1. Análise do colorido emocional das mensagens nas redes sociais e a busca por sinais de depressão
De acordo com a Organização Mundial de Saúde, a depressão é um problema sério que precisa de uma solução urgente. Mais de 264 milhões de pessoas em todo o mundo sofrem de depressão. A depressão é a principal causa de deficiência no mundo e contribui significativamente para a carga global de doenças. Mais de 800.000 pessoas morrem de suicídio todos os anos devido à depressão. É a segunda causa de morte em pessoas com idades entre 15 e 29 anos. O tratamento para a depressão geralmente começa mais tarde do que o necessário; o tratamento pode ser baseado em um diagnóstico impreciso e, às vezes, nenhum tratamento para a depressão.
O fato de a Internet ter entrado firmemente na vida de uma pessoa moderna oferece à sociedade uma chance única de detectar os primeiros sinais de depressão. Isso é especialmente verdadeiro quando se encontram sinais semelhantes entre os jovens. Se falarmos apenas sobre o Twitter, verifica-se que a cada segundo os usuários dessa rede social publicam cerca de 6.000 tweets. Isso significa que cerca de 350.000 tweets são publicados por minuto, cerca de 500 milhões por dia e cerca de 200 bilhões por ano.
De acordo comPew Research Center Cerca de 72% dos adultos que usam a Internet são usuários de mídia social. Conjuntos de dados retirados de mídias sociais são importantes em muitas áreas de pesquisa. Por exemplo - no campo das ciências humanas e pesquisa médica. Atualmente, o apoio a esse tipo de pesquisa por meio da análise de dados de redes sociais ainda é incipiente, e os métodos existentes de análise desses dados são ineficazes.
Ao analisar marcadores linguísticos em postagens de mídia social, é possível criar um modelo de aprendizado profundo que pode detectar os sinais de depressão em um determinado internauta antes dos métodos tradicionais.
Aqui estão alguns materiais relacionados:
- Você é o que você tweet .
- : .
- .
2.
A ideia por trás deste projeto é gerar resumos de texto precisos de gravações de vídeo de partidas esportivas. Existem sites especializados em fornecer aos usuários informações sobre jogos. Vários modelos foram propostos com o objetivo de extrair informações sobre jogos de gravações de vídeo e apresentá-las em forma de texto. As redes neurais são as melhores nessa tarefa. “Formação de resumos de texto” normalmente significa a apresentação de informações de forma concisa, com atenção especial ao que carrega fatos e informações importantes sobre o evento.
Para resolver o problema de criar automaticamente uma descrição de jogos a partir de registros, é necessário certificar-se de que os modelos que resolvem esse problema possam reconhecer momentos especialmente importantes e emocionantes dos jogos.
Isso pode ser alcançado usando algumas técnicas de aprendizado profundo, como redes neurais convolucionais 3D (3D-CNN), redes neurais recorrentes (RNN), redes de memória de longo prazo ( LTSM ). Outros algoritmos de aprendizado de máquina, como máquinas de vetores de suporte (SVM) e k-means também são usados aqui. No decorrer da aplicação de tais algoritmos, o vídeo é dividido em partes, que são processadas usando os modelos correspondentes.
Aqui está um artigo sobre a classificação de cenas de vídeo de esportes com o objetivo de gerar resumos delas usando a tecnologia de aprendizagem por transferência.
3. Um sistema para resolver equações manuscritas com base em redes neurais convolucionais
Reconhecer expressões matemáticas manuscritas é um dos desafios que os pesquisadores de visão de máquina enfrentam. O uso de redes neurais convolucionais ( CNNs ) e algumas técnicas de processamento de imagem pode criar um sistema que pode reconhecer uma expressão matemática manuscrita . O desenvolvimento de tal sistema envolve o treinamento da rede usando conjuntos de dados apropriadamente preparados, representados por símbolos matemáticos manuscritos.
Aqui estão alguns recursos sobre este tópico:
- Um sistema para resolver equações manuscritas com base em uma rede neural convolucional .
- Um exemplo de implementação de um sistema CNN para resolver equações manuscritas .
- Visão de máquina: verifique automaticamente as folhas de resposta para tarefas de matemática .
- Converta equações manuscritas para o formato LaTeX .
