Tafole ea likateng[Pata][Bontša]
- 1 Titanic
- 2. Irish Flower Classification
- 3. Boston House Price Prediction
- 4. Teko ea Boleng ba Veine
- 5. Phatlalatso ea 'Maraka oa Lichelete
- 6. Keletso ea Movie
- 7. Phatlalatso ea Tšoaneleho ea Mojaro
- 8. Sentiment Analysis ho sebelisa Twitter Data
- 9. Boprofeta ba Thekiso ea Bokamoso
- 10. Ho fumanoa ha litaba tsa bohata
- 11. Litlankana Reka Prediction
- 12. Customer Churn Prediction
- 13. Polelo ea Thekiso ea Wallmart
- 14. Tlhahlobo ea Boitsebiso ba Uber
- 15. Tlhahlobo ea Covid-19
- fihlela qeto e
Ho ithuta ka mochine ke thuto e bonolo ea mokhoa oa ho ruta lenaneo la k'homphieutha kapa algorithm ho ntlafatsa butle-butle mosebetsing o itseng o hlahisoang boemong bo phahameng. Ho tsebahatsa litšoantšo, bomenemene, lits'ebetso tsa likhothaletso, le lisebelisoa tse ling tsa ho ithuta ka mochini li se li ipakile li tumme.
Mesebetsi ea ML e etsa hore mosebetsi oa batho o be bonolo le o sebetsang hantle, o boloka nako le ho netefatsa sephetho sa boleng bo holimo. Le Google, enjine ea ho batla e tsebahalang haholo lefatšeng, ea sebelisa ho ithuta mochine.
Ho tloha ho sekaseka potso ea mosebelisi le ho fetola sephetho ho latela liphetho ho isa ho litaba tse tumileng le lipapatsong mabapi le potso, ho na le likhetho tse fapaneng tse fumanehang.
Theknoloji e nang le temohisiso le ea ho itokisa ha e hole haholo nakong e tlang.
E 'ngoe ea litsela tse kholo ka ho fetisisa tsa ho qala ke ho fumana matsoho le ho rala morero. Ka hona, re hlophisitse lethathamo la merero e 15 e holimo ea ho ithuta mochini bakeng sa ba qalang ho u qalisa.
1. Titanic
Hangata sena se nkuoa e le o mong oa mesebetsi e meholo le e monate ho mang kapa mang ea nang le thahasello ea ho ithuta haholoanyane ka ho ithuta ka mochini. Phephetso ea Titanic ke morero o tsebahalang oa ho ithuta mochini oo hape o sebetsang e le mokhoa o motle oa ho tloaelana le sethala sa mahlale a data sa Kaggle. Lethathamo la data la Titanic le entsoe ka lintlha tsa 'nete tse tsoang ho teba ha sekepe se sa sebetseng hantle.
E kenyelletsa lintlha tse kang lilemo tsa motho, boemo ba moruo oa kahisano, bong, nomoro ea kamore, boema-kepe ba ho tloha, 'me haholo-holo, hore na ba pholohile!
Mokhoa oa K-Nearest Neighbor le mohlahlobi oa sefate sa liqeto li ne li ikemiselitse ho hlahisa litholoana tse ntle bakeng sa projeke ena. Haeba u batla phephetso e potlakileng ea beke ea beke ho ntlafatsa hau Bokhoni ba ho Ithuta ka Mochini, ena e ho Kaggle ke ea hau.
2. Irish Flower Classification
Ba qalang ba rata morero oa ho arola lipalesa tsa iris, 'me ke sebaka se setle sa ho qala haeba u sa tsoa ithuta ka mochini. Bolelele ba li-sepals le lipalesa li khetholla lipalesa tsa iris ho mefuta e meng. Morero oa morero ona ke ho arola lithunthung ka mefuta e meraro: Virginia, setosa le Versicolor.
Bakeng sa lithupelo tsa ho arola, projeke e sebelisa pokello ea nalane ea lipalesa tsa Iris, e thusang baithuti ho ithuta metheo ea ho sebetsana le lipalo le lintlha. Lethathamo la palesa ea iris ke e nyane e ka bolokoang mohopolong ntle le tlhoko ea ho eketsoa.
3. Boston House Price Prediction
E 'ngoe e tsebahalang dataset bakeng sa ba qalang ho ithuta ka mochini ke data ea Boston Housing. Sepheo sa eona ke ho bolela esale pele boleng ba lehae libakeng tse fapaneng tsa Boston. E akarelletsa lipalo-palo tsa bohlokoa tse kang lilemo, sekhahla sa lekhetho la thepa, sekhahla sa tlōlo ea molao, esita le ho ba haufi le libaka tsa mesebetsi, tseo kaofela li ka amang litheko tsa matlo.
