Inhaltsverzeechnes[Verstoppen][Show]
- 1 Titanic
- 2. Irish Flower Klassifikatioun
- 3. Boston House Präis Prediction
- 4. Wäin Qualitéit Testen
- 5. Bourse Prediction
- 6. Film Recommandatioun
- 7. Luede Zoulag Prediction
- 8. Sentiment Analyse benotzt Twitter Data
- 9. Zukunft Sales Prediction
- 10. Fake News Detektioun
- 11. Coupon Kaf Prediction
- 12. Client Churn Prediction
- 13. Wallmart Sales Prognosen
- 14. Uber Data Analyse
- 15. Covid-19 Analyse
- Konklusioun
Maschinnléieren ass eng einfach Etude wéi een e Computerprogramm oder Algorithmus educéiert fir graduell op eng spezifesch Aarbecht op engem héijen Niveau ze verbesseren. Bild Identifikatioun, Bedruch Detektioun, Empfehlungssystemer an aner Maschinnléieren Uwendungen hu scho populär bewisen.
ML Aarbechtsplaze maachen d'mënschlech Aarbecht einfach an effizient, spuert Zäit an assuréiert e qualitativ héichwäertegt Resultat. Och Google, déi populärste Sichmotor vun der Welt, benotzt Maschinn léieren.
Vun der Analyse vum Benotzer seng Ufro an Ännerung vum Resultat baséiert op de Resultater bis zu Trending Themen an Annoncen a Relatioun zu der Ufro ze weisen, et gi verschidde Méiglechkeeten verfügbar.
Technologie déi souwuel opmierksam a selbstkorrektur ass net wäit ewech an Zukunft.
Ee vun de gréisste Weeër fir unzefänken ass Handwierk ze kréien an e Projet ze designen. Dofir hu mir eng Lëscht vun 15 Top Maschinnléiereprojete fir Ufänger zesummegesat fir Iech unzefänken.
1. Titanic
Dëst gëtt dacks als eng vun de gréissten an agreabelsten Aufgaben ugesinn fir jiddereen deen interesséiert ass méi iwwer Maschinnléieren ze léieren. D'Titanic Challenge ass e populäre Maschinnléiereprojet deen och als e gudde Wee déngt fir mat der Kaggle Data Science Plattform kennenzeléieren. D'Titanic Dataset besteet aus echten Donnéeën vum Ënnergang vum schlechte Schicksal.
Et enthält Detailer wéi den Alter vun der Persoun, de sozioökonomesche Status, Geschlecht, Kabinnnummer, Departport, an, am wichtegsten, ob se iwwerlieft hunn!
D'K-Nearest Neighbor Technik an den Entscheedungsbam Klassifizéierer ware bestëmmt fir déi bescht Resultater fir dëse Projet ze produzéieren. Wann Dir no engem schnelle Weekend Erausfuerderung sicht fir Är Machine Learning Fäegkeeten, Dësen op Kaggle ass fir Iech.
2. Irish Flower Klassifikatioun
Ufänger hunn den Iris Blummen Kategoriséierungsprojet gär, an et ass eng super Plaz fir unzefänken wann Dir nei sidd mat Maschinnléieren. D'Längt vun de Bléieblieder a Bléieblieder ënnerscheet d'Irisbléi vun aneren Arten. Den Zweck vun dësem Projet ass d'Blummen an dräi Arten ze trennen: Virginia, Setosa a Versicolor.
Fir Klassifikatiounsübungen benotzt de Projet d'Iris Blummendates, déi d'Schüler hëlleft d'Grondlage vum Ëmgang mat numeresche Wäerter an Daten ze léieren. D'Iris Blummendates ass e klengt deen an der Erënnerung gespäichert ka ginn ouni d'Skaléierung ze brauchen.
3. Boston House Präis Prediction
Eng aner bekannt Dataset fir Ufänger am Maschinnléieren ass d'Boston Housing Daten. Säin Zil ass Hauswäerter a verschiddene Boston Quartiere virauszesoen. Et enthält vital Statistike wéi Alter, Immobiliesteierquote, Kriminalitéitsquote, a souguer Proximitéit zu Aarbechtszentren, déi all d'Wunnengspräisser beaflosse kënnen.
