و شبکه‌های عصبی تکراری (RNN) برای تولید زیرنویس استفاده می‌کند. اجرای این پروژه توانایی شما را در کار با معماری های پیچیده شبکه عصبی و مدیریت داده های چندوجهی نشان می دهد.

تصویری از پروژه

2. تشخیص خودکار گفتار

سیستم های تشخیص خودکار گفتار (ASR) زبان گفتاری را به متن تبدیل می کند. اگر با زبانی کمتر رایج کار می کنید، این پروژه می تواند به ویژه چشمگیر باشد. این محبوب ترین پروژه ای است که تا به حال روی آن کار کرده ام. حتی با مراجعه به لینک می توانید خودتان متوجه شوید kingabzpro/wav2vec2-large-xls-r-300m-اردو و بررسی تعداد دانلودها

در این پروژه یاد می گیرید که هم متن و هم صدا را پردازش کنید و سپس مدل wav2vec2 را به زبان دلخواه خود تنظیم کنید. اگر به دنبال منبع کد و راهنمای آن هستید، می توانید آن را بررسی کنید kingabzpro/Urdu-ASR-SOTA مخزن DagsHub.

پس از تنظیم دقیق مدل، می‌توانید آن را در Hugging Face ذخیره کنید و سپس یک برنامه ASR بی‌درنگ برای استقرار در فضای Hugging Face بسازید، همانطور که در زیر نشان داده شده است.

3. پیش بینی قیمت سهام

پیش بینی قیمت سهام شامل پیش‌بینی قیمت‌های آتی سهام با استفاده از داده‌های تاریخی است. این پروژه را می توان با استفاده از تکنیک های مختلف یادگیری ماشین مانند تجزیه و تحلیل سری های زمانی، مدل های رگرسیون و حتی مدل های یادگیری عمیق مانند LSTM (شبکه های حافظه کوتاه مدت بلند مدت) پیاده سازی کرد. شما حتی می توانید از آنچه از این پروژه یاد گرفتید برای ساخت ربات تجاری خود با یکپارچه سازی API بورس استفاده کنید.

تصویری از پروژه

4. تنظیم دقیق Stable Diffusion XL

Stable Diffusion XL یک مدل قدرتمند برای تولید تصاویر با کیفیت بالا است. تنظیم دقیق این مدل استفاده از تکنیک هایی مانند DreamBooth و LoRA (تطبیق با رتبه پایین) می تواند به شما در ایجاد مدل های تولید تصویر سفارشی کمک کند. در این پروژه، من با استفاده از 5 تصویر خود، مدل را به دقت تنظیم کردم و نتایج شگفت انگیز است.

می‌توانید آن را روی شخصیت‌های کارتونی خاص تنظیم کنید و کتاب کمیک خود را با استفاده از هوش مصنوعی Generative طراحی کنید. این پروژه تخصص شما را در کار با مدل‌های تولیدی پیشرفته و توانایی شما در سفارشی‌سازی و بهینه‌سازی آن‌ها برای کارهای خاص نشان می‌دهد.

5. تنظیم دقیق Llama 3 و استفاده از آن به صورت محلی

آموزش ”تنظیم دقیق Llama 3 و استفاده از آن به صورت محلیپروژه تنظیم دقیق آخرین مدل منبع باز برتر، Llama 3، بر روی مجموعه داده های پزشکی را پوشش می دهد. هدف این است که یک ربات چت بسازید که در آن کاربران بتوانند سوالات خود را از یک پزشک هوش مصنوعی بپرسند.

در طول این آموزش، نحوه پردازش داده ها، استفاده از تکنیک های LoRA، بهینه سازی مدل و حافظه، سرعت بخشیدن به مدل با استفاده از GPU و استفاده از ابزارهای مختلف برای ادغام، تبدیل و کمی سازی مدل را خواهید آموخت.

در پایان مدل کوانتیزه شده را دانلود کرده و با استفاده از اپلیکیشن Jan به صورت محلی از آن استفاده خواهید کرد. این پروژه نه تنها سرگرم کننده است، بلکه یک فرصت یادگیری عالی است که از طریق آن به درک عمیقی از نحوه عیب یابی مسائل مختلف مربوط به تنظیم دقیق مدل های زبان بزرگ دست خواهید یافت.

تصویری از پروژه

6. با استفاده از LangChain یک عامل هوش مصنوعی چند مرحله ای بسازید

ساخت یک عامل هوش مصنوعی چند مرحله ای شامل ایجاد سیستمی است که می تواند یک سری وظایف را به طور مستقل انجام دهد. با استفاده از چارچوب‌هایی مانند LangChain، می‌توانید عوامل هوش مصنوعی را توسعه دهید که می‌توانند جریان‌های کاری پیچیده را مدیریت کنند.

در این پروژه، شما یک برنامه هوش مصنوعی ایجاد خواهید کرد که درخواست کاربر را برای جستجوی وب با استفاده از Tavily API می گیرد و همچنین کد پایتون را برای استفاده از داده ها تولید می کند. سپس برنامه از Python REPL برای اجرای کد و بازگرداندن تجسم درخواست شده توسط کاربر استفاده می کند. قبل از شروع پروژه، با Cohere API و ویژگی های مختلف آن آشنا خواهید شد.

اسکرین شات از پروژه

7. ساخت MLAgent برای بازی فوتبال 2v2

یادگیری تقویتی یک تکنیک قدرتمند برای آموزش عوامل برای تصمیم گیری در محیط های پیچیده است. ساخت MLAgent برای یک فوتبال 2v2 بازی شامل ایجاد یک محیط، تعریف پاداش و آموزش عوامل با استفاده از الگوریتم های یادگیری تقویتی است. Hugging Face آموزش های عملی برای چنین پروژه هایی را به عنوان بخشی از دوره DeepRL ارائه می دهد که می توانید به صورت رایگان در آنها شرکت کنید. این پروژه تخصص شما را در یادگیری تقویتی و توسعه بازی و توانایی شما در ایجاد عوامل هوشمندی که می توانند یاد بگیرند و سازگار شوند را به نمایش می گذارد.

تصویری از پروژه

نتیجه گیری

کار بر روی این پروژه های پیشرفته یادگیری ماشینی مهارت های فنی شما را افزایش می دهد و رزومه شما را برای استخدام کنندگان و مدیران استخدام برجسته می کند. هر پروژه جنبه های مختلفی از یادگیری ماشین را پوشش می دهد، از بینایی کامپیوتر و پردازش زبان طبیعی گرفته تا یادگیری تقویتی و مدل های مولد. با نشان دادن توانایی خود در مدیریت پروژه های پیچیده و مجموعه داده های متنوع، شانس خود را برای یافتن شغل یادگیری ماشینی پردرآمد به میزان قابل توجهی افزایش خواهید داد.