Fundamentala utmaningar med maskininlärning : Identifikation av ansiktsmask på bild

Sammanfattning: Maskininlärning är en teknik som kan användas inom många områden, bland annat inom bildigenkänning. Syftet med detta projekt är a få en grundlig förståelse för hur maskininlärning fungerar, inklusive vilka datatekniska förkunskaper som krävs och vilka utmaningar som finns i självlärande system. Detta har undersökts genom a skapa och optimera e system som identifierar huruvida en person på en bild använder ansiktsmask eller inte. Tyngden har legat på att samla in och hantera data, men framför allt på a optimera flera olika hyperparametrar. Detta genomfördes genom insamling av information för att skaffa en grundläggande förståelse för området. Därefter tränades, validerades och testades systemet. Systemet justerades genom applicering av olika hyperparametrar för a förstå hur dessa påverkade resultatet. Detta gjordes i Keras och resultatet visualiserades i MatPlotlib. Resultatet visade a en utmaning för e självlärande system är a minska overfitting, vilket var anledningen till varför applicering av hyperparametern dropout visade sig vara viktig. Utmaningen med a använda maskininlärning upp fattades framför allt vara a förstå vad som påverkar resultatet, då det finns många parametrar och det tar lång tid att testa alla. Trots det skapades ett tillräckligt bra system för a kunna avgöra om en person bär ansiktsmask eller inte medtanke på den mängd data, tid och kunskap som fanns tillgänglig, vilket tyder på a maskininlärning kan vara användbart både inom detta område och många andra områden i samhället.