Den Dataset ass einfach a kleng, sou datt et einfach ass fir Ufänger ze experimentéieren. Fir erauszefannen wat Faktoren den Immobiliepräis zu Boston beaflossen, gi Regressiounstechnike staark op verschiddene Parameteren agesat. Et ass eng super Plaz fir Regressiounstechniken ze üben an ze bewäerten wéi gutt se funktionnéieren.
4. Wäin Qualitéit Testen
Wäin ass en ongewéinlechen alkoholescht Getränk, dee Joere vu Fermentatioun erfuerdert. Als Resultat ass déi antik Fläsch Wäin e deier a qualitativ héichwäerteg Wäin. Wiel vun der ideal Fläsch Wäin verlaangt Joer vun Wäin Degustatioun Wëssen, an et kann engem Hit-oder-Mëss Prozess ginn.
De Wäinqualitéitstestprojet evaluéiert Wäiner mat physikaleschchemeschen Tester wéi Alkoholniveau, fixer Aciditéit, Dicht, pH, an aner Faktoren. De Projet bestëmmt och d'Qualitéitscritèren an d'Quantitéiten vum Wäin. Als Resultat gëtt Wäinkaaf e Wand.
5. Bourse Prediction
Dës Initiativ ass interessant ob Dir am Finanzsecteur schafft oder net. Börsemaartdaten ginn extensiv vun Akademiker studéiert, Geschäfter, a souguer als Quell vum sekundären Akommes. D'Fäegkeet vun engem Datewëssenschaftler fir Zäitseriedaten ze studéieren an z'entdecken ass och vital. Daten aus der Bourse sinn eng super Plaz fir unzefänken.
D'Essenz vum Bestriewen ass den zukünftege Wäert vun enger Aktie ze prognostizéieren. Dëst baséiert op aktuell Maartleeschtungen souwéi Statistike vu fréiere Joeren. Kaggle huet Daten iwwer den NIFTY-50 Index zënter 2000 gesammelt, an et gëtt de Moment wöchentlech aktualiséiert. Zënter dem 1. Januar 2000 enthält et Aktiepräisser fir iwwer 50 Organisatiounen.
6. Film Recommandatioun
Ech si sécher, Dir hutt dat Gefill no engem gudde Film gesinn. Hutt Dir jeemools den Impuls gefillt Är Sënner ze titilléieren andeems Dir ähnlech Filmer kuckt?
Mir wëssen datt OTT Servicer wéi Netflix hir Empfehlungssystemer wesentlech verbessert hunn. Als Maschinnléierstudent musst Dir verstoen wéi sou Algorithmen Clienten zielen op Basis vun hire Virléiften a Bewäertungen.
Den IMDB Dateset op Kaggle ass méiglecherweis ee vun de komplettste, wat et erlaabt Empfehlungsmodeller ze baséieren op Basis vum Filmtitel, Client Bewäertung, Genre an aner Faktoren. Et ass och eng exzellent Method fir iwwer Inhaltsbaséiert Filteren a Feature Engineering ze léieren.
7. Lueden Eligibility Prediction
D'Welt dréint sech ëm Prêten. D'Haaptquell vu Banke vum Gewënn kënnt aus Zënsen op Prêten. Dofir sinn se hir fundamental Affär.
Eenzelpersounen oder Gruppe vun Individuen kënnen d'Wirtschaft nëmmen ausbauen andeems se Suen an eng Firma investéieren an der Hoffnung datt se an der Zukunft wäert eropgoen. Et ass heiansdo wichteg e Prêt ze sichen fir Risiken vun dëser Natur kënnen ze huelen an och a bestëmmte weltleche Genoss deelzehuelen.
Ier e Prêt akzeptéiert ka ginn, hunn Banken normalerweis e zimlech strikte Prozess ze verfollegen. Well Prête sou en entscheedende Aspekt vum Liewen vu ville Leit sinn, virauszesoen d'Qualifikatioun fir e Prêt fir deen een ufrot wier extrem profitabel, wat et erlaabt eng besser Planung iwwer de Prêt ze akzeptéieren oder ze refuséieren.