Dataset e bonolo ebile e nyane, e etsa hore ho be bonolo ho etsa liteko bakeng sa ba qalang. Ho tseba hore na ke lintlha life tse susumetsang theko ea thepa Boston, mekhoa ea ho theola maemo e sebelisoa haholo ho liparamente tse fapaneng. Ke sebaka se setle sa ho itloaetsa mekhoa ea ho khutlisetsa morao le ho lekola hore na e sebetsa hantle hakae.
4. Teko ea Boleng ba Veine
Veine ke seno se sa tloaelehang sa joala se hlokang lilemo tse ngata ho lomosoa. Ka lebaka leo, botlolo ea khale ea veine ke veine e theko e boima le ea boleng bo phahameng. Ho khetha botlolo e loketseng ea veine ho hloka lilemo tsa tsebo ea tatso ea veine, 'me e ka ba ts'ebetso ea ho otla kapa ho fosa.
Morero oa tlhahlobo ea boleng ba veine e lekola veine e sebelisa liteko tsa physicochemical joalo ka boemo ba tai, acidity e tsitsitseng, letsoalo, pH, le lintlha tse ling. Morero o boetse o etsa qeto ea maemo a boleng ba veine le bongata. Ka lebaka leo, ho reka veine ho fetoha moea o pholileng.
5. Polelo ea Mmaraka oa Lichelete
Mohato ona oa makatsa hore na o sebetsa lekaleng la lichelete kapa che. Lintlha tsa 'maraka oa li-stock li ithutoa haholo ke barutehi, likhoebo, esita le joalo ka mohloli oa chelete ea bobeli. Bokhoni ba rasaense ba data ba ho ithuta le ho hlahloba lintlha tsa letoto la nako le bona bo bohlokoa. Lintlha tse tsoang 'marakeng oa lichelete ke sebaka se setle sa ho qala.
Taba ea mantlha ke ho lepa boleng ba kamoso ba stock. Sena se ipapisitse le tšebetso ea hajoale ea 'maraka hammoho le lipalo-palo tsa lilemo tse fetileng. Kaggle esale e bokella lintlha ho index ea NIFTY-50 ho tloha 2000, 'me hajoale e nchafatsoa beke le beke. Ho tloha ka la 1 Pherekhong 2000, e na le litheko tsa setoko bakeng sa mekhatlo e fetang 50.
6. Keletso ea lifilimi
Kea kholoa u bile le maikutlo a joalo ka mor'a ho bona filimi e monate. A na u kile ua ikutloa u batla ho sisinya likelello tsa hau ka ho itlopa joala ho shebella lifilimi tse tšoanang?
Rea tseba hore litšebeletso tsa OTT tse kang Netflix li ntlafalitse mekhoa ea bona ea likhothaletso haholo. Joaloka moithuti oa ho ithuta ka mochini, o tla hloka ho utloisisa hore na li-algorithms tse joalo li lebisa bareki ho latela seo ba se ratang le maikutlo a bona joang.
Lintlha tsa IMDB tse behiloeng ho Kaggle e kanna ea ba e 'ngoe ea tse felletseng ka ho fetesisa, tse lumellang mefuta ea likhothaletso ho ipapisitsoe le sehlooho sa lifilimi, boemo ba bareki, mofuta le lintlha tse ling. Hape ke mokhoa o motle haholo oa ho ithuta ka Sesefa se thehiloeng ho Content-Based Filtering le Feature Engineering.
7. Phatlalatso ea ho Tšoaneleha Prediction
Lefatše le pota-potile likalimo. Mohloli o moholo oa libanka o tsoa ho tsoala ea likalimo. Kahoo ke khoebo ea bona ea mantlha.
Batho ka bomong kapa lihlopha tsa batho ba ka holisa moruo feela ka ho tsetela chelete femeng ka tšepo ea ho e bona e nyoloha boleng ba eona nakong e tlang. Ka linako tse ling ke habohlokoa ho batla sekoloto ho khona ho ipeha kotsing ea mofuta ona esita le ho kopanela menyaka e itseng ea lefatše.
Pele mokoloto o ka amoheloa, hangata libanka li na le ts'ebetso e tiileng e lokelang ho lateloa. Kaha likalimo e le karolo ea bohlokoa bophelong ba batho ba bangata, ho bolela esale pele ho tšoaneleha bakeng sa kalimo eo motho e mong a e kopang ho tla ba molemo haholo, ho lumella moralo o betere ho feta kalimo e amoheloang kapa e hanoang.
