Table of Contents[Veşartin][Rêdan]
- 1 Titanic
- 2. Dabeşkirina Kulîlkên Îrlandî
- 3. Pêşbîniya Bihayê Xanî ya Boston
- 4. Testkirina Qalîteya Şerabê
- 5. Pêşbîniya Bazara Stock
- 6. Pêşniyara Fîlm
- 7. Pêşbîniya Desthilatdariya Barkirinê
- 8. Analîza Hestê bi karanîna Daneyên Twitterê
- 9. Pêşbîniya Firotana Pêşerojê
- 10. Vedîtina Nûçeyên Fake
- 11. Pêşbîniya Kirîna Coupons
- 12. Pêşbîniya Churn Mişterî
- 13. Pêşbîniya Firotanê ya Wallmart
- 14. Analysis Data Uber
- 15. Analîza Covid-19
- Xelasî
Fêrbûna makîneyê lêkolînek hêsan e ku meriv çawa bernameyek an algorîtmayek komputerê perwerde dike da ku hêdî hêdî li ser karek taybetî ya ku di astek bilind de hatî pêşkêş kirin çêtir bike. Nasnameya wêneyê, tespîtkirina xapandinê, pergalên pêşniyarê, û serîlêdanên din ên fêrbûna makîneyê jixwe îsbat kirine ku populer in.
Karên ML karê mirovî hêsan û bikêr dike, wextê teserûf dike û encamek bi kalîte peyda dike. Tewra Google, motora lêgerînê ya herî populer a cîhanê jî bikar tîne fêrbûna makîneyê.
Ji analîzkirina pirsa bikarhêner û guheztina encamê li gorî encaman bigire heya nîşandana mijarên trend û reklaman ên têkildarî pirsê, vebijarkên cûrbecûr hene.
Teknolojiya ku hem têgihîştî û hem jî xwe-sererast dike di pêşerojê de ne dûr e.
Yek ji awayên herî mezin ên destpêkirinê ev e ku meriv dest bi dest bixe û projeyek sêwirîne. Ji ber vê yekê, me navnîşek ji 15 projeyên fêrbûna makîneyê yên top berhev kiriye ji bo destpêkek ku hûn dest pê bikin.
1. Titanic
Ev bi gelemperî ji bo her kesê ku eleqedar e ku di derheqê fêrbûna makîneyê de bêtir fêr bibe yek ji wan karên herî mezin û xweş tê hesibandin. Pirsgirêka Titanic projeyek fêrbûna makîneyê ya populer e ku di heman demê de wekî rêyek baş e ku meriv bi platforma zanistiya daneya Kaggle re jî nas bike. Daneyên Titanic ji daneyên rastîn ên binavbûna keştiya nexweş pêk tê.
Ew hûrguliyên wekî temenê mirov, statûya sosyo-aborî, zayendî, hejmara kabînê, porta derketinê, û ya herî girîng jî, gelo ew sax bûne, vedihewîne!
Teknîka K-Nêzîktirîn Neighbor û dabeşkera dara biryarê hate destnîşankirin ku ji bo vê projeyê encamên çêtirîn çêbike. Ger hûn li pêşbaziyek dawiya hefteyê ya bilez digerin ku hûn xwe baştir bikin şiyanên Fêrbûna Makîneyê, ev yek li ser Kaggle ji bo we ye.
2. Dabeşkirina Kulîlkên Irishrlandî
Destpêk ji projeya kategorîzekirina kulîlka iris hez dikin, û heke hûn nû di fêrbûna makîneyê de ne ew cîhek girîng e ku hûn dest pê bikin. Dirêjahiya sepal û pelan kulîlkên irisê ji cureyên din cuda dike. Armanca vê projeyê ew e ku kulîlkan li sê cureyan veqetîne: Virginia, setosa û Versicolor.
Ji bo dersên dabeşkirinê, proje databasa kulîlka Iris bikar tîne, ku ji xwendekaran re dibe alîkar ku bingehên mijûlbûna bi nirx û daneya hejmarî re fêr bibin. Danûstendina kulîlka iris piçûkek piçûk e ku bêyî hewceyê pîvandinê dikare di bîranînê de were hilanîn.
3. Pêşbîniya bihayê Xanî ya Boston
Yekî dinê navdar databas ji bo nûxwazên di fêrbûna makîneyê de Daneyên Xanî ya Boston e. Armanca wê ew e ku nirxên malê li taxên cihêreng ên Boston pêşbîn bike. Ew statîstîkên girîng ên wekî temen, rêjeya baca milk, rêjeya sûc, û tewra nêzîkbûna navendên kar vedihewîne, ku hemî dikarin bandorê li nirxê xanî bikin.