8. Sentiment Analyse mat Twitter Daten
Dank sozialen Medien Netzwierker wéi Twitter, Facebook, a Reddit, Extrapoléiere vu Meenungen an Trends sinn erheblech einfach ginn. Dës Informatioun gëtt benotzt fir Meenungen iwwer Eventer, Leit, Sport an aner Themen ze eliminéieren. Meenung Biergbau-Zesummenhang Maschinn Léieren Initiativen ginn an enger Rei vun Astellungen applizéiert, dorënner politesch Campagnen an Amazon Produit Evaluatioune.
Dëse Projet wäert fantastesch an Ärem Portfolio kucken! Fir Emotiounen Detektioun an Aspekt-baséiert Analyse, Techniken wéi Ënnerstëtzung Vecteure Maschinnen, Regressioun, a Klassifikatioun Algorithmen kann extensiv benotzt ginn (Fakten a Meenungen fannen).
9. Zukunft Sales Prediction
Grouss B2C Geschäfter an Händler wëllen wëssen wéi vill all Produkt an hirem Inventar wäert verkafen. Verkafsprognose hëlleft Geschäftsbesëtzer fir ze bestëmmen wéi eng Artikelen an héich Nofro sinn. Genau Verkafsprognose wäert d'Verschwendung wesentlech reduzéieren, wärend och den inkrementellen Impakt op zukünfteg Budgeten bestëmmen.
Händler wéi Walmart, IKEA, Big Basket, a Big Bazaar benotze Verkafsprognosen fir d'Produktnofro ze schätzen. Dir musst mat verschiddenen Technike vertraut sinn fir Matière Daten ze botzen fir sou ML Projeten ze konstruéieren. Och e gudde Grëff vu Regressiounsanalyse, besonnesch einfach linear Regressioun, ass erfuerderlech.
Fir dës Aarte vun Aufgaben, musst Dir Bibliothéike wéi Dora, Scrubadub, Pandas, NumPy, an anerer benotzen.
10. Fake News Detektioun
Et ass eng aner opzedeelen Maschinn Léieren Effort fir Schoulkanner gezielt. Fake News verbreet sech wéi Bëschbrand, wéi mir all wëssen. Alles ass verfügbar op de soziale Medien, vun Individuen ze verbannen bis déi deeglech Neiegkeeten liesen.
Als Resultat ass falsch Neiegkeeten z'entdecken dës Deeg ëmmer méi schwéier ginn. Vill grouss sozial Medien Netzwierker, wéi Facebook an Twitter, hu scho Algorithmen op der Plaz fir falsch Neiegkeeten a Posts a Feeds z'entdecken.
Fir falsch Neiegkeeten z'identifizéieren, brauch dës Zort ML-Projet e grëndlecht Verständnis vu multiple NLP Approche a Klassifikatiounsalgorithmen (PassiveAggressiveClassifier oder Naive Bayes Classifier).
11. Coupon Kaaf Prediction
D'Clientë iwwerdenken ëmmer méi online ze kafen wann de Coronavirus de Planéit am Joer 2020 attackéiert huet. Als Resultat sinn Akafsinstituter gezwongen hir Geschäfter online ze veränneren.
Clienten, op der anerer Säit, sichen nach ëmmer super Offeren, sou wéi se an de Geschäfter waren, a sichen ëmmer méi no super-spueren Couponen. Et gi souguer Websäite gewidmet fir Couponen fir sou Clienten ze kreéieren. Dir kënnt iwwer Datemining am Maschinnléieren léieren, Staanggrafiken, Pie Charts an Histogramme produzéieren fir Daten ze visualiséieren, a Feature Engineering mat dësem Projet.
Fir Prognosen ze generéieren, kënnt Dir och Datenimputatioun Approche kucken fir NA Wäerter a Kosinus Ähnlechkeet vu Variabelen ze managen.
12. Client Churn Prediction
D'Konsumenten sinn de wichtegste Verméigen vun enger Firma, an se ze halen ass vital fir all Geschäft, dat zielt fir Akommes ze stäerken a laangfristeg sënnvoll Verbindunge mat hinnen ze bauen.
