تصنيف صور Fashion-MNIST باستخدام الشبكات العصبية

أقدم في هذا المشروع تجربة متكاملة لبناء نموذج تصنيف صور يعتمد على الشبكات العصبية، مع مقارنة بين تنفيذ النموذج من الصفر باستخدام NumPy وبين نموذج مبني باستخدام إطار Keras، بالإضافة إلى تحسين الأداء باستخدام تقنيات تحسين المعاملات (Hyperparameter Optimization). يهدف المشروع إلى فهم كيفية عمل الشبكات العصبية من الداخل، وليس فقط استخدامها كأداة جاهزة. 🔹 ما الذي تم تنفيذه في المشروع؟ بناء شبكة عصبية كاملة من الصفر باستخدام Python و NumPy تنفيذ عملي لخطوات: الانتشار الأمامي (Forward Propagation) الانتشار العكسي (Backpropagation) تحديث الأوزان باستخدام Adam Optimizer تدريب النموذج على بيانات Fashion-MNIST المكونة من 70,000 صورة مقسمة إلى 10 فئات مختلفة من الملابس 🔹 مقارنة بين النماذج تم تنفيذ نموذجين: 1. نموذج من الصفر (Scratch Model) تم تصميمه بدون أي مكتبات تعلم عميق جاهزة يوضح بشكل عملي كيفية تعلم الشبكة العصبية 2. نموذج باستخدام Keras نموذج عميق باستخدام مكتبة TensorFlow/Keras أسرع في التدريب وأكثر استقرارًا 🔹 تحسين الأداء (Hyperparameter Optimization) تم اختبار تحسين أداء النموذج باستخدام: Random Search Genetic Algorithms حيث تم تجربة عدة إعدادات مثل: عدد الطبقات العصبية عدد النيورونات معدل التعلم نوع الـ Activation Function نوع الـ Optimizer 🔹 النتائج الرئيسية النموذج من الصفر حقق أداء جيد يقارب 89% دقة نموذج Keras حقق أداء مشابه مع استقرار أعلى وسرعة تدريب أفضل تقنيات تحسين المعاملات ساعدت في تحسين الأداء والوصول لتوليفات أفضل للنموذج 🔹 أهم ما يميز المشروع فهم عميق لكيفية عمل الشبكات العصبية من الداخل مقارنة عملية بين البناء اليدوي والأطر الجاهزة تجربة حقيقية لتحسين أداء النماذج باستخدام تقنيات بحث متقدمة تطبيق عملي على مشكلة تصنيف صور واقعية 🔹 القيمة العملية للمشروع هذا المشروع يوضح القدرة على: بناء نماذج تعلم عميق من الصفر فهم سلوك النماذج وليس فقط استخدامها تحسين الأداء باستخدام تقنيات بحث وتجريب منظمة التعامل مع مشاكل تصنيف صور حقيقية