8. Sentiment Analysis ho sebelisa Twitter Data
Thanks ho marangrang a litaba tsa sechaba joalo ka Twitter, Facebook, le Reddit, maikutlo le litloaelo tse eketsehileng li se li le bonolo haholo. Boitsebiso bona bo sebelisetsoa ho felisa maikutlo a mabapi le liketsahalo, batho, lipapali le lihlooho tse ling. Maikutlo a maano a ho ithuta mochini a amanang le merafo a ntse a sebelisoa maemong a fapaneng, ho kenyeletsoa matšolo a lipolotiki le litlhahlobo tsa lihlahisoa tsa Amazon.
Morero ona o tla shebahala o le monate ho photefolio ea hau! Bakeng sa tlhahlobo ea maikutlo le tlhahlobo e ipapisitseng le likarolo, mekhoa e joalo ka mechini e tšehetsang vector, regression, le classification algorithms e ka sebelisoa haholo (ho fumana lintlha le maikutlo).
9. Boprofeta ba Thekiso ea Bokamoso
Likhoebo tse kholo tsa B2C le barekisi ba batla ho tseba hore na sehlahisoa ka seng lethathamong la bona se tla rekisa bokae. Thekiso ea bolepi ba thekiso e thusa beng ba likhoebo ho tseba hore na ke lintho life tse batloang haholo. Ponelopele e nepahetseng ea thekiso e tla fokotsa ts'enyehelo haholo ha e ntse e fana ka maikutlo a tlatsetso ea likhakanyo tsa nako e tlang.
Barekisi ba kang Walmart, IKEA, Big Basket, le Big Bazaar ba sebelisa ponelopele ea thekiso ho hakanya tlhoko ea lihlahisoa. U tlameha ho tseba mekhoa e fapaneng ea ho hloekisa data e tala ho aha merero e joalo ea ML. Hape, ho hlokahala kutloisiso e ntle ea tlhahlobo ea regression, haholo-holo mokhoa o bonolo oa ho khutlela morao.
Bakeng sa mefuta ena ea mesebetsi, o tla hloka ho sebelisa lilaeborari tse kang Dora, Scrubadub, Pandas, NumPy, le tse ling.
10. Phatlalatso ea Litaba tsa Bohata
Ke boiteko bo bong ba morao-rao ba ho ithuta mochini bo reretsoeng bana ba sekolo. Litaba tsa bohata li hasana joalo ka mollo oa hlaha, joalo ka ha bohle re tseba. Ntho e ngoe le e ngoe e fumaneha mecheng ea litaba tsa sechaba, ho tloha ho ho hokahanya batho ho isa ho ho bala litaba tsa letsatsi le letsatsi.
Ka lebaka leo, ho fumana litaba tsa bohata ho ntse ho thatafala le ho feta matsatsing ana. Marang-rang a mangata a maholo a mecha ea litaba ea sechaba, joalo ka Facebook le Twitter, a se a ntse a e-na le li-algorithms tsa ho bona litaba tse iqapetsoeng liphatlalatsong le lijong.
Ho tseba litaba tsa bohata, mofuta ona oa morero oa ML o hloka kutloisiso e phethahetseng ea mekhoa e mengata ea NLP le li-algorithms tsa lihlopha (PassiveAggressiveClassifier kapa Naive Bayes classifier).
11. Litlankana Reka Prediction
Bareki ba ntse ba nahana ka ho reka inthaneteng ha coronavirus e hlasela polanete ka 2020. Ka lebaka leo, likhoebo tsa mabenkele li qobelletsoe ho fetola khoebo ea tsona inthaneteng.
Bareki, ka lehlakoreng le leng, ba ntse ba batla limpho tse kholo, joalo ka ha ba ne ba le mabenkeleng, 'me ba ntse ba tsoma li-coupons tse pholosang haholo. Ho na le liwebsaete tse ikemiselitseng ho theha li-coupons bakeng sa bareki ba joalo. U ka ithuta ka merafo ea data ho ithuteng ka mochini, ho hlahisa li-graph tsa bar, lichate tsa liphae, le histograms ho bona lintlha ka mahlo, le ho hlahisa boenjiniere le projeke ena.
Ho hlahisa likhakanyo, u ka boela ua sheba mekhoa ea ho kenya data bakeng sa ho laola boleng ba NA le ho tšoana ha cosine ea mefuta-futa.
12. Customer Churn Prediction
Bareki ke letlotlo la bohlokoahali la k'hamphani, 'me ho li boloka ho bohlokoa bakeng sa khoebo efe kapa efe e ikemiselitseng ho holisa lekeno le ho theha maqhama a bohlokoa a nako e telele le bona.
