دمج نماذج تعلم الآلة لتحسين دقة تشخيص صور الأشعة السينية باستخدام تقنيات التجميع (Ensemble)

هندسة البرمجيات تصميم موقع إلكتروني الهندسة تطوير البرمجيات برمجة قواعد البيانات برمجة هندسة البرمجيات تصميم موقع إلكتروني الهندسة تطوير البرمجيات برمجة قواعد البيانات برمجة

وصف المشروع: الهدف من المشروع هو دمج عدة نماذج مُدرَّبة مسبقاً (Pre-trained Models) مثل VGG19، ResNet152V2، MobileNetV2، وResNet50 لتحليل صور الأشعة السينية. النماذج المذكورة تمتلك نقاط قوة مختلفة (كما في الجدول أدناه)، والفكرة هي استخدام تقنيات التجميع (مثل التصويت أو المتوسط المرجح أو الـStacking) لتحسين الدقة العامة وتقليل الأخطاء في التشخيص. | F1-Score | الدقة المتنبأ بها|الدقة |النموذج| | VGG19| 99.83%| 38%| 55%| | ResNet152V2 | 99.79%| 97%| 95%| | MobileNetV2 | 96.47%| 87%| 87%| | ResNet50| 96.80%| 96%| 93%| المهام المطلوبة: 1. تقييم أداء النماذج الحالية وفهم أسباب التفاوت في النتائج (مثل مشكلة الـOverfitting في نموذج VGG19). 2. تطوير آلية دمج النماذج (Ensemble) لتعويض نقاط الضعف في كل نموذج. 3. تحسين النتيجة النهائية لضمان دقة عالية وموثوقة في تشخيص الصور. 4. توثيق الكود وشرح آلية العمل. المخرجات المتوقعة: - نموذج مُدمج جاهز للتشغيل مع دقة مُحسنة. - تقرير يوضح مقارنة الأداء قبل وبعد الدمج. أرغب بمعرفة رأيك في الجدوى التقنية لهذا المشروع، والوقت المُتوقع لتنفيذه. كما أودّ التأكد من أنك ستُرفق أمثلة على مشاريع مشابهة سبق لك العمل عليها. شكراً جزيلاً، مجد.