4. Elaboração de relatórios resumidos sobre os materiais das reuniões de negócios utilizando tecnologias de processamento de linguagem natural
Você já se viu em uma situação em que um longo material precisa ser reduzido a uma breve sinopse? Tive que lidar com isso durante meus estudos. Ou seja, tive que gastar muito tempo preparando uma longa redação, e o professor teve tempo apenas para ler sua breve anotação, que também demorou para ser preparada.
Os mecanismos de elaboração de breves resumos de alguns materiais surgiram na tentativa de solucionar o problema da sobrecarga de informação a que está sujeito o ser moderno. Um sistema para extrair as informações mais valiosas, por exemplo, da gravação de certas negociações ou palestras, pode ser de grande valor comercial e educacional. O desenvolvimento de tal sistema pode ser abordado através da aplicação de uma análise abrangente de informações textuais relevantes para diálogos e monólogos.
É muito demorado criar manualmente um resumo de um relatório. Mas esse problema pode ser resolvido usando tecnologias de processamento de linguagem natural ( PNL ).
Para preparar uma pequena anotação do texto, você pode usar os mecanismos baseados no aprendizado profundo que podem "entender" o contexto de todo o texto. Muitos ficariam simplesmente felizes se tivessem à disposição um sistema que pudesse resolver esses problemas de maneira rápida e eficiente.
Aqui estão os artigos sobre isso:
- Um guia completo para desenvolver um sistema de abstração de texto Python usando tecnologias de aprendizado profundo .
- A maneira de entender a essência do resumo de texto e do desenvolvimento de seu próprio sistema de resumo em Python.
5. Implementação de um sistema que reconhece os rostos dos usuários, determina seu humor e oferece a música adequada
O rosto de uma pessoa reflete seu estado interior, a partir do rosto você pode entender quais emoções a pessoa está sentindo. Essas informações, por exemplo, podem ser baseadas em um sistema automático de seleção de música. O fato é que o tipo de música que as pessoas ouvem geralmente depende de seu humor. Portanto, é bastante lógico supor que um sistema que é capaz de "entender" o humor de uma pessoa e selecionar a música apropriada para ela tem futuro. As tecnologias de visão de máquina podem nos ajudar a resolver esse problema. Eles, no reconhecimento de emoções, envolvem a análise de fotografias ou videoclipes.
Já foram criadas APIs para resolver esses problemas, que considero interessantes e úteis, embora ainda não tenha tido a oportunidade de trabalhar com elas. Aqui está o material sobre essas APIs.
6. Procure por exoplanetas habitáveis com base em imagens capturadas por dispositivos espaciais, como o telescópio Kepler
Na última década, um grande número de estrelas foi investigado para a presença de planetas habitáveis ao seu redor. A análise manual de dados para detectar exoplanetas consome muito tempo e está sujeita a erros humanos. As redes neurais convolucionais são adequadas para resolver o problema de localização de tais planetas.
- Aqui está um artigo sobre como encontrar exoplanetas usando tecnologias de aprendizado de máquina.
- Aqui está um comunicado de imprensa da NASA sobre o uso de tecnologias de inteligência artificial em pesquisas de exoplanetas.
7. Recupere fotos antigas danificadas
Restaurar fotos antigas é um trabalho árduo. Este trabalho pode ser facilitado tirando proveito das tecnologias de aprendizagem profunda. O sistema correspondente pode detectar automaticamente os danos às imagens (dobras, arranhões, buracos) e, usando algoritmos de reconstrução de imagens (Inpainting), se livrar dos danos, restaurando as partes perdidas das fotos.
Aqui estão os materiais relacionados:
- Colorir e restaurar fotos antigas usando técnicas de aprendizado profundo .
- Guia de reconstrução de imagem: usando tecnologias de aprendizado de máquina para corrigir defeitos de fotos .
- Como recuperar fotos usando aprendizado de máquina e ainda fazer sem conjuntos de dados de tutoriais .
8. Fazendo música usando tecnologias de aprendizado profundo
A música é uma coleção de sons de diferentes frequências. Com isso em mente, a criação automática de música pode ser descrita como o processo de criação de pequenas peças musicais com mínima intervenção humana. Profissionais de aprendizado de máquina estão na vanguarda da tecnologia de produção de música para computador atualmente.
Aqui estão alguns materiais úteis sobre isso:
Resultado
Vimos oito ideias promissoras que podem formar a base de projetos que podem enriquecer o portfólio de projetos para o profissional de IA e aprendizado de máquina. Esperamos que você tenha encontrado algo entre essas ideias que o inspirou.
Você está planejando implementar alguma das ideias acima?