Ho feta moo, litšenyehelo tsa ho fumana moreki e mocha li phahame ka makhetlo a mahlano ho feta litšenyehelo tsa ho boloka ea teng. Customer Churn/Attrition ke bothata bo tsebahalang ba khoebo boo bareki kapa ba ngolisitseng ba khaotsang ho etsa khoebo ka tšebeletso kapa k'hamphani.
Ba ke ke ba hlola ba e-ba bareki ba lefang. Moreki o nkuoa a tsielehile haeba e se e le nako e itseng esale moreki a sebelisana le k'hamphani. Ho tseba hore na moreki o tla ferekana, hammoho le ho fana ka tlhaiso-leseling e nepahetseng ka potlako e reretsoeng ho boloka bareki, ho bohlokoa ho fokotsa khatello.
Boko ba rona ha bo khone ho lebella phetoho ea bareki bakeng sa limilione tsa bareki; mona ke moo ho ithuta ka mochini ho ka thusang.
13. Wallmart Sales Forecasting
E 'ngoe ea lits'ebetso tse hlahelletseng tsa ho ithuta ka mochini ke ponelopele ea thekiso, e kenyelletsang ho bona litšoaneleho tse susumetsang thekiso ea lihlahisoa le ho lebella bophahamo ba thekiso ea nako e tlang.
Lethathamo la Walmart, le nang le lintlha tsa thekiso ho tsoa libakeng tse 45, le sebelisoa thutong ena ea ho ithuta ka mochini. Lithekiso ka lebenkele ka leng, ho ea ka lihlopha, beke le beke li kenyelelitsoe pokellong ea lintlha. Morero oa morero ona oa ho ithuta ka mochini ke ho lebella thekiso ea lefapha le leng le le leng sebakeng se seng le se seng e le hore ba ka etsa ntlafatso ea mocha o tsamaisoang ke data le liqeto tsa moralo oa thepa.
Ho sebetsa le dataset ea Walmart ho thata kaha e na le liketsahalo tse khethiloeng tse nang le tšusumetso ho thekiso mme li lokela ho nahanoa.
14. Tlhahlobo ea Lintlha tsa Uber
Ha ho tluoa tabeng ea ho kenya tšebetsong le ho kopanya ho ithuta ka mochini le ho ithuta ka botebo lits'ebetsong tsa bona, ts'ebeletso e tsebahalang ea ho arolelana likoloi ha e saletse morao. Selemo se seng le se seng, e nka maeto a limilione tse likete, e lumellang bapalami ho tsamaea ka nako leha e le efe ea motšehare kapa bosiu.
Hobane e na le setsi se seholo sa bareki, se hloka litšebeletso tse ikhethang tsa bareki ho rarolla litletlebo tsa bareki kapele kamoo ho ka khonehang.
Uber e na le pokello ea lintlha tsa limilione tsa lintho tseo e ka li sebelisang ho sekaseka le ho bonts'a maeto a bareki ho utolla lintlha le ho ntlafatsa boiphihlelo ba bareki.
15. Tlhahlobo ea Covid-19
COVID-19 e aparetse lefatše kajeno, eseng feela ka kutloisiso ea seoa. Le ha litsebi tsa bongaka li tsepamisitse maikutlo ho hlahiseng liente tse sebetsang hantle le ho enta lefatše, bo-rasaense ba data ha ba salla morao.
Linyeoe tse ncha, palo ea letsatsi le letsatsi, mafu le lipalo-palo tsa liteko li ntse li phatlalatsoa. Boprofeta bo etsoa letsatsi le letsatsi ho ipapisitsoe le ho qhoma ha SARS lekholong le fetileng la lilemo. Bakeng sa sena, o ka sebelisa tlhahlobo ea khatello ea morao-rao le mekhoa ea ho bolela esale pele e thehiloeng mochining oa vector.
fihlela qeto e
Ho akaretsa, re buisane ka tse ling tsa merero ea mantlha ea ML e tla u thusa ho lekola mananeo a ho Ithuta ka Mechini hammoho le ho utloisisa mehopolo le ts'ebetsong ea ona. Ho tseba ho kopanya ho Ithuta ka Mechini ho ka u thusa hore u hatele pele mosebetsing oa hau ha theknoloji e ntse e tsoela pele indastering e 'ngoe le e 'ngoe.
Ha u ntse u ithuta ho Ithuta ka Mechini, re khothaletsa hore u ikoetlise maikutlo a hau le ho ngola li-algorithms tsa hau kaofela. Ho ngola algorithm ha u ntse u ithuta ho bohlokoa ho feta ho etsa projeke, hape ho u fa monyetla oa ho utloisisa lithuto hantle.
Leave a Reply