Danezan sade û piçûk e, ceribandina wê ji bo nûxwazan hêsan dike. Ji bo ku hûn fêm bikin ka kîjan faktor bandorê li bihayê milkê li Boston dikin, teknîkên regresyonê bi giranî li ser pîvanên cihêreng têne bikar anîn. Ew cîhek girîng e ku hûn teknîkên regresyonê biceribînin û binirxînin ka ew çiqas baş dixebitin.
4. Testkirina Qalîteya Şerabê
Şerab vexwarinek alkolê ya neasayî ye ku hewcedariya wê bi salan bi fêkiyan heye. Wekî encamek, şûşeya şerabê ya kevnar şerabek biha û bi kalîte ye. Hilbijartina şûşeya şerabê ya îdeal hewcedarî bi salan zanîna tamkirina şerabê ye, û ew dikare bibe pêvajoyek lêdan-an-miss.
Projeya ceribandina kalîteya şerabê şerabê bi karanîna ceribandinên fizîkî-kîmyayî yên wekî asta alkol, asîdiya sabît, dendibûn, pH û faktorên din dinirxîne. Proje di heman demê de pîvan û mîqdarên qalîteya şerabê jî diyar dike. Di encamê de, kirîna şerabê dibe bayek.
5. Pêşbîniya Borsayê
Ev destpêşxerî balkêş e gelo hûn di sektora darayî de dixebitin an na. Daneyên borsayê bi berfirehî ji hêla akademîsyen, karsaz, û tewra wekî çavkaniya dahata duyemîn ve têne lêkolîn kirin. Hêza zanyarek daneyê ya lêkolîn û vekolîna daneyên rêzikên demê jî girîng e. Daneyên ji borsayê cîhek girîng a destpêkirinê ye.
Esasê hewildanê ev e ku meriv nirxa paşerojê ya pargîdanek pêşbîn bike. Ev li ser performansa bazarê ya heyî û her weha statîstîkên salên berê ye. Kaggle ji sala 50-an vir ve li ser indexa NIFTY-2000 daneyan berhev dike, û ew niha heftane tê nûve kirin. Ji 1ê Çileya Paşîn, 2000-an vir ve, ji zêdetirî 50 rêxistinan re bihayên stokan hene.
6. Pêşniyara Fîlm
Ez bawer im piştî dîtina fîlimek baş we hestek wisa hebû. Ma we qet hîs kiriye ku hûn bi temaşekirina fîlimên bi vî rengî hestên xwe xweş bikin?
Em dizanin ku karûbarên OTT yên wekî Netflix pergalên pêşniyarên xwe pir çêtir kirine. Wekî xwendekarek fêrbûna makîneyê, hûn ê hewce bikin ku hûn fêm bikin ka çawa algorîtmayên weha li ser bingeha vebijark û nirxandinên wan xerîdaran armanc dikin.
Daneyên IMDB-ê yên li ser Kaggle îhtîmal e ku yek ji wan herî bêkêmasî ye, ku dihêle ku modelên pêşniyarê li ser sernavê fîlimê, nirxa xerîdar, celeb, û faktorên din werin derxistin. Di heman demê de ew rêbazek hêja ye ku meriv di derheqê Parzûnkirina Bingehîn-Naverok û Endezyariya Taybetmendiyê de fêr bibe.
7. Pêşbîniya Desthilatdariya Barkirinê
Dinya li dora deynan dizivire. Çavkaniya sereke ya qezenca bankayan ji faîza deynan tê. Ji ber vê yekê ew karsaziya wan a bingehîn in.
Kes an komên kesan tenê dikarin aboriyê berfireh bikin bi veberhênana drav li pargîdaniyek bi hêviya ku di pêşerojê de nirxê wê bilind bibe. Carinan girîng e ku meriv li deyn bigere da ku meriv bikaribe rîskên bi vî rengî hilde û tewra beşdarî hin kêfên dinyayî bibe.
Berî ku deynek were pejirandin, bank bi gelemperî pêvajoyek pir hişk heye ku bişopînin. Ji ber ku deyn di jiyana pir kesan de hêmanek girîng e, pêşbînkirina guncanbûna ji bo deynek ku kesek serlêdana wê dike dê pir bikêr be, rê dide ku plansaziyek çêtir li derveyî pejirandin an red kirin.
