Преглед садржаја[Сакрити][Прикажи]
- КСНУМКС Титаниц
- 2. Ирска класификација цвећа
- 3. Предвиђање цене куће у Бостону
- 4. Испитивање квалитета вина
- 5. Предвиђање берзе
- 6. Препорука филма
- 7. Предвиђање подобности оптерећења
- 8. Анализа расположења коришћењем података са Твиттер-а
- 9. Предвиђање будуће продаје
- 10. Детекција лажних вести
- 11. Предвиђање куповине купона
- 12. Предвиђање одлива купаца
- 13. Валлмарт предвиђање продаје
- 14. Убер анализа података
- 15. Анализа Цовид-19
- Zakljucak
Машинско учење је једноставна студија о томе како образовати компјутерски програм или алгоритам да би се постепено побољшао на одређеном послу представљеном на високом нивоу. Идентификација слика, откривање превара, системи препорука и друге апликације за машинско учење већ су се показале популарним.
МЛ послови чине људски рад једноставним и ефикасним, штедећи време и обезбеђујући висококвалитетне резултате. Чак и Гоогле, најпопуларнији светски претраживач, користи Машина учење.
Од анализе корисничког упита и измене резултата на основу резултата до приказивања трендовских тема и реклама у вези са упитом, на располагању су разне опције.
Технологија која је и перцептивна и самоисправљајућа није далеко у будућности.
Један од најбољих начина да започнете је практиковање и дизајнирање пројекта. Због тога смо саставили листу од 15 најбољих пројеката машинског учења за почетнике да бисте започели.
1. титански
Ово се често сматра једним од највећих и најугоднијих задатака за свакога ко жели да сазна више о машинском учењу. Изазов Титаниц је популаран пројекат машинског учења који такође служи као добар начин да се упознате са Каггле платформом за науку о подацима. Титаник скуп података састоји се од аутентичних података о потонућу несретног брода.
Укључује детаље као што су старост особе, социоекономски статус, пол, број кабине, лука поласка и, што је најважније, да ли су преживели!
Техника К-неарест Неигхбор и класификатор стабла одлука су одређени да дају најбоље резултате за овај пројекат. Ако тражите брзи изазов за викенд да побољшате своје Способности машинског учења, овај на Каггле-у је за вас.
2. Ирска класификација цвећа
Почетници воле пројекат категоризације цветова ириса и то је одлично место за почетак ако сте нови у машинском учењу. Дужина сепала и латица разликује цветове ириса од других врста. Сврха овог пројекта је да одвоји цветове у три врсте: Вирџинија, сетоза и версицолор.
За вежбе класификације, пројекат користи скуп података цвета ириса, који помаже ученицима да науче основе рада са нумеричким вредностима и подацима. Скуп података о цвету ириса је мали који се може ускладиштити у меморији без потребе за скалирањем.
3. Предвиђање цене куће у Бостону
Још један добро познат скуп података за почетнике у машинском учењу је Бостон Хоусинг подаци. Његов циљ је предвиђање вредности кућа у различитим бостонским насељима. Укључује виталне статистике као што су старост, стопа пореза на имовину, стопа криминала, па чак и близина центара за запошљавање, што све може утицати на цене становања.
Скуп података је једноставан и сићушан, што га чини лаким за експериментисање за почетнике. Да би се открило који фактори утичу на цену некретнине у Бостону, регресионе технике се интензивно користе на различитим параметрима. То је одлично место за вежбање техника регресије и процену колико добро функционишу.
4. Испитивање квалитета вина
Вино је необично алкохолно пиће које захтева године ферментације. Као резултат тога, античка боца вина је скупо и висококвалитетно вино. За одабир идеалне боце вина потребне су године знања о дегустацији вина, а то може бити процес хит-ор-мисс.
Пројекат испитивања квалитета вина оцењује вина коришћењем физичко-хемијских тестова као што су ниво алкохола, фиксна киселост, густина, пХ и други фактори. Пројекат такође утврђује критеријуме квалитета и количине вина. Као резултат тога, куповина вина постаје лака.
