此為 111 學年度 人工智慧導論 I & II 課程學習之紀錄
內含 Teachable Machine 影像辨識 、 Face Recognition 人臉辨識 、 監督式學習 ( kNN 、 Decision Tree ) 、非監督式學習 ( kMeans )
- 利用 Teachable Machine 進行影像辨識,蒐集 3-4 組不同類別的照片,每組各 40 張
- 調整
Epochs
以及Batch size
的值 ( Learning Rate 維持 0.001 ) 並開始訓練模型 - 系統將隨機選取 85%的圖片數當作訓練資料,15%當作測試資料
- 訓練結束後,觀察模型訓練過程的正確率與 Loss 數值資訊
- 計算每類別的測試正確率與混淆矩陣,找出最適合的模型
- 使用 Python 的 OpenCV 函式庫以及 Harr 特徵分類器人臉模型 進行人臉辨識
- 建立
CascadeClassifier
物件 - 更改
scaleFactor
、minNeighbors
、minSize/maxSize
的值找尋照片中的臉孔 - 將每個臉孔進行圖形擷取 ( 用長方形框起來 )
- 利用偵測到的人臉中範圍,再進一步偵測眼睛 / 笑容
- 更改
scaleFactor
、minNeighbors
、minSize/maxSize
的值找尋長方形中的想偵測的特徵 - 將每個特徵進行圖形擷取 ( 用長方形框起來 )
- 利用
load_wine()
資料集 - 透過
KNeighborsClassifier
及DecisionTreeClassifier
模組
- 利用
load_digits
手寫資料集 - 透過 2D 及 3D 座標圖,分析不同 K 值的結果
- 將分群結果投射於座標系統
- 訓練模型 - 更改 K 值
- 從分好的群中隨機取三群
- 將這三群的前十筆資料印出
- 將這三群的前十筆資料化成圖像觀察分類結果