8. Analîza Hestê bi karanîna Daneyên Twitter
Sipas ji bo torên medyaya civakî mîna Twitter, Facebook, û Reddit, derxistina nerîn û meylayan pir hêsan bûye. Ev agahdarî ji bo rakirina ramanên li ser bûyer, mirov, werzîş û mijarên din têne bikar anîn. Înîsiyatîvên fêrbûna makîneyê yên têkildarî nerînên nerînê di cûrbecûr mîhengan de têne sepandin, di nav de kampanyayên siyasî û nirxandinên hilberê Amazon.
Dê ev proje di portofola we de fantastîk xuya bike! Ji bo tespîtkirina hestê û analîza-based alî, teknîkên wekî makîneyên vektorê piştgirî, paşveçûn, û algorîtmayên dabeşkirinê bi berfirehî têne bikar anîn (dîtina rastiyan û ramanan).
9. Pêşbîniya Firotana Pêşerojê
Karsaz û bazirganên B2C yên mezin dixwazin zanibin ku dê her hilberek di stûyê wan de çiqas bifroşe. Pêşbînkirina firotanê ji xwediyên karsaziyan re dibe alîkar ku diyar bikin ka kîjan tişt di daxwaziya zêde de ne. Pêşbîniya firotanê ya rast dê bi girîngî îsrafê kêm bike û di heman demê de bandora zêdebûnê ya li ser budceyên pêşerojê jî destnîşan bike.
Firoşkarên wekî Walmart, IKEA, Big Basket, û Big Bazaar pêşbîniya firotanê bikar tînin da ku daxwaziya hilberê texmîn bikin. Pêdivî ye ku hûn bi teknîkên cûrbecûr yên paqijkirina daneyên xav nas bin da ku hûn projeyên weha ML ava bikin. Di heman demê de, têgihiştinek baş a analîza regresyonê, nemaze vegerandina xêzek hêsan, hewce ye.
Ji bo van celeb karan, hûn ê hewce bikin ku pirtûkxaneyên wekî Dora, Scrubadub, Pandas, NumPy, û yên din bikar bînin.
10. Tespîtkirina Nûçeyên Fake
Ew hewldanek din a fêrbûna makîneyê ya pêşkeftî ye ku ji xwendekarên dibistanê re tê armanc kirin. Wekî ku em hemî pê dizanin, nûçeyên derewîn mîna agirê daristanê belav dibin. Her tişt li ser medyaya civakî heye, ji girêdana kesan bigire heya xwendina nûçeyên rojane.
Wekî encamek, tespîtkirina nûçeyên derew van rojan dijwartir bûye. Gelek torên medyaya civakî yên mezin, wek Facebook û Twitter, jixwe algorîtmayên wan hene ku nûçeyên derewîn di nav şandin û vedan de bibînin.
Ji bo naskirina nûçeyên derewîn, ev celeb projeya ML hewce dike ku têgihîştinek bêkêmasî ya pir nêzîkatiyên NLP û algorîtmayên dabeşkirinê (PassiveAggressiveClassifier an Naive Bayes classifier).
11. Pêşbîniya kirînê ya kuponan
Dema ku coronavirus di sala 2020-an de êrîşî gerstêrkê kir, xerîdar her ku diçe li ser kirîna serhêl difikirin. Wekî encamek, saziyên kirrûbirrê neçar bûne ku karsaziya xwe serhêl biguhezînin.
Xerîdar, ji hêla din ve, hîn jî li pêşniyarên mezin digerin, mîna ku li firotgehan bûn, û her ku diçe li kuponên super-teserûfê digerin. Tewra malper hene ku ji bo afirandina kuponên ji bo xerîdarên weha têne veqetandin. Hûn dikarin di fêrbûna makîneyê de der barê hilanîna daneyê de fêr bibin, hilberîna grafikên bar, nexşeyên piyan, û histogram ji bo dîtina daneyan, û endezyariya taybetmendiyê bi vê projeyê re fêr bibin.
Ji bo afirandina pêşbîniyan, hûn dikarin ji bo birêvebirina nirxên NA û wekheviya guhêrbaran li nêzîkatiyên binavkirina daneyê jî binihêrin.
12. Pêşbîniya Churn Mişterî
Xerîdar sermayeya herî girîng a pargîdaniyekê ne, û girtina wan ji bo her karsaziyek girîng e ku armanc dike ku dahatê zêde bike û bi wan re têkiliyên watedar ên demdirêj ava bike.
