نظام متكامل للتعلم العميق وتحسين أداء النماذج (Deep Learning Pipeline & Optimization)

مشروع جماعي متقدم يغطي دورة حياة نماذج التعلم العميق (Deep Learning Lifecycle) بالكامل لتصنيف الصور. يهدف المشروع إلى مقارنة وبناء نماذج الذكاء الاصطناعي بطرق متعددة، بدءاً من البرمجة الرياضية من الصفر، وصولاً إلى استخدام أطر العمل المتقدمة، مع دمج خوارزميات البحث لتحسين أداء النماذج (Optimization).

دوري في المشروع (تطوير النماذج وتصوير البيانات):

توليت مسؤولية تصميم وتطوير هياكل الشبكات العصبية المتقدمة باستخدام TensorFlow و Keras، وتدريبها على البيانات المستخرجة. كما قمت ببناء نظام برمجي متكامل لتصوير البيانات والنتائج (Data Visualization) باستخدام Matplotlib، لتتبع وتحليل أداء النماذج (معدلات الخسارة والدقة) خلال فترات التدريب والاختبار واستخراج رؤى واضحة لتوجيه مسار المشروع.

أبرز التقنيات والمهام التي شملها المشروع ككل:

هندسة الخصائص (Feature Engineering): تطبيق تقنية نقل التعلم (Transfer Learning) باستخدام نموذج VGG16 المُدرب مسبقاً لاستخراج الخصائص المعقدة من الصور بعد معالجتها وتغيير أبعادها.

البرمجة من الصفر (From-Scratch NN): برمجة شبكة عصبية بالكامل باستخدام الجبر الخطي ومكتبة NumPy لفهم العمليات الرياضية المعقدة (الانتشار الأمامي والخلفي).

خوارزميات تحسين الأداء (Hyperparameter Optimization): تصميم وتطبيق خوارزميات بحث ذكية مثل Grid Search و Hill Climbing لاختبار مئات المجموعات من المعاملات (عدد الطبقات، الخلايا، معدل التعلم، وغيرها) للوصول آلياً إلى أفضل دقة ممكنة للنموذج.