İçindekiler[Saklamak][Göstermek]
- 1. Titanik
- 2. İrlandalı Çiçek Sınıflandırması
- 3. Boston Ev Fiyat Tahmini
- 4. Şarap Kalitesi Testi
- 5. Borsa Tahmini
- 6. Film Önerisi
- 7. Yük Uygunluğu Tahmini
- 8. Twitter Verilerini Kullanarak Duygu Analizi
- 9. Gelecek Satış Tahmini
- 10. Sahte Haber Tespiti
- 11. Kupon Satın Alma Tahmini
- 12. Müşteri Kaybı Tahmini
- 13. Wallmart Satış Tahmini
- 14. Uber Veri Analizi
- 15. Covid-19 Analizi
- Sonuç
Makine öğrenimi, yüksek düzeyde sunulan belirli bir işi kademeli olarak geliştirmek için bir bilgisayar programının veya algoritmasının nasıl eğitileceğine dair basit bir çalışmadır. Görüntü tanımlama, dolandırıcılık tespiti, öneri sistemleri ve diğer makine öğrenimi uygulamalarının popüler olduğu zaten kanıtlanmıştır.
ML işleri, insan çalışmasını basit ve verimli hale getirerek zamandan tasarruf sağlar ve yüksek kaliteli bir sonuç sağlar. Dünyanın en popüler arama motoru olan Google bile makine öğrenme.
Kullanıcının sorgusunu analiz etmekten ve sonuçlara göre sonucu değiştirmekten, sorguyla ilgili trend konularını ve reklamları göstermeye kadar çeşitli seçenekler mevcuttur.
Hem algılayıcı hem de kendi kendini düzelten teknoloji, gelecekte çok uzakta değil.
Başlamanın en iyi yollarından biri, uygulamalı olarak bir proje tasarlamaktır. Bu nedenle, başlamanıza yardımcı olmak için yeni başlayanlar için en iyi 15 makine öğrenimi projesinin bir listesini derledik.
1. Titanik
Bu, genellikle makine öğrenimi hakkında daha fazla bilgi edinmek isteyen herkes için en büyük ve en eğlenceli görevlerden biri olarak kabul edilir. Titanik meydan okuma, Kaggle veri bilimi platformunu tanımanın iyi bir yolu olarak da hizmet eden popüler bir makine öğrenimi projesidir. Titanik veri seti, talihsiz geminin batmasıyla ilgili gerçek verilerden oluşuyor.
Kişinin yaşı, sosyoekonomik durumu, cinsiyeti, kabin numarası, kalkış limanı ve en önemlisi hayatta kalıp kalmadığı gibi detayları içerir!
Bu proje için en iyi sonuçları üretmek için K-En Yakın Komşu tekniği ve karar ağacı sınıflandırıcısı belirlendi. Kendinizi geliştirmek için hızlı bir hafta sonu mücadelesi arıyorsanız Makine Öğrenimi yetenekleri, Kaggle'daki bu sizin için.
2. İrlandalı Çiçek Sınıflandırması
Yeni başlayanlar iris çiçeği sınıflandırma projesini sever ve makine öğreniminde yeniyseniz, başlamak için harika bir yerdir. Sepals ve petallerin uzunluğu, iris çiçeklerini diğer türlerden ayırır. Bu projenin amacı, çiçekleri üç türe ayırmaktır: Virginia, setosa ve Versicolor.
Sınıflandırma çalışmaları için proje, öğrencilerin sayısal değerler ve verilerle uğraşmanın temellerini öğrenmelerine yardımcı olan İris çiçeği veri setini kullanır. İris çiçeği veri kümesi, ölçeklendirmeye gerek kalmadan bellekte saklanabilen küçük bir veri kümesidir.
3. Boston Ev Fiyat Tahmini
Bir başka tanınmış makine öğreniminde acemiler için veri kümesi Boston Konut verileridir. Amacı, çeşitli Boston mahallelerinde ev değerlerini tahmin etmektir. Yaş, emlak vergisi oranı, suç oranı ve hatta iş merkezlerine yakınlık gibi tümü konut fiyatlarını etkileyebilecek hayati istatistikleri içerir.
Veri kümesi basit ve küçüktür, bu da acemiler için deneme yapmayı kolaylaştırır. Boston'daki emlak fiyatını hangi faktörlerin etkilediğini bulmak için, çeşitli parametreler üzerinde regresyon teknikleri yoğun olarak kullanılmaktadır. Regresyon tekniklerini uygulamak ve ne kadar iyi çalıştıklarını değerlendirmek için harika bir yer.
4. Şarap Kalitesi Testi
Şarap, yıllarca fermente gerektiren alışılmadık bir alkollü içecektir. Sonuç olarak, antika şarap şişesi pahalı ve kaliteli bir şaraptır. İdeal şarap şişesini seçmek, yıllarca şarap tadımı bilgisini gerektirir ve bu bir isabetli ya da başarısız bir süreç olabilir.
Şarap kalitesi testi projesi, alkol seviyesi, sabit asitlik, yoğunluk, pH ve diğer faktörler gibi fizikokimyasal testleri kullanarak şarapları değerlendirir. Proje ayrıca şarabın kalite kriterlerini ve miktarlarını da belirler. Sonuç olarak, şarap satın almak bir esinti haline gelir.
5. Borsa Tahmini
Bu girişim, finans sektöründe çalışsanız da çalışmasanız da merak uyandırıyor. Borsa verileri akademisyenler, işletmeler ve hatta ikincil gelir kaynağı olarak kapsamlı bir şekilde incelenmektedir. Bir veri bilimcisinin zaman serisi verilerini inceleme ve keşfetme yeteneği de hayati önem taşır. Borsadan gelen veriler başlamak için harika bir yerdir.
Çabanın özü, bir hisse senedinin gelecekteki değerini tahmin etmektir. Bu, mevcut piyasa performansının yanı sıra önceki yıllara ait istatistiklere dayanmaktadır. Kaggle, 50'den beri NIFTY-2000 endeksi hakkında veri topluyor ve şu anda haftalık olarak güncelleniyor. 1 Ocak 2000'den beri 50'den fazla kuruluş için hisse senedi fiyatlarını içermektedir.
6. Film Önerisi
Eminim iyi bir film izledikten sonra bu duyguyu hissetmişsinizdir. Benzer filmleri aşırı derecede izleyerek duyularınızı harekete geçirme dürtüsünü hiç hissettiniz mi?
Netflix gibi OTT hizmetlerinin öneri sistemlerini önemli ölçüde iyileştirdiğini biliyoruz. Bir makine öğrenimi öğrencisi olarak, bu tür algoritmaların müşterileri tercihlerine ve incelemelerine göre nasıl hedeflediğini anlamanız gerekir.
Kaggle'daki IMDB veri seti, muhtemelen en eksiksiz olanlardan biridir ve film başlığına, müşteri derecelendirmesine, türe ve diğer faktörlere dayalı olarak öneri modellerinin çıkarılmasına izin verir. Ayrıca İçerik Tabanlı Filtreleme ve Özellik Mühendisliği hakkında bilgi edinmek için mükemmel bir yöntemdir.
7. Yük Uygunluğu Tahmini
Dünya krediler etrafında dönüyor. Bankaların en büyük kâr kaynağı kredi faizlerinden geliyor. Dolayısıyla onlar onların temel işidir.
Bireyler veya bireylerden oluşan gruplar, ancak gelecekte değerinin arttığını görme umuduyla bir firmaya para yatırarak ekonomileri genişletebilirler. Bazen bu tür riskleri göze alabilmek ve hatta bazı dünyevi zevklere ortak olabilmek için borç aramak önemlidir.
Bir kredi kabul edilmeden önce, bankaların normalde takip etmesi gereken oldukça katı bir süreci vardır. Krediler birçok insanın hayatının çok önemli bir yönü olduğundan, birinin başvurduğu bir krediye uygun olup olmadığını tahmin etmek, kredinin kabul edilmesinin veya reddedilmesinin ötesinde daha iyi planlama yapılmasına olanak tanıyarak son derece faydalı olacaktır.
8. Twitter Verilerini Kullanarak Duygu Analizi
Sayesinde sosyal medya ağları Twitter, Facebook ve Reddit gibi, fikirleri ve eğilimleri tahmin etmek oldukça kolaylaştı. Bu bilgiler olaylar, insanlar, spor ve diğer konulardaki görüşleri ortadan kaldırmak için kullanılır. Fikir madenciliğiyle ilgili makine öğrenimi girişimleri, siyasi kampanyalar ve Amazon ürün değerlendirmeleri de dahil olmak üzere çeşitli ortamlarda uygulanmaktadır.
Bu proje portföyünüzde harika görünecek! Duygu tespiti ve görünüşe dayalı analiz için, destek vektör makineleri, regresyon ve sınıflandırma algoritmaları gibi teknikler yaygın olarak kullanılabilir (gerçekleri ve görüşleri bulma).
9. Gelecek Satış Tahmini
Büyük B2C işletmeleri ve tüccarlar, envanterlerindeki her bir ürünün ne kadar satacağını bilmek ister. Satış tahmini, işletme sahiplerine hangi ürünlerin yüksek talep gördüğünü belirlemede yardımcı olur. Doğru satış tahmini, gelecekteki bütçeler üzerindeki artımlı etkiyi belirlerken, israfı önemli ölçüde azaltacaktır.
Walmart, IKEA, Big Basket ve Big Bazaar gibi perakendeciler, ürün talebini tahmin etmek için satış tahminlerini kullanır. Bu tür ML projeleri oluşturmak için çeşitli ham verileri temizleme tekniklerine aşina olmalısınız. Ayrıca, iyi bir regresyon analizi, özellikle basit doğrusal regresyon bilgisi gereklidir.
Bu tür görevler için Dora, Scrubadub, Pandas, NumPy ve diğerleri gibi kitaplıkları kullanmanız gerekir.
10 Sahte Haber Tespiti
Okul çocuklarına yönelik bir başka son teknoloji makine öğrenimi çabasıdır. Hepimizin bildiği gibi yalan haberler orman yangını gibi yayılıyor. Bireyleri birbirine bağlamaktan günlük haberleri okumaya kadar her şey sosyal medyada mevcut.
Sonuç olarak, bugünlerde yanlış haberleri tespit etmek giderek daha zor hale geldi. Facebook ve Twitter gibi birçok büyük sosyal medya ağı, gönderilerdeki ve beslemelerdeki sahte haberleri tespit etmek için halihazırda algoritmalara sahiptir.
Yanlış haberleri belirlemek için, bu tür bir makine öğrenimi projesi, çoklu NLP yaklaşımlarını ve sınıflandırma algoritmalarını (PassiveAgresiveClassifier veya Naive Bayes sınıflandırıcı) kapsamlı bir şekilde anlamayı gerektirir.
11 Kupon Satın Alma Tahmini
2020'de koronavirüs gezegene saldırdığında müşteriler giderek daha fazla çevrimiçi satın almayı düşünüyor. Sonuç olarak, alışveriş işletmeleri işlerini çevrimiçi ortama kaydırmak zorunda kaldı.
Öte yandan müşteriler, mağazalarda olduğu gibi hala harika teklifler arıyor ve giderek daha fazla süper tasarruf kuponları arıyor. Bu tür müşteriler için kupon oluşturmaya adanmış web siteleri bile var. Bu proje ile makine öğreniminde veri madenciliği, verileri görselleştirmek için çubuk grafikler, pasta grafikler ve histogramlar üretme ve özellik mühendisliği hakkında bilgi edinebilirsiniz.
Tahminler oluşturmak için, NA değerlerini ve değişkenlerin kosinüs benzerliğini yönetmek için veri atama yaklaşımlarına da bakabilirsiniz.
12 Müşteri Kaybı Tahmini
Tüketiciler bir şirketin en önemli varlığıdır ve onları korumak, geliri artırmayı ve onlarla uzun vadeli anlamlı bağlantılar kurmayı hedefleyen herhangi bir işletme için hayati önem taşır.
Ayrıca, yeni bir müşteri edinmenin maliyeti, mevcut bir müşteriyi sürdürmenin maliyetinden beş kat daha fazladır. Müşteri Kaybı/Yıpranma, müşterilerin veya abonelerin bir hizmet veya şirketle iş yapmayı bıraktığı iyi bilinen bir iş sorunudur.
İdeal olarak artık ödeme yapan bir müşteri olmayacaklardır. Müşterinin şirketle en son etkileşime girmesinden bu yana belirli bir süre geçmişse, müşteri çalkalanmış olarak kabul edilir. Bir müşterinin kesintiye uğrayıp uğramayacağını belirlemek ve müşteriyi elde tutmaya yönelik ilgili bilgileri hızlı bir şekilde vermek, müşteri kaybını azaltmak için çok önemlidir.
Beynimiz, milyonlarca müşteri için müşteri cirosunu tahmin edemez; makine öğreniminin yardımcı olabileceği yer burasıdır.
13 Wallmart Satış Tahmini
Makine öğreniminin en belirgin uygulamalarından biri, ürün satışlarını etkileyen özellikleri tespit etmeyi ve gelecekteki satış hacmini tahmin etmeyi içeren satış tahminidir.
Bu makine öğrenimi çalışmasında 45 lokasyondan satış verilerini içeren Walmart veri seti kullanılmıştır. Haftalık bazda kategoriye göre mağaza başına satışlar veri setine dahil edilmiştir. Bu makine öğrenimi projesinin amacı, daha iyi veri odaklı kanal optimizasyonu ve envanter planlama kararları alabilmeleri için her satış noktasındaki her departman için satışları tahmin etmektir.
Walmart veri seti ile çalışmak, satışlar üzerinde etkisi olan ve dikkate alınması gereken seçilmiş indirim olaylarını içerdiğinden zordