Daptar eusi[Sumputkeun][Témbongkeun]
- 1. Titanic
- 2. Klasifikasi Kembang Irlandia
- 3. Boston House Prediksi Harga
- 4. Uji Kualitas Anggur
- 5. Prediksi Pasar Saham
- 6. Rekomendasi pilem
- 7. Beban Eligibility prediksi
- 8. Analisis Sentimen ngagunakeun Data Twitter
- 9. Prediksi Penjualan hareup
- 10. Deteksi Warta Palsu
- 11. Prediksi Meuli Kupon
- 12. Customer Churn prediksi
- 13. Wallmart Penjualan Forecasting
- 14. Analisis Data Uber
- 15. Analisis Covid-19
- kacindekan
Pembelajaran mesin mangrupikeun ulikan saderhana ngeunaan cara ngadidik program komputer atanapi algoritma pikeun ningkatkeun bertahap dina padamelan khusus anu dipasihkeun dina tingkat anu luhur. Idéntifikasi gambar, deteksi panipuan, sistem rekomendasi, sareng aplikasi pembelajaran mesin anu sanés parantos kabuktosan populer.
Pakasaban ML ngajadikeun pagawéan manusa saderhana sareng éfisién, ngahémat waktos sareng mastikeun hasil anu berkualitas luhur. Malah Google, mesin pencari pang populerna di dunya, ngagunakeun learning mesin.
Tina nganalisa pamundut pangguna sareng ngarobih hasil dumasar kana hasil dugi ka nunjukkeun topik sareng iklan anu aya hubunganana sareng pamundut, aya sababaraha pilihan anu sayogi.
Téknologi anu perséptif sareng koréksi diri henteu jauh ka hareup.
Salah sahiji cara anu pangsaéna pikeun ngamimitian nyaéta pikeun ngararancang proyék. Ku alatan éta, kami geus disusun daptar 15 proyék learning mesin luhur pikeun pamula pikeun ngamimitian anjeun.
1. Titanic
Ieu sering dianggap salah sahiji tugas anu paling hébat sareng paling pikaresepeun pikeun saha waé anu resep diajar langkung seueur ngeunaan mesin diajar. Tantangan Titanic mangrupikeun proyék pembelajaran mesin anu populer anu ogé janten jalan anu saé pikeun kenal sareng platform élmu data Kaggle. Dataset Titanic diwangun ku data asli tina tilelepna kapal anu malang.
Éta kalebet detil sapertos umur jalma, status sosial ékonomi, gender, nomer kabin, palabuhan miang, sareng, anu paling penting, naha aranjeunna salamet!
Téhnik K-Nearest Neighbor sareng klasifikasi tangkal kaputusan ditangtukeun pikeun ngahasilkeun hasil anu pangsaéna pikeun proyék ieu. Upami anjeun milarian tantangan sabtu minggu gancang pikeun ningkatkeun pidangan anjeun Kamampuhan Mesin Diajar, ieu dina Kaggle kanggo anjeun.
2. Kembang Klasifikasi Irlandia
Pemula resep kana proyék categorization kembang iris, sareng éta mangrupikeun tempat anu saé pikeun ngamimitian upami anjeun énggal-énggal diajar mesin. Panjang sepal sareng kelopak ngabédakeun kembang iris tina spésiés sanés. Tujuan proyék ieu pikeun misahkeun mekar kana tilu spésiés: Virginia, setosa, sareng Versicolor.
Pikeun latihan klasifikasi, proyék éta ngagunakeun set data kembang Iris, anu ngabantosan murid diajar dasar-dasar ngungkulan nilai sareng data numerik. Dataset kembang iris mangrupikeun alit anu tiasa disimpen dina mémori tanpa peryogi skala.
3. Boston House Prediksi Harga
Lain kawentar dataset pikeun novices dina machine learning nyaeta data Boston Perumahan. Tujuanana nyaéta pikeun ngaramalkeun nilai bumi di sababaraha lingkungan Boston. Éta kalebet statistik vital sapertos umur, tingkat pajeg harta, tingkat kajahatan, bahkan caket kana pusat padamelan, sadayana tiasa mangaruhan harga perumahan.
