تطوير نموذج CNN لتصنيف الأرقام المكتوبة يدويًا من بيانات MNIST

قمت ببناء نموذج تعلم عميق متواضع باستخدام الشبكات العصبية الالتفافية (CNN) لتصنيف الأرقام المكتوبة يدويًا من بيانات MNIST. الخطوات التي قمت بها: 1.إعداد البيانات: استخدام ملفات التدريب والاختبار (Train & Test) التي تحتوي على بيكسلات الصور، حيث يمثل كل صف رقمًا من 0 إلى 9. 2.تجهيز البيانات: تقسيم البيانات إلى Features و Labels، ثم إجراء إعادة تشكيل (Reshaping) وتغيير حجم القيم (Rescaling) لتكون مناسبة للنموذج. 3.الاستكشاف والتمثيل البصري: عرض مجموعة من الصور للتعرف على شكل البيانات وجودتها. 4.زيادة البيانات (Augmentation): تطبيق تقنيات Augmentation لزيادة تنوع البيانات وتحسين أداء النموذج. 5.بناء النموذج: تصميم نموذج CNN بسيط وفعال لتصنيف الأرقام المكتوبة يدويًا. 6.تقييم الأداء: قياس دقة النموذج، حيث وصلت الدقة إلى %99. 7.التنبؤ (Prediction): اختبار النموذج على بيانات و توقع الأرقام والتحقق من دقة أدائه. النتيجة: نموذج CNN دقيق جدًا لتصنيف الأرقام المكتوبة يدويًا من بيانات MNIST بنسبة دقة بلغت %99. التقنيات والأدوات المستخدمة: -اللغات والمكتبات: Python، Pandas، NumPy، Matplotlib -أدوات المعالجة والتمثيل البصري: Matplotlib -التعلم العميق: TensorFlow/Keras (CNN Layers, Data Augmentation, Model Evaluation) -أساليب المعالجة المسبقة: Rescaling، Reshaping، Data Augmentation -مؤشرات الأداء: Accuracy Score، Confusion Matrix