حل كتاب الذكاء الاصطناعي ثالث ثانوي مسارات ف2 1447

.4 التعرّف على الصور

سيتعرف الطالب في هذه الوحدة على التعلم الموجـه وغـيـر المـوجـه، وكيفيـة

توظيفهما للتعرف على الصور (Image Recognition عن طريق إنشاء نموذج وتدريبه؛ ليصبح قادرا على تصنيف صور لرؤوس الحيوانات أو تجميعها. وسيتعرف أيضًـا علـى توليـد الصــور (Image Generation) وكيفيـة تغييرهـا،

أو إكمال الأجزاء الناقصة فيها مع الحفاظ على واقعيتها.

أهداف التعلم

بنهاية هذه الوحدة سيكون الطالب قادرًا على أن :

يُعالج الصور معالجة أولية ويستخلص خصائصها.

> يُدرِّب نموذج تعلم موجه خاص بتصنيف الصور.

يُعرف هيكل الشبكة العصبية.

> يُدرِّب نموذج تعلم غير موجه خاص بتجميع الصور.

يولد صورًا بناءً على توجيه نصي.

> يكمل الأجزاء الناقصة في صورة مُعطاة بطريقة واقعية.

الأدوات

> مفكرة جوبيتر (Jupyter Notebook)

> قوقل كولاب Google Colab)

ما تحديات تصنيف البيانات المرئية؟

تلميح وجّه الطلبة لاستكشاف الإجابة من خلال

الصفحة رقم 198 في كتاب الطالب.

لديك مصفوفتا قيم ،Numpy ، وهما مصفوفة X_train ومصفوفة train_ كل صف في مصفوفة X_train شكله (100،3، 100 يمثل صورة بأبعاد 100x100 وبتنسيق RGB . والصف n في المصفوفة Y_train يمثل تسمية صورة n في مصفوفة .x_train. أكمل المقطع البرمجي التالي، بحيث يُسطّح x_train ثم يُدرب النموذج MultinomialNB على مجموعة البيانات هذه

from sklearn.naive_bayes import Multinomial NB #imports the Naive Bayes Classifier from sklearn

x_train_flat = np.array ( [img.flatten() for img in X_train])

MultinomialNB() # new Naive Bayes model

y_train

) # fits model on the flat training data

X_train_flat

صف باختصار طريقة عمل الشبكات العصبية الترشيحية وإحدى مميزاتها الرئيسة

الصفحات رقم (216215) في كتاب الطالب.

model_MNB، model MNB. fit(

لديك مصفوفنا قيم ،Numpy ، وهما مصفوفة X_train ومصفوفة train_ كل صف في مصفوفة x_train شكله (100،3، 100 يمثل صورة بأبعاد 199x100 وبتنسيق RGB والصف n في المصفوفة Y_train يمثل تسمية صورة . في مصفوفة .X_train . أكمل المقطع البرمجي التالي، بحيث يطبق تحويلات المخطط التكراري للتدرجات الموجهة ثم يستخدم البيانات المحولة في تدريب نموذج :

from skimage.color import، from sklearn، preprocessing

rgb2gray # used to convert a multi-color (rgb) image to grayscale

import StandardScaler # used to scale the data

X_train_gray = np.array([ rgb2gray (img) for img in X_train]) # converts training data

np.array([hog(img) for img in X_train_gray])

X_train_hog =، scaler = StandardScaler()، X_train_hog_scaled =، scaler، MultinomialNB()، model_MNB.fit(x_train_flat_scaled، .fit_transform(x_train_hog)

اذكر بعض تحديات الشبكات العصبية الترشيحية

تلميح وجه الطلبة لاستكشاف الإجابة من خلال الصفحة

رقم 216 في كتاب الطالب.

اذكر الميزة التي تتمتع بها تقنيات التعلم غير الموجه مقارنة بتقنيات التعلم الموجه في تحليل الصور.

لديك مصفوفة قيم موحدة x_flat تشمل صورًا مسطحة، وكل صف في المصفوفة يمثل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255 . أكمل المقطع البرمجي التالي، بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من x_flat إلى خمسة عناقيد مختلفة

from، sklearn.cluster، AC =

import AgglomerativeClustering # used for agglomerative clustering

AgglomerativeClustering(linkage='ward', n_clusters = 5 )

X_norm =، x_flat / 255

# normalizes the data

AC.fit(X_norm) # applies the tool to the data

labels، = AC. pred

# gets the cluster labels

عدد بعض مزايا استخدام التعلُّم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية.

لديك مصفوفة قيم موحدة x_flat تشمل صورًا مسطحة، وكل صف في المصفوفة يمثّل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255 أكمل المقطع البرمجي التالي، بحيث يستخدم طريقة وارد ward) لإنشاء وتصوير رسم شجري للصور في هذه المصفوفة

import scipy.cluster.hierarchy as hierarchy #visualizes and supports hierarchical clustering tasks

import، matplotlib.pyplot، as plt

plt.figure() # creates a new empty figure

X_norm، method='، ward، ')، linkage_flat=hierarchy.linkage(، hierarchy. dendrogram، (linkage_flat)

plt.show() #shows the figure

صف الطريقة التي يُطبق بها التجميع بالشبكات العصبية في تحليل الصور.

الصفحة رقم (221 ، 230) في كتاب الطالب.

صف باختصار عملية رسم صورة بالاسترشاد بنص.

الصفحة رقم 236 في كتاب الطالب.

صف عملية تدريب نماذج الانتشار المستقر.