Datasetna saderhana sareng alit, janten saderhana pikeun ékspérimén pikeun pemula. Pikeun terang faktor naon anu mangaruhan harga harta di Boston, téknik régrési seueur dianggo dina sababaraha parameter. Ieu mangrupikeun tempat anu saé pikeun ngalaksanakeun téknik régrési sareng meunteun kumaha jalanna.
4. Uji Kualitas Anggur
Anggur mangrupikeun inuman alkohol anu teu biasa anu peryogi fermentasi mangtaun-taun. Balukarna, botol anggur antik mangrupikeun anggur anu mahal sareng kualitas luhur. Milih botol idéal anggur merlukeun pangaweruh tasting anggur mangtaun-taun, tur éta bisa jadi prosés hit-atawa-miss.
Proyek test kualitas anggur ngaevaluasi wines ngagunakeun tés physicochemical kayaning tingkat alkohol, kaasaman dibereskeun, probability density, pH, sarta faktor séjén. proyék ogé nangtukeun kriteria kualitas anggur urang jeung kuantitas. Hasilna, purchasing anggur janten angin ngahiliwir hiji.
5. Prediksi Pasar Saham
Inisiatif ieu pikaresepeun naha anjeun damel atanapi henteu dina séktor kauangan. Data pasar saham diulik sacara éksténsif ku akademisi, usaha, komo salaku sumber panghasilan sekundér. Kamampuh élmuwan data pikeun diajar sareng ngajalajah data séri waktos ogé penting. Data ti pasar saham mangrupikeun tempat anu saé pikeun ngamimitian.
Hakekat bagean téh Prakira alam nilai kahareup stock a. Ieu dumasar kana kinerja pasar ayeuna ogé statistik ti taun saméméh. Kaggle geus ngumpulkeun data dina indéks NIFTY-50 saprak 2000, sarta eta geus ayeuna diropéa mingguan. Kusabab 1 Januari 2000, éta geus ngandung harga saham keur leuwih 50 organisasi.
6. Rekomendasi Pilem
Kuring yakin anjeun parantos ngalaman éta saatos ningali pilem anu saé. Naha anjeun kantos ngaraos dorongan pikeun ngageterkeun indra anjeun ku nonton pilem anu sami?
Kami terang yén jasa OTT sapertos Netflix parantos ningkatkeun sistem rekomendasina sacara signifikan. Salaku murid diajar mesin, anjeun kedah ngartos kumaha algoritma sapertos nargétkeun klien dumasar kana karesep sareng ulasanna.
Data IMDB anu disetél dina Kaggle sigana salah sahiji anu paling lengkep, ngamungkinkeun modél rekomendasi disimpulkeun dumasar kana judul pilem, rating pelanggan, genre, sareng faktor sanésna. Éta ogé cara anu saé pikeun diajar ngeunaan Saringan Berbasis Kandungan sareng Téknik Fitur.
7. Beban Eligibility prediksi
Dunya revolves sabudeureun injeuman. Sumber utama kauntungan bank asalna tina bunga pinjaman. Lantaran kitu aranjeunna bisnis dasarna.
Individu atawa grup individu ngan bisa dilegakeun ékonomi ku investasi duit dina sungut dina harepan ningali eta naek dina nilai di mangsa nu bakal datang. Kadang-kadang penting pikeun milarian injeuman pikeun tiasa nyandak résiko alam ieu sareng bahkan ngiringan kasenangan dunya anu tangtu.
Sateuacan pinjaman tiasa ditampi, bank biasana gaduh prosés anu cukup ketat pikeun diturutan. Kusabab injeuman mangrupikeun aspék anu penting dina kahirupan seueur jalma, ngaramalkeun kalayakan pikeun pinjaman anu dilamar ku batur bakal mangpaat pisan, ngamungkinkeun pikeun ngarencanakeun anu langkung saé saluareun pinjaman anu ditampi atanapi ditolak.
8. Sentimen Analisis ngagunakeun Twitter Data
Hatur nuhun ka jaringan média sosial kawas Twitter, Facebook, sarta Reddit, extrapolating pamadegan sarta tren geus gotten considerably gampang. Inpormasi ieu dianggo pikeun ngaleungitkeun pendapat ngeunaan acara, jalma, olahraga, sareng topik anu sanés. Inisiatif pembelajaran mesin anu aya hubunganana sareng pendapat diterapkeun dina sababaraha setélan, kalebet kampanye politik sareng evaluasi produk Amazon.
Proyék ieu bakal katingali saé dina portopolio anjeun! Pikeun deteksi émosi sareng analisis dumasar-aspék, téknik sapertos mesin vektor dukungan, régrési, sareng algoritma klasifikasi tiasa dianggo sacara éksténsif (nyungsi fakta sareng opini).
9. Prediksi Penjualan hareup
Usaha sareng padagang B2C ageung hoyong terang sabaraha unggal produk dina inventarisna bakal dijual. Ramalan penjualan ngabantosan pamilik usaha pikeun nangtoskeun barang-barang mana anu diperyogikeun. Ramalan penjualan anu akurat bakal sacara signifikan ngirangan runtah bari ogé nangtukeun dampak incremental dina anggaran ka hareup.
Pangecér sapertos Walmart, IKEA, Big Basket, sareng Big Bazaar nganggo ramalan penjualan pikeun ngira-ngira paménta produk. Anjeun kedah wawuh sareng sababaraha téknik ngabersihkeun data atah pikeun ngawangun proyék ML sapertos kitu. Ogé, keupeul anu hadé ngeunaan analisa régrési, khususna régrési liniér basajan, diperyogikeun.
Pikeun jinis tugas ieu, anjeun kedah nganggo perpustakaan sapertos Dora, Scrubadub, Pandas, NumPy, sareng anu sanésna.
10. Deteksi Warta Palsu
Ieu mangrupikeun usaha diajar mesin canggih anu ditujukeun pikeun murangkalih sakola. Warta palsu nyebar sapertos seuneu, sakumaha anu urang terang. Sadayana sayogi dina média sosial, ti ngahubungkeun individu dugi ka maca warta sapopoé.
Hasilna, ngadeteksi warta palsu parantos janten sesah dinten ayeuna. Seueur jaringan média sosial ageung, sapertos Facebook sareng Twitter, parantos ngagaduhan algoritma pikeun ngadeteksi warta palsu dina postingan sareng feed.
Pikeun ngaidentipikasi warta palsu, jenis proyék ML ieu peryogi pamahaman anu lengkep ngeunaan sababaraha pendekatan NLP sareng algoritma klasifikasi (PassiveAggressiveClassifier atanapi Naive Bayes classifier).
11. Prediksi Meuli Kupon
Konsumén beuki mikiran mésér online nalika coronavirus nyerang pangeusina dina taun 2020. Hasilna, toko balanja kapaksa ngalihkeun bisnisna online.
Konsumén, di sisi anu sanésna, masih milarian tawaran anu saé, sapertos di toko-toko, sareng beuki moro kupon super-nyimpen. Aya situs web malah dedicated ka nyieun kupon pikeun klien misalna. Anjeun tiasa diajar ngeunaan pertambangan data dina pembelajaran mesin, ngahasilkeun grafik bar, diagram pai, sareng histogram pikeun ngabayangkeun data, sareng fitur rékayasa sareng proyék ieu.
Pikeun ngahasilkeun prediksi, anjeun ogé tiasa ningali kana pendekatan imputasi data pikeun ngatur nilai NA sareng kasaruaan kosinus variabel.
12. Prediksi Churn Palanggan
Konsumén mangrupikeun aset perusahaan anu paling penting, sareng ngajaga aranjeunna penting pisan pikeun usaha naon waé anu tujuanana pikeun ningkatkeun pendapatan sareng ngawangun hubungan anu bermakna jangka panjang sareng aranjeunna.
Saterusna, biaya acquiring hiji klien anyar lima kali leuwih luhur ti biaya sustaining nu geus aya. Customer Churn / Attrition mangrupikeun masalah bisnis anu terkenal dimana para nasabah atanapi palanggan lirén ngalakukeun bisnis sareng jasa atanapi perusahaan.
Aranjeunna idéal moal deui janten palanggan anu mayar. A nasabah dianggap churned lamun geus jumlah nu tangtu waktu saprak customer panungtungan berinteraksi sareng parusahaan. Ngidentipikasi naha klien bakal churn, kitu ogé swiftly méré informasi relevan aimed di ingetan customer, anu krusial pikeun nurunkeun churn.
Otak urang henteu mampuh ngantisipasi omzet palanggan pikeun jutaan klien; Ieu tempat diajar mesin tiasa ngabantosan.
13. Wallmart Penjualan Forecasting
Salah sahiji aplikasi pembelajaran mesin anu pang menonjol nyaéta ramalan penjualan, anu ngalibatkeun ngadeteksi ciri anu mangaruhan penjualan produk sareng ngantisipasi volume penjualan ka hareup.
The Walmart dataset, nu ngandung data jualan ti 45 lokasi, dipaké dina ulikan machine learning ieu. Penjualan per toko, dumasar kategori, dina dasar mingguan kaasup kana susunan data. Tujuan tina proyék learning machine ieu pikeun ngantisipasi penjualan pikeun tiap departemén di unggal outlet ambéh maranéhanana bisa nyieun optimasi saluran data-disetir hadé jeung kaputusan tata inventaris.
Gawe sareng dataset Walmart hese sabab ngandung acara markdown dipilih nu boga dampak dina jualan na kudu dianggap.
14. Analisis Data Uber
Nalika datang ka ngalaksanakeun sareng ngahijikeun pembelajaran mesin sareng diajar jero dina aplikasina, ladenan ngabagi perjalanan anu populér henteu jauh. Unggal taun, éta ngolah milyaran perjalanan, ngamungkinkeun para komuter ngarambat iraha waé siang atanapi wengi.
Kusabab éta ngagaduhan basis klien anu ageung, peryogi palayanan palanggan anu luar biasa pikeun ngarengsekeun keluhan konsumen gancang-gancang.
Uber gaduh set data tina jutaan pick-up anu tiasa dianggo pikeun nganalisa sareng ningalikeun perjalanan klien pikeun mendakan wawasan sareng ningkatkeun pangalaman palanggan.
15. Analisis Covid-19
COVID-19 parantos nyapu dunya ayeuna, sareng sanés ngan ukur dina rasa pandémik. Nalika para ahli médis konsentrasi dina ngahasilkeun vaksinasi anu épéktip sareng imunisasi dunya, élmuwan data teu jauh katinggaleun.
Kasus anyar, cacah aktip sapopoé, fatalities, sareng statistik tés sadayana diumumkeun. Ramalan dilakukeun unggal dinten dumasar kana wabah SARS dina abad ka tukang. Pikeun ieu, anjeun tiasa nganggo analisa régrési sareng ngadukung modél prediksi dumasar-mesin vektor.
kacindekan
Pikeun nyimpulkeun, kami parantos ngabahas sababaraha proyék ML top anu bakal ngabantosan anjeun pikeun nguji pamrograman Pembelajaran Mesin ogé nangkep ide sareng palaksanaanana. Nyaho kumaha ngahijikeun Pembelajaran Mesin tiasa ngabantosan anjeun maju dina profési anjeun nalika téknologi nyandak alih di unggal industri.
Nalika diajar Machine Learning, kami nyarankeun yén anjeun ngalaksanakeun konsép anjeun sareng nyerat sadaya algoritma anjeun. Nulis algoritma nalika diajar langkung penting tibatan ngalaksanakeun proyek, sareng éta ogé masihan anjeun kauntungan dina ngartos mata pelajaran anu leres.
Leave a Reply