Ausserdeem sinn d'Käschte fir en neie Client ze kréien fënnef Mol méi héich wéi d'Käschte fir en existéierenden z'erhalen. Client Churn / Attrition ass e bekannte Geschäftsproblem an deem Clienten oder Abonnenten ophalen Geschäfter mat engem Service oder enger Firma ze maachen.
Si wäerten am Idealfall net méi e bezuelende Client sinn. E Client gëtt als churnéiert ugesinn wann et eng gewëssen Zäit ass zënter dem Client fir d'lescht mat der Firma interagéiert huet. Z'identifizéieren ob e Client wäert churn, souwéi séier relevant Informatioun ze ginn fir d'Clienterretentioun, si entscheedend fir de Churn ze senken.
Eis Gehirer sinn net kapabel Client Ëmsaz fir Millioune Clienten virauszesoen; hei ass wou Maschinn Léieren hëllefe kann.
13. Wallmart Sales Prognosen
Eng vun de prominentsten Uwendunge vu Maschinnléieren ass Verkafsprognosen, wat d'Entdeckung vun Charakteristiken involvéiert déi de Produktverkaaf beaflossen an zukünfteg Verkafsvolumen virauszesoen.
D'Walmart Dataset, déi Verkafsdaten vu 45 Locations enthält, gëtt an dëser Maschinnléierstudie benotzt. Verkaf pro Geschäft, no Kategorie, op enger wöchentlecher Basis sinn am Datesaz abegraff. Den Zweck vun dësem Maschinnléiereprojet ass de Verkaf fir all Departement an all Outlet virauszesoen, sou datt se besser date-driven Kanaloptimiséierung an Inventarplanungsentscheedunge maache kënnen.
Mat der Walmart Dataset ze schaffen ass schwéier well et gewielte Markdown-Evenementer enthält déi en Impakt op de Verkaf hunn a sollte berücksichtegt ginn.
14. Uber Data Analyse
Wann et ëm d'Implementatioun an d'Integratioun vu Maschinnléieren an Deep Learning an hiren Apps kënnt, ass de populäre Ride-Sharing Service net wäit hannendrun. All Joer veraarbecht se Milliarde Reesen, wat et erlaabt Pendler zu all Moment vum Dag oder Nuecht ze reesen.
Well et sou eng grouss Clientsbasis huet, brauch et aussergewéinleche Clientsservice fir Konsumentebeschwerden sou séier wéi méiglech unzegoen.
Uber huet en Dataset vu Millioune Pick-ups déi et benotze kann fir Clientreesen ze analyséieren an ze weisen fir Abléck z'entdecken an d'Clienterfarung ze verbesseren.
15. Covid-19 Analyse
COVID-19 huet haut de Globus geschwächt, an net nëmmen am Sënn vun enger Pandemie. Wärend medizinesch Experten sech konzentréieren op effektiv Impfungen ze generéieren an d'Welt ze immuniséieren, Daten Wëssenschaftler sinn net wäit hannendrun.
Nei Fäll, deeglech aktiv Zuel, Doudesfäll, an Teststatistike ginn all ëffentlech gemaach. Prognosen ginn alldeeglech gemaach op Basis vum SARS Ausbroch vum viregte Joerhonnert. Fir dëst kënnt Dir d'Regressiounsanalyse benotzen an d'Vektormaschinn-baséiert Prognosemodeller ënnerstëtzen.
Konklusioun
Fir ze resuméieren, hu mir e puer vun den Top ML Projeten diskutéiert, déi Iech hëllefe beim Testen vun der Machine Learning Programméierung souwéi seng Iddien an d'Ëmsetzung ze begräifen. Wësse wéi Dir Machine Learning integréiert kann Iech hëllefen an Ärem Beruff virzegoen wéi d'Technologie an all Industrie iwwerhëlt.
Wärend Dir Machine Learning léiert, empfeelen mir Iech Är Konzepter ze üben an all Är Algorithmen ze schreiwen. Algorithmen schreiwen beim Léieren ass méi wichteg wéi e Projet auszeféieren, an et bitt Iech och e Virdeel fir d'Sujete richteg ze verstoen.
Hannerlooss eng Äntwert