Wekî din, lêçûna bidestxistina xerîdarek nû pênc carî ji lêçûna domandina yekî heyî mezintir e. Kêmbûna xerîdar / Kêmbûna xerîdar pirsgirêkek karsaziyek naskirî ye ku tê de xerîdar an abonet karsaziyek bi karûbarek an pargîdaniyek re rawestînin.
Ew ê bi îdeal êdî nebin xerîdarek drav. Ger ku xerîdar herî dawî bi pargîdanî re têkilî danîbe demek taybetî derbas bûye xerîdarek xerakirî tê hesibandin. Naskirina ka dê xerîdar bişewite, û hem jî bi lez dayîna agahdariya têkildar a ku bi mebesta ragirtina xerîdar e, ji bo kêmkirina kezebê pir girîng e.
Mêjûyên me nekarin pêşbîniya zivirandina xerîdar ji bo bi mîlyonan xerîdar bikin; li vir fêrbûna makîneyê dikare bibe alîkar.
13. Pêşbîniya Firotanê ya Wallmart
Yek ji serîlêdanên herî berbiçav ên fêrbûna makîneyê pêşbînkirina firotanê ye, ku tê de tespîtkirina taybetmendiyên ku bandorê li firotana hilberê dike û pêşbînkirina qebareya firotanê ya pêşerojê vedigire.
Daneyên Walmart, ku daneyên firotanê ji 45 deveran vedihewîne, di vê lêkolîna fêrbûna makîneyê de tê bikar anîn. Firotana her dikanê, li gorî kategorî, li ser bingeha heftane di nav databasê de cih digire. Armanca vê projeya fêrbûna makîneyê ev e ku pêşbîniya firotanê ji bo her beşê li her dergehekê bike, da ku ew karibin çêtir çêtirkirina kanala daneyê û biryarên plansazkirina depoyê bidin.
Karkirina bi daneya Walmart re dijwar e ji ber ku ew bûyerên nîşankirina bijartî yên ku bandorek li ser firotanê dikin hene û divê bêne hesibandin.
14. Analîza Daneyên Uber
Gava ku dor tê sepandin û yekkirina fêrbûna makîneyê û fêrbûna kûr di serîlêdanên wan de, karûbarê parvekirina siwarbûnê ya populer ne dûr e. Her sal, ew bi mîlyaran rêwîtiyan pêvajoyê dike, rê dide rêwiyan ku di her wextê rojê û şevê de rêwîtiyê bikin.
Ji ber ku ew xwedan bingehek xerîdar a wusa mezin e, ew hewceyê karûbarê xerîdar a awarte ye ku bi zûtirîn dem giliyên xerîdar çareser bike.
Uber xwedan danehevek bi mîlyonan hilbijartî ye ku ew dikare bikar bîne da ku rêwîtiyên xerîdar analîz bike û nîşan bide da ku têgihiştinan derxe û ezmûna xerîdar baştir bike.
15. Analîza Covid-19
COVID-19 îro cîhan dorpêç kiriye, û ne tenê di wateya pandemîk de. Dema ku pisporên bijîjkî balê dikişînin ser çêkirina vakslêdanên bi bandor û vakslêdana cîhanê, zanyarên daneyê ne dûr in.
Bûyerên nû, hejmartina rojane ya çalak, kuştî, û statîstîkên ceribandinê hemî têne eşkere kirin. Pêşbîniyên rojane li ser bingeha derketina SARS ya sedsala berê têne çêkirin. Ji bo vê yekê, hûn dikarin analîza regresyonê bikar bînin û modelên pêşbîniya makîneya vektorê piştgirî bikin.
Xelasî
Bi kurtasî, me hin projeyên ML-ya herî mezin nîqaş kir ku dê di ceribandina bernameya Fêrbûna Makîneyê û her weha têgihîştina raman û pêkanîna wê de ji we re bibin alîkar. Zanîna ku meriv fêrbûna makîneyê çawa tevde dike dikare ji we re bibe alîkar ku hûn di pîşeya xwe de pêşde biçin ji ber ku teknolojî di her pîşesaziyê de digire dest.
Dema ku fêrbûna Makîneyê fêr dibin, em pêşniyar dikin ku hûn têgehên xwe pratîk bikin û hemî algorîtmayên xwe binivîsin. Di dema fêrbûnê de nivîsandina algorîtmayan ji pêkanîna projeyekê girîngtir e, û di heman demê de di têgihîştina mijaran de ji we re feydeyek peyda dike.
Leave a Reply