私の祖父にはかつて日本人の文通友達がいて、趣味で日本語を勉強していました。日本の企業で働いていた私の親戚はいつも日本の良い話をしてくれて、機会があれば日本に渡ることを応援してくれました。いつも海外で働き新しい言語を学びたかったので、エンジニアの4年次にこれらの機会を得た時にはとてもワクワクして取り組みました。日本語の試験に向けて手助けしてくれた先生にはとても感謝しています。試験のあと日本で働くための面接を待ち望んでいましたが、コロナウイルスの影響で入国できなくなり、就職を約束するエージェントに登録しましたが結果は変わりませんでした。この時期、Fast Offer を利用した生徒によるポジティブな評判や手続きの詳細をインスタグラムで見て登録をしましたが、興味や現在の仕事について話す第一段階を突破できず落胆していました。その後もLinkedInを使って何度か応募したもののうまくいかなかったので、数ヶ月後、最後にトライしてみて無理であれば日本での仕事を諦め、インドで働くことを考えていました。
そこでようやく第一段階を突破し、面接に進むことができました。何度か面接対策をしたので自信を持てましたが、突破できませんでした。しかし、そこで諦めることなく日本語の練習を始めインターンにも勤しみました。2022年の11月にある製品会社の選考が進み、これが最後のチャンスだと思いベストを尽くすことにしました。その後メンターの方が親身になって分からないことを解決してくれたり、プレゼン対策をしてくれたりしたので、ずっと感謝しています。その後 ASIA to JAPANのスタッフさんがさらにプレゼン対策や追加で面接対策をしてくださり、一次面接を突破することができました。その後コーディングの試験と最終面接を突破し、オファーを得ることができました。これ以上にないほどの成果で、最高の年になり、絶対に忘れることはありません。FAST OFFER Intl.、並びにASIA to JAPAN 全体として皆さんに深く感謝しています。日本でのこれからがとても楽しみです。
1)タイトル:コンボリューショナルニューラルネットワークを使って10種類動物の識別することと分類することです。
2)人数：4名
3) 目的: – 様々な課題と機会の特定（調査）。
– 様々なクラスの動物のデータ集める。
– 動物の種類を識別し、分類する効率的なモデルの開発。
– 動物を識別するためのユーザインタフェースを提供。
4) プロジェクト内容: 動物認識モデルは、主にリアルタイムの野生動物監視に使用することができます。
野生動物を保護し、生態系を維持することができます。生物学者の仕事も軽減されます。動物認識システムは、森林地帯に住む人々、リゾート地や森林を横切る道路を旅行する人々が野生動物の識別に多くの困難を感じている場合に役立ちます。このシステムは、野生動物の監視システムとして機能し、近づいてくる危険な動物をすべて検出し、安全な場所に移動するよう人々に警告を発します。
視覚的特徴は、動物の分類と識別に重要な役割を果たします。ディープラーニングは、マシンビジョンシステムの研究領域で急速に拡大しているアプリケーションです。ロバストな分類・識別モデルの開発に役立ちます。これは、動物種の分類と識別に使用できるモデルを構築するための利点として使用することができます。多くのデータが生成されるため、VGG16の標準的なアーキテクチャを使用したCNN（Convolution Neural Network）を使用し、正確なCNNを内蔵しています。
5) 使用したソフトウエア: pythonとTensorflowとJupyter Notebook
6) 過程: このプロジェクトで使用するデータセットは、Kaggleから収集したものです。取得したデータセットは、10クラスに属する28,266枚の画像から構成されています。このデータセットには、象、馬、バイソン、猫、犬などの一般的な動物が含まれています。データセット内の画像は全てRGB色空間であり、JPEG形式で保存されています。
収集されたデータには、さまざまな次元の画像が含まれています。機械学習モデルが学習するためには、すべての入力画像が、高さ、深さ、フォーマット、エンコーディングなど、同じ特性を持つ必要があります。データセットには様々なサイズの画像が含まれているため、各画像を128×128ピクセルの固定サイズに再成形する。
このステップでは、データセットをトレーニングデータ、テストデータ、検証データの3つのカテゴリに分割する。各カテゴリは異なる種類の動物で構成される。トレーニングセットは、CNNモデルのトレーニングに使用される合計2万枚の画像から構成される。このモデルは、異なる種類の動物を持つ画像を区別することを学習する。検証セットは3264枚の画像からなり、学習プロセスの各反復においてモデルの効率をテストするために使用される。テストセットは5000枚の画像からなり、最終的なモデルの性能をテストするために使用される。このデータセットの分割は、学習中にモデルが見ていないデータでモデルの性能をテストするため、重要であります。
7) 結果: 約10エポックの学習で最大83.18%の精度が得られ、テストでは最大76.3%、検証では75.77%でありました。また、入力された動物画像を分類するプロセスをナビゲートするために、Tkinterを用いたユーザフレンドリーなGUIを開発した。また、Tkinter を用いて、入力された動物画像を分類するためのユーザフレンドリな GUI を開発しました。
