Week 4: Self-Study Notes

Study-Friendly Structure

Each section includes:

• Key Concepts (Simplified theory).
• Practical Examples (Hands-on coding examples).
• Exercises (Practice tasks for reinforcement).

English Version

Week 4: Advanced Topics and Capstone Project

1. Deep Learning Concepts

Deep learning expands neural networks into multi-layer architectures for advanced problem-solving.

Key Topics:

• Convolutional Neural Networks (CNNs): Used in image processing and computer vision tasks.
• Recurrent Neural Networks (RNNs): Handles sequential data, such as time series or text.

Practical Steps:

1. Building a CNN for Image Classification:

   python

   Copy code

   from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),
MaxPooling2D(pool_size=(2, 2)),
Flatten(),
Dense(128, activation='relu'),
Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
print(model.summary())


2. Building an RNN for Sequence Prediction:

   python

   Copy code

   from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import SimpleRNN, Dense
import numpy as np
model = Sequential([
SimpleRNN(50, input_shape=(10, 1), activation='relu'),
Dense(1)
])
model.compile(optimizer='adam', loss='mean_squared_error')
print(model.summary())


Quick Exercise:

• Implement a CNN for a simple image dataset like MNIST.
• Train an RNN to predict the next value in a sequence.

2. AI Ethics and Responsible AI

AI should be designed and used responsibly to avoid bias, discrimination, and harm.

Key Concepts:

• Bias in AI Models: Unfair predictions due to skewed data.
• Explainability: AI decisions must be interpretable by humans.
• Fairness: AI should treat all individuals equally.

Practical Exercise:

• Identify ethical concerns in an AI application you use daily (e.g., social media algorithms).
• Discuss how these concerns can be mitigated.

3. Capstone Project

This is the final practical task that integrates all concepts learned so far.

Project Ideas:

1. AI for Image Classification:

   • Build a model that classifies images into categories like cats and dogs.

2. AI for Sentiment Analysis:

   • Create an AI tool to classify text into positive, negative, or neutral sentiments.

3. AI for Predictive Analytics:

   • Use historical data to forecast future trends, such as sales or weather patterns.

Guidelines for the Capstone Project:

• Define the problem statement clearly.
• Prepare the dataset.
• Build and train the model.
• Evaluate model performance and document findings.

සිංහල අනුවාදය

4 වන සතිය: උසස් මාතෘකා සහ සමුදා ආරම්භක ව්‍යාපෘතිය

1. ගැඹුරු ඉගෙනුම් සංකල්ප

ගැඹුරු ඉගෙනුම පළාත් රැසක් සහිත මලලජාල අතුරින් සංකීර්ණ ගැටලු සඳහා විසඳුම් සොයයි.

ප්‍රධාන මාතෘකා:

• CNNs (Convolutional Neural Networks): රූප සැකසීමේදී භාවිතා වේ.
• RNNs (Recurrent Neural Networks): අනුපිළිවෙළ දත්ත සඳහා යොදාගන්නා ලදී.

ප්‍රායෝගික පියවර:

1. රූප වර්ගීකරණය සඳහා CNN සාදන්න:

   python

   Copy code

   from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),
MaxPooling2D(pool_size=(2, 2)),
Flatten(),
Dense(128, activation='relu'),
Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
print(model.summary())


2. අනුපිළිවෙළ අනාවැකිය සඳහා RNN සාදන්න:

   python

   Copy code

   from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import SimpleRNN, Dense
import numpy as np
model = Sequential([
SimpleRNN(50, input_shape=(10, 1), activation='relu'),
Dense(1)
])
model.compile(optimizer='adam', loss='mean_squared_error')
print(model.summary())


දඩුකාරකම:

• සරල රූප දත්ත කට්ටලයක් මත CNN ක්‍රියාත්මක කරන්න.
• අනුපිළිවෙළ දත්ත සඳහා RNN පුහුණු කරන්න.

2. AI ආචාරශීලය සහ වගකීමකින් යුතු AI

AI වගකීමකින් සහ ආචාරශීලයෙන් නිර්මාණය කළ යුතුය.

ප්‍රධාන සංකල්ප:

• විකෘතිකරණය: අයුක්ත දත්ත නිසා අසාධාරණ අනාවැකිය.
• සඳහන් කිරීමේ හැකියාව: AI තීරණ මිනිසුන්ට පැහැදිලි කළ හැකි යුතුය.
• සාධාරණත්වය: සෑම අයෙකුටම AI සම ආකාරයෙන් වග බලාගත යුතුය.

ප්‍රායෝගික කාර්යය:

• ඔබ පාවිච්චි කරන AI යෙදුමක් තුළ ආචාරශීලීය ගැටළු හඳුනාගන්න.
• ඒවා පාලනය කිරීමේ ක්‍රම ගැන විවරණය කරන්න.

3. සමුදා ආරම්භක ව්‍යාපෘතිය

මෙය ඉගෙනුම සකස් කළ සියලුම සංකල්ප එකතු කරන අවසන් ක්‍රියාවිධිය වේ.

ව්‍යාපෘති යෝජනා:

1. AI මගින් රූප වර්ගීකරණය:

   • මෝඩලයක් සාදන්න, රූප කාණ්ඩ වර්ගීකරණය සඳහා.

2. AI මගින් සංවේදන විශ්ලේෂණය:

   • ගණිත, අනුමානකරණය සොයා ගන්න.

3. AI මගින් අනාවැකියක්:

   • අතීත දත්ත මත මීළඟ ප්‍රවණතාවයන් අනාවැකියක් ලබාදෙන්න.

ව්‍යාපෘති සීමාවන්:

• ගැටලුවේ නිවැරදි විවරණයක් ලබා දෙන්න.
• දත්ත සකස් කරන්න.
• ආදර්ශය සාදන්න.
• ප්‍රතිඵල ලේඛනය කරන්න.