پروژه دیپ لرنینگ (23233))=

---

شرح پروژه

#پروژه_جدید 

#کد_پروژه: 23233

موضوع: پروژه دیپ لرنینگ =

سلام يه پروژه در حوزه خطايابي داده محور دارم

كه بايد با استفاده از ديپ لرنينگ خطايابي انجام بشه و دقت مدل ارزيابي بشه

پروژه:

خطايابي داده محور با استفاده از روش هاي ديپ لرنينگ

از داده هاي ديتاست بنچ مارك تنسي ايستمن استفاده ميشود

ديتاست شامل ٢٨ نوع خطاست. هر خطا جداگونه به سيستم اعمال شده و متغيرها اندازه گيري شده است.

براي هر نوع خطا، در هر بار اجرا، ٢٠٠٠ ركورد ثبت شده است

و هر خطا ٥٠٠ بار ران شده

هر خطا در چهار سطح (magnitude) اعمال شده است

manitude 100% شامل ٢٠٠ ران

مگنيتود هاي ٧٥، ٥٠، ٢٥ درصد هر كدام ١٠٠ ران

در مجموع ٥٠٠ ران براي هر نوع خطا

مقاله ديتاست كه توليد كردن و همچين لينك سايتي كه ديتاست بايد دانلود شه رو واستون ميفرستم https://data.dtu.dk/articles/dataset/Tennessee_Eastman_Reference_Data_for_Fault-Detection_and_Decision_Support_Systems/13385936/1

: ديتاست بايد از اينجا دانلود شه

فقط TEP_Mode1.h5 

كه ٢٣ گيگ

البته خود ديتاست انقد حجم نداره

داده هاي اضافي داره كه توي پروژه كاربردي نداره

فرمت ديتاست hdf5

من خودم براي ديدن ديتاست و فهميدنش از نرم افزار hdfview استفاده كردم

ولي براي فراخواني توي پايتون كاري نداره

: براي پروژه فقط اين مسير و ميخوايم(عکس اول)

mode1-->SingleFault-->SimulationCompleted

 و در اين قسمت (عکس دوم)

متغير هاي 

additional_maes و

processdata 

لازمه

 در اين پروژه ميخواهيم از سه روش 

-CNN ساده

-inception time (madule) (CNN)

- ResNet (reaidual network) (CNN)

استفاده ميكنيم و نتايج اين سه روش و باهم مقايسه ميكنيم

همچنين براي هر يك از اين سه روش در magnitude 100% مدل را اموزش داده (ترين كرده)

و براي ازمايش از magnitude هاي ١٠٠، ٧٥، ٥٠ و ٢٥ درصد استفاده ميشود

به عبارتي در مجموع ٣ بار مدل ترين شده و ١٢ بار تست ميشود

 قبل از train كردن مدل، طبق همين پايان نامه انگليسي preprocessing و dimension reduction (با استفاده از pca) انجام شه

 يه سايتي در مورد inception time توضيح داده و كد شو توي گيت هاب گذاشته اونو هم واستون ميفرستم

 https://towardsdatascience.com/time-series-classification-with-deep-learning-d238f0147d6f

 https://github.com/hfawaz/InceptionTime

 اگه روش سوم سخت بود يا نميشد

ميتونيم از روش 

Echo State networks (RNN)

كه توي اون سايتي كه واستون فرستادم استفاده كنيم كه اونم كد گيت هاب شو گذاشته 

يا اگه نشد يه روش پيشنهادي ديپ لرنينگ و انجام بديم

ولي روش دوم حتما باشه

: Echo State و اينجا توضيح داده

 https://github.com/FilippoMB/Time-series-classification-and-clustering-with-Reservoir-Computing

: و اين كد گيت هاب شه

: نهايتا مقايسه اي بين سه تا روش كه براي هر روش ٤ magnitude كه داريم و انجام بشه

 اين پايان نامه كار مشابي انجام داده، از يه ديتاست ديگه تنسي ايستمن استفاده كرده (كه شامل ٢٠ خطاست)

 نهايتا تا 20 دي فرصت دارم

این پروژه شامل 4 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

---

---