5. Предвиђање берзе
Ова иницијатива је интригантна да ли радите у финансијском сектору или не. Податке о берзи опсежно проучавају академици, предузећа, па чак и као извор секундарног прихода. Способност научника података да проучава и истражује податке временских серија је такође од виталног значаја. Подаци са берзе су одлично место за почетак.
Суштина подухвата је да се предвиди будућа вредност акције. Ово се заснива на тренутним тржишним перформансама, као и на статистикама из претходних година. Каггле прикупља податке о НИФТИ-50 индексу од 2000. године, а тренутно се ажурира недељно. Од 1. јануара 2000. садржи цене акција за преко 50 организација.
6. Препорука филма
Сигуран сам да сте имали тај осећај након што сте гледали добар филм. Да ли сте икада осетили порив да раздражите своја чула гледајући сличне филмове?
Знамо да су ОТТ услуге као што је Нетфлик значајно побољшале своје системе препорука. Као студент машинског учења, мораћете да разумете како такви алгоритми циљају клијенте на основу њихових преференција и рецензија.
ИМДБ скуп података на Каггле-у је вероватно један од најкомплетнијих, што омогућава да се модели препорука могу закључити на основу наслова филма, оцене корисника, жанра и других фактора. То је такође одличан метод за учење о филтрирању заснованом на садржају и инжењерингу функција.
7. Предвиђање подобности учитавања
Свет се врти око кредита. Највећи извор профита банака потиче од камата на кредите. Стога су они њихов основни посао.
Појединци или групе појединаца могу само да прошире привреду тако што ће уложити новац у фирму у нади да ће јој вредност у будућности порасти. Понекад је важно тражити зајам да бисте могли да преузмете ризике ове природе, па чак и да учествујете у одређеним светским задовољствима.
Пре него што се зајам прихвати, банке обично морају да прате прилично строг процес. Пошто су зајмови тако кључни аспект живота многих људи, предвиђање подобности за кредит за који неко аплицира било би изузетно корисно, омогућавајући боље планирање након прихватања или одбијања кредита.
8. Анализа расположења помоћу података са Твитера
Захваљујући мреже друштвених медија попут Твитера, Фацебоока и Реддита, екстраполација мишљења и трендова је постала прилично лака. Ове информације се користе за уклањање мишљења о догађајима, људима, спорту и другим темама. Иницијативе за машинско учење у вези са рударењем мишљења примењују се у различитим окружењима, укључујући политичке кампање и процене Амазон производа.
Овај пројекат ће изгледати фантастично у вашем портфолију! За откривање емоција и анализу засновану на аспекту, технике као што су машине за векторе подршке, регресија и алгоритми за класификацију могу се у великој мери користити (проналажење чињеница и мишљења).
9. Предвиђање будуће продаје
Велика Б2Ц предузећа и трговци желе да знају колико ће сваки производ у њиховом инвентару продати. Предвиђање продаје помаже власницима предузећа да одреде за којим артиклима постоји велика потражња. Прецизно предвиђање продаје значајно ће смањити губитак, а истовремено ће одредити инкрементални утицај на будуће буџете.
Продавци као што су Валмарт, ИКЕА, Биг Баскет и Биг Базаар користе предвиђање продаје да би проценили потражњу за производима. Морате бити упознати са различитим техникама чишћења необрађених података да бисте направили такве МЛ пројекте. Такође, потребно је добро разумевање регресионе анализе, посебно једноставне линеарне регресије.
За ове врсте задатака, мораћете да користите библиотеке као што су Дора, Сцрубадуб, Пандас, НумПи и друге.
КСНУМКС. Детекција лажних вести
То је још један најсавременији напор машинског учења намењен школској деци. Лажне вести се шире попут пожара, као што сви знамо. Све је доступно на друштвеним мрежама, од повезивања појединаца до читања дневних вести.
Као резултат тога, откривање лажних вести ових дана постаје све теже. Многе велике мреже друштвених медија, као што су Фејсбук и Твитер, већ имају постављене алгоритме за откривање лажних вести у објавама и фидовима.
