تطوير نظام ذكي للتعرف على الأرقام المكتوبة بخط اليد وتحليل استقرارية النماذج

مشروع بحثي وتطبيقي يركز على بناء وتدريب شبكات عصبية اصطناعية (ANN) وتلافيفية (CNN) باستخدام إطار عمل TensorFlow/Keras، مع إجراء دراسة تحليلية معمقة لعوامل تحسين الأداء (Optimization) والتعميم (Generalization). يتضمن المشروع:

هندسة النماذج (Model Architecture): تصميم شبكات عصبية متتابعة (Sequential Models) مع دمج طبقات التلافيف (Convolutional Layers) لاستخلاص الميزات المكانية للأرقام.

تحليل استراتيجيات التحسين (Optimization Analysis): إجراء مقارنة عملية بين المصنفات المختلفة (مثل Adam, SGD, AdamW) ودراسة كيفية ملاحة كل منها في مساحة الخسارة (Loss Landscape) لتحقيق أسرع تقارب (Convergence).

مكافحة فرط التخصيص (Regularization Techniques): تطبيق تقنيات متقدمة لضمان قدرة النموذج على التعميم، بما في ذلك:

استخدام Dropout لكسر التكيف المشترك بين الخلايا العصبية.

تطبيق L2 Regularization (التحلل الوزني) للحد من تعقد الأوزان.

تفعيل EarlyStopping لإيقاف التدريب عند الوصول لنقطة الأداء المثلى على بيانات التحقق.

اختبار القدرة على التعميم (Generalization Test): اختبار النموذج باستخدام صور خارجية (تم رسمها يدوياً) لتقييم كفاءة "تمثيل الميزات" (Representation Learning) خارج نطاق بيانات التدريب التقليدية.

تحليل ديناميكيات التدريب: دراسة تأثير حجم الدفعة (Batch Size) على ضجيج الاشتقاق (Gradient Noise) ودور وظائف التنشيط (مثل ReLU, GELU, Tanh) في تدفق الإشارات داخل الشبكة.