/Introducion-To-Artificial-Intelligence

課程學習成果 - 人工智慧導論

Primary LanguagePython

人工智慧導論

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 )

Teachable Machine 影像辨識

實作方式

  1. 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
  2. 調整 Epochs 以及 Batch size 的值 ( Learning Rate 維持 0.001 ) 並開始訓練模型
  3. 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
  4. 訓練結束後，觀察模型訓練過程的正確率與 Loss 數值資訊
  5. 計算每類別的測試正確率與混淆矩陣，找出最適合的模型

Face Recognition 人臉辨識

實作方式

  1. 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
  2. 建立 CascadeClassifier 物件
  3. 更改 scaleFactor、minNeighbors、minSize/maxSize 的值找尋照片中的臉孔
  4. 將每個臉孔進行圖形擷取 ( 用長方形框起來 )
  5. 利用偵測到的人臉中範圍，再進一步偵測眼睛 / 笑容
  6. 更改 scaleFactor、minNeighbors、minSize/maxSize 的值找尋長方形中的想偵測的特徵
  7. 將每個特徵進行圖形擷取 ( 用長方形框起來 )

監督式學習 ( kNN 、 Decision Tree )

實作方式

  1. 利用 load_wine() 資料集
  2. 透過 KNeighborsClassifier 及 DecisionTreeClassifier 模組

非監督式學習 ( kMeans )

實作方式

  1. 利用 load_digits 手寫資料集
  2. 透過 2D 及 3D 座標圖，分析不同 K 值的結果

訓練與驗證方式

  1. 將分群結果投射於座標系統
  2. 訓練模型 - 更改 K 值
  3. 從分好的群中隨機取三群
  4. 將這三群的前十筆資料印出
  5. 將這三群的前十筆資料化成圖像觀察分類結果