Да би се идентификовале лажне вести, овом типу МЛ пројекта је потребно темељно разумевање вишеструких НЛП приступа и класификационих алгоритама (ПассивеАггрессивеЦлассифиер или Наиве Баиес класификатор).
КСНУМКС. Предвиђање куповине купона
Купци све више размишљају о куповини на мрежи када је коронавирус напао планету 2020. године. Као резултат тога, шопинг установе су биле принуђене да пребаце своје пословање на интернет.
Купци, с друге стране, и даље траже одличне понуде, баш као што су били у продавницама, и све више траже купоне за супер уштеду. Постоје чак и веб странице посвећене креирању купона за такве клијенте. Можете научити о рударењу података у машинском учењу, изради тракастих графикона, тортних графикона и хистограма за визуелизацију података и инжењеринг карактеристика помоћу овог пројекта.
Да бисте генерисали предвиђања, такође можете погледати приступе импутације података за управљање НА вредностима и косинусном сличношћу променљивих.
КСНУМКС. Предвиђање одлива купаца
Потрошачи су најважнија имовина компаније и њихово очување је од виталног значаја за свако пословање које има за циљ да повећа приход и изгради дугорочне смислене везе са њима.
Штавише, трошкови стицања новог клијента су пет пута већи од трошкова одржавања постојећег. Одлив/одбацивање купаца је добро познати пословни проблем у којем купци или претплатници престају да послују са услугом или компанијом.
У идеалном случају, они више неће бити клијент који плаћа. Клијент се сматра одбаченим ако је прошло одређено време од последње интеракције клијента са компанијом. Утврђивање да ли ће клијент одустати, као и брзо давање релевантних информација у циљу задржавања клијената, од кључне је важности за смањење одлива.
Наши мозгови нису у стању да предвиде промет купаца за милионе клијената; ево где машинско учење може помоћи.
КСНУМКС. Валлмарт предвиђање продаје
Једна од најистакнутијих примена машинског учења је предвиђање продаје, које укључује откривање карактеристика које утичу на продају производа и предвиђање будућег обима продаје.
Валмарт скуп података, који садржи податке о продаји са 45 локација, користи се у овој студији машинског учења. Продаја по продавници, по категоријама, на недељној бази је укључена у скуп података. Сврха овог пројекта машинског учења је да предвиди продају за свако одељење у сваком продајном месту како би могли да донесу бољу оптимизацију канала на основу података и одлуке о планирању залиха.
Рад са Валмарт скупом података је тежак јер садржи одабране догађаје смањења вредности који утичу на продају и које треба узети у обзир.
КСНУМКС. Убер анализа података
Када је у питању имплементација и интеграција машинског учења и дубоког учења у њихове апликације, популарна услуга дељења вожње не заостаје много. Сваке године обрађује милијарде путовања, омогућавајући путницима да путују у било које доба дана или ноћи.
Пошто има тако велику базу клијената, потребна му је изузетна услуга за кориснике како би се што пре одговорило на жалбе потрошача.
Убер има скуп података од милиона преузимања које може да користи за анализу и приказ путовања клијената како би открио увиде и побољшао корисничко искуство.
КСНУМКС. Цовид-19 анализа
ЦОВИД-19 је данас захватио свет, и то не само у смислу пандемије. Док се медицински стручњаци концентришу на стварање ефикасних вакцина и имунизацију света, научници за податке не заостају много.
Нови случајеви, дневни број активних случајева, смртни случајеви и статистика тестирања се објављују. Прогнозе се праве на дневној бази на основу избијања САРС-а из претходног века. За ово можете користити регресиону анализу и подржати моделе предвиђања засноване на векторским машинама.
Zakljucak
Да резимирамо, разговарали смо о неким од најбољих МЛ пројеката који ће вам помоћи у тестирању програмирања машинског учења, као и да схватите његове идеје и имплементацију. Познавање како да интегришете машинско учење може вам помоћи да напредујете у својој професији док технологија преузима маха у свакој индустрији.
Док учите машинско учење, препоручујемо вам да вежбате своје концепте и напишете све своје алгоритме. Писање алгоритама током учења је важније од извођења пројекта, а такође вам пружа предност у правилном разумевању предмета.
Ostavite komentar