1. Análisis de la coloración emocional de los mensajes en las redes sociales y la búsqueda de signos de depresión
Según la Organización Mundial de la Salud, la depresión es un problema grave que necesita una solución urgente. Más de 264 millones de personas en todo el mundo sufren depresión. La depresión es la principal causa de discapacidad en el mundo y contribuye significativamente a la carga mundial de morbilidad. Más de 800.000 personas se suicidan cada año debido a la depresión. Es la segunda causa principal de muerte entre las personas de 15 a 29 años. El tratamiento para la depresión a menudo comienza más tarde de lo necesario, el tratamiento puede basarse en un diagnóstico inexacto y, a veces, la depresión no se trata en absoluto.
El hecho de que Internet haya entrado firmemente en la vida de una persona moderna le da a la sociedad una oportunidad única de detectar los primeros signos de depresión. Esto es especialmente cierto al encontrar signos similares entre los jóvenes. Si hablamos solo de Twitter, resulta que cada segundo los usuarios de esta red social publican unos 6.000 tweets. Esto significa que se publican unos 350.000 tweets por minuto, unos 500 millones por día y unos 200.000 millones por año.
de acuerdo aPew Research Center Aproximadamente el 72% de los adultos que utilizan Internet son usuarios de redes sociales. Los conjuntos de datos tomados de las redes sociales son importantes en muchas áreas de investigación. Por ejemplo, en el campo de las ciencias humanas y la investigación médica. En estos días, el apoyo para dicha investigación a través del análisis de datos de las redes sociales está en su infancia, y los métodos existentes para analizar dichos datos son ineficaces.
Al analizar los marcadores lingüísticos en las publicaciones de las redes sociales, se puede crear un modelo de aprendizaje profundo que puede detectar signos de depresión en un internauta en particular antes que los métodos tradicionales.
A continuación se muestran algunos materiales relacionados:
- Eres lo que tuiteas .
- : .
- .
2.
La idea detrás de este proyecto es generar resúmenes de texto precisos a partir de grabaciones de video de partidos deportivos. Hay sitios que se especializan en proporcionar a los usuarios información sobre coincidencias. Se han propuesto varios modelos destinados a extraer información sobre coincidencias de grabaciones de vídeo y presentarla en forma de texto. Las redes neuronales son las mejores en esta tarea. "Formación de resúmenes de texto" generalmente significa la presentación de información en forma concisa, con especial atención a lo que contiene hechos e información importante sobre el evento.
Para resolver el problema de crear automáticamente una descripción de juegos a partir de registros, es necesario asegurarse de que los modelos que resuelven este problema puedan reconocer momentos de juegos especialmente importantes y emocionantes.
Esto se puede lograr mediante el uso de algunas técnicas de aprendizaje profundo como las redes neuronales convolucionales 3D (3D-CNN), las redes neuronales recurrentes (RNN), las redes de memoria a largo plazo a corto plazo ( LTSM ). Aquí también se utilizan otros algoritmos de aprendizaje automático, como máquinas de vectores de soporte (SVM) y k-means. En el curso de la aplicación de dichos algoritmos, el video se divide en partes, que se procesan utilizando los modelos correspondientes.
A continuación se incluye un artículo sobre la clasificación de escenas de videos deportivos con el propósito de generar resúmenes de las mismas utilizando tecnología de aprendizaje por transferencia.
3. Un sistema para resolver ecuaciones escritas a mano basado en redes neuronales convolucionales.
Reconocer expresiones matemáticas escritas a mano es uno de los desafíos que enfrentan los investigadores de visión artificial. El uso de redes neuronales convolucionales ( CNN ) y algunas técnicas de procesamiento de imágenes puede crear un sistema que pueda reconocer una expresión matemática escrita a mano . El desarrollo de un sistema de este tipo implica entrenar a la red utilizando conjuntos de datos preparados adecuadamente, representados por símbolos matemáticos escritos a mano.
A continuación, se muestran algunos recursos sobre este tema:
- Un sistema para resolver ecuaciones escritas a mano basado en una red neuronal convolucional .
- Un ejemplo de implementación de un sistema CNN para resolver ecuaciones escritas a mano .
- Visión artificial: verificación automática de hojas de respuestas para tareas de matemáticas .
- Convierta ecuaciones escritas a mano a formato LaTeX .
4. Elaboración de informes breves sobre los materiales de las reuniones de negocios utilizando tecnologías de procesamiento del lenguaje natural.
¿Alguna vez te has encontrado en una situación en la que un material extenso necesita reducirse a una breve sinopsis? Tuve que lidiar con esto durante mis estudios. Es decir, tuve que dedicar mucho tiempo a preparar un ensayo largo, y el maestro solo tuvo tiempo para leer su breve anotación, que también tomó tiempo para prepararse.
Los mecanismos para la elaboración de breves resúmenes sobre algunos materiales surgieron como un intento de resolver el problema de la sobrecarga de información al que está sujeta una persona moderna. Un sistema para extraer la información más valiosa, por ejemplo, de la grabación de determinadas negociaciones o conferencias, puede ser de gran valor comercial y educativo. El desarrollo de un sistema de este tipo puede abordarse aplicando un análisis exhaustivo de la información textual relevante para los diálogos y monólogos.
La creación manual de un resumen de un informe lleva mucho tiempo. Pero este problema se puede resolver utilizando tecnologías de procesamiento del lenguaje natural ( NLP ).
Para preparar una breve anotación del texto, puede utilizar los mecanismos basados en el aprendizaje profundo que pueden "comprender" el contexto de todo el texto. Muchos estarían simplemente felices si tuvieran un sistema a su disposición que pudiera resolver estos problemas de manera rápida y eficiente.
Aquí hay algunos artículos al respecto:
- Una guía completa para desarrollar un sistema de abstracción de texto en Python utilizando tecnologías de aprendizaje profundo .
- La forma de comprender la esencia del resumen de texto y el desarrollo de su propio sistema de resumen en Python.
5. Implementación de un sistema que reconoce los rostros de los usuarios, determina su estado de ánimo y les ofrece la música adecuada
El rostro de una persona refleja su estado interior, desde el rostro se puede comprender qué emociones está experimentando una persona. Esta información, por ejemplo, puede basarse en un sistema automático de selección de música. El hecho es que el tipo de música que escucha la gente depende a menudo de su estado de ánimo. Por lo tanto, es bastante lógico suponer que un sistema capaz de "comprender" el estado de ánimo de una persona y seleccionar la música adecuada para él tiene futuro. Las tecnologías de visión artificial pueden ayudarnos a resolver este problema. Ellos, en el reconocimiento de emociones, involucran el análisis de fotografías o videoclips.
Ya se han creado API para resolver este tipo de problemas, lo que me parece interesante y útil, aunque todavía no he tenido la oportunidad de trabajar con ellos. Aquí está el material sobre dichas API.
6. Busque exoplanetas habitables a partir de imágenes capturadas por dispositivos espaciales como el telescopio Kepler.
En la última década, se ha investigado una gran cantidad de estrellas para detectar la presencia de planetas habitables a su alrededor. El análisis manual de datos para identificar exoplanetas requiere mucho tiempo y es propenso a errores humanos. Las redes neuronales convolucionales son adecuadas para resolver el problema de encontrar tales planetas.
- Aquí hay un artículo sobre cómo encontrar exoplanetas utilizando tecnologías de aprendizaje automático.
- Aquí hay un comunicado de prensa de la NASA sobre el uso de tecnologías de inteligencia artificial en búsquedas de exoplanetas.
7. Recupera fotos antiguas dañadas
Restaurar fotos antiguas es un trabajo duro. Este trabajo se puede facilitar aprovechando las tecnologías de aprendizaje profundo. El sistema correspondiente puede detectar automáticamente daños en las imágenes (dobleces, rayones, agujeros) y, utilizando algoritmos de reconstrucción de imágenes (Inpainting), deshacerse del daño, restaurando las partes perdidas de las fotos.
Aquí están los materiales relacionados:
- Colorear y restaurar fotos antiguas utilizando técnicas de aprendizaje profundo .
- Guía de reconstrucción de imágenes: uso de tecnologías de aprendizaje automático para eliminar fotodefectos .
- Cómo recuperar fotos usando la máquina de aprendizaje y todavía prescindir de los conjuntos de datos de tutorial .
8. Hacer música con tecnologías de aprendizaje profundo
La música es una colección de sonidos de diferentes frecuencias. Teniendo esto en cuenta, la creación musical automática puede describirse como el proceso de creación de pequeñas piezas musicales con una mínima intervención humana. Los profesionales del aprendizaje automático están a la vanguardia de la tecnología de producción musical por computadora en estos días.
Aquí hay un par de materiales útiles sobre esto:
- Hacer música mediante el aprendizaje profundo .
- Cómo hacer música usando la red neuronal LSTM en Keras .
Salir
Hemos analizado ocho ideas prometedoras que pueden formar la base de proyectos que podrían enriquecer la cartera de proyectos para el profesional de la inteligencia artificial y el aprendizaje automático. Esperamos que haya encontrado algo entre estas ideas que le haya inspirado.
¿Está planeando implementar alguna de las ideas anteriores?