الصفحة رقم 239 في كتاب الطالب.

صف المولّد والمميز في الشبكة التوليدية التنافسية.

تلميح وجه الطلبة لاستكشاف الإجابة من خلال الصفحة رقم 239

في كتاب الطالب

استخدم أداة Diffusionpipeline من مكتبة diffusers لإنشاء صورة لحيوانك المفضل وهو يأكل طعامك المفضل. يمكنك استخدام منصة قوقل كولاب في هذه المهمة.

تلميح: الإجابة مشابهة للمثال الوارد في الصفحة رقم 240؛ ولكن

بدلًا من "صورة أسد أبيض في الغابة. " استخدم مثل: "صورة قطة

تأكل سمكة "

5 استخدم أداة StableDiffusion2Imagepipeline من مكتبة diffusers لتحويل الحيوان في الصورة المرسومة

في التدريب السابق إلى حيوان آخر من اختيارك. يمكنك استخدام منصة قوقل كولاب في هذه المهمة.

تلميح الإجابة مشابهه للمثال الوارد في الصفحة رقم 241.

.5 خوارزميات التحسين، واتخاذ القرار

سيتعرف الطالب في هذه الوحدة على عدة خوارزميات وتقنيات تساعده في إيجاد أكثر الحلول كفاءة لمشكلات التحسين المعقدة، كما سيتعلم طريقة عمل خوارزميات التحسين وخوارزميات اتخاذ القرار، وطريقة تطبيقها لحل مشكلات متعلقة بالعالم الواقعي ترتبط بتخصيص الموارد والجدولة وتحسين المسارات.

يُصنّف طرائق التحسين لمعالجة مشكلات معقدة.

يصف خوارزميات اتخاذ القرار المختلفة.

يستخدم البايثون لحل مشكلات تخصيص الموارد المتعلقة بفرق العمل.

> يحل مشكلات الجدولة باستخدام خوارزميات التحسين. > يستخدم البايثون لحل مشكلات الجدولة.

> يستخدم البرمجة الرياضية لحل مشكلات التحسين. يُعرف مشكلة حقيبة الظهر (Knapsack problem).

> يعرف مشكلة البائع المتجول (Traveling Salesman problem).

1 ما مزايا وعيوب استخدام كل من: خوارزمية القوة المفرطة والخوارزمية الاستدلالية الجشعة في حل مشكلات

التحسين ؟

تلميح: يمكنك توجيه الطلبة للرجوع إلى الصفحة رقم

252 والصفحة رقم 260 من كتاب الطالب للحصول

على الإجابة

2 حلل طريقة استخدام الخوارزميات الاستدلالية الجشعة لإيجاد الحلول المثلى في مشكلات التحسين.

تلميح: يمكنك توجيه الطلبة للرجوع إلى الصفحة رقم 253 والصفحة رقم 258 من كتاب الطالب للحصول

على الإجابة

3 أنشئ خوارزمية حلّ جشعة لتحسين مشكلة تكوين أعضاء فريق من خلال إكمال المقطع البرمجي التالي بحيث

تستخدم خوارزمية الحلّ الاستدلالية الجشعة لتكليف أعضاء الفريق بالمهمة:

def greedy_solver(problem):

worker_skills-problem['worker_skills'] # worker skills for this problem required_skills-problem [ 'required_skills'] # required skills for this problem

uncovered_required_skills required_skills، best_team=[] #best solution، uncovered_worker_skills={}

for worker_id in worker_skills:

copy

() # skills not covered

uncovered_worker_skills [worker_id] =worker_skills [worker_id]. intersection

(uncovered_required_skills)

while len(uncovered_required_skills) > 0:

best_worker_id= None # the best worker to add next

best_new_coverage-0 #number of uncovered required skills covered by the best worker for worker_id in uncovered_worker_skills: # for each worker

my_uncovered_skills-uncovered_worker_skills [worker_id]

# if this worker can cover more uncovered required skills than the best worker so far if len(my_uncovered_skills)>best_new_coverage:

best_worker_id=worker_id # makes this worker the best worker

best_new_coverage=، len

if best_worker_id != None

(my_uncovered_skills)

: # if a best worker was found

best team. append (best_worker_id) #adds the worker to the solution

#removes the best worker's skills from the skills to be covered

uncovered_required_skills-uncovered_required_skills - uncovered_، worker_skills [best_worker_id]

# for each worker

for worker_id in uncovered_worker_skills:

# remembers only the required uncovered skills that this worker has

uncovered_worker_skills [worker_id] = uncovered_worker_

intersection، skills[worker_id]

else: #no best worker has been found and some required skills are still uncovered

return

#no solution could be found

return best team

اذكر ثلاث مشكلات تحسين مُختلفة من العالم الواقعي، وفي كل مشكلة:

. اضرب مثالا على دالة موضوعية.

. اضرب مثالين على القيود إن وجدَتْ.

تلميح

يمكنك توجيه الطلبة للرجوع إلى الصفحة رقم

250 من كتاب الطالب للحصول على الإجابة.

5 إذا قمت بزيادة عدد العمال في خوارزمية القوة المفرطة، كيف يؤثر ذلك على المشكلة من حيث عدد الحلول والزمن

الحسابي؟

258 من كتاب الطالب للحصول على الإجابة.

صف استراتيجيتين مختلفتين (مبادلة، انعكاس، تحويل، إلخ) لأسلوب البحث المحلي لحل مشكلة التباطؤ الموزون

للآلة الواحدة