التجميع بدون هندسة الخصائص - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

تتمثل الخطوة التالية في تحويل قائمتي resized_images (الصور المعدل حجمها)، و labels (العناوين) إلى مصفوفات numpy، وكما هو الحال في الدرس السابق يُستخدم الاسمان المتغيران القياسيان (X,Y) لتمثيل البيانات والعناوين:import numpy as np # used for numeric computations X = np.array(resized_images) Y = np.array(labels) X.shape(1085, 224, 224, 3)يتحقق شكل البيانات من أنها تشمل 1,085 صورة، كل صورة منها ذات أبعاد 224 × 224، وذات ثلاث قنوات ألوان RGB.التجميع بدون هندسة الخصائص Clustering without Feature Engineeringسترکز محاولة التجميع الأولى على القيام بتسطيح الصور؛ لتحويل كل منها إلى متجه أحادي البعد أرقامه 150,528 = 3 × 224 × 224 رقمًا. وعلى غرار خوارزميات التصنيف التي تم توضيحها في الدرس السابق، فإن معظم خوارزميات التجميع تتطلب هذا النوع من التنسيق المتجهي.X_flat = np.array([img.flatten() for img in X]) X_flat[0].shape(150528,)X_flat[0] # prints the first flat image array([107, 146, 102, ..., 91, 86, 108], dtype=uint8)كل قيمة عددية في هذا التنسيق المسطح ذات قيمة ألوان RGB تتراوح بين 0 و 255. وفي الدرس السابق، تم توضيح أن التحجيم القياسي والتسوية يؤديان أحيانًا إلى تحسين نتائج بعض خوارزميات التعلم الآلي. يمكن استخدام المقطع البرمجي التالي لتسوية القيم وجعلها ما بين 0 و 1:X_norm = X_flat / 255 X_norm[0]array([0.41960784, 0.57254902, 0.4 , ..., 0.35686275, 0.3372549 , 0.42352941])2023 - 1447--- VISUAL CONTEXT ---Context: Publisher or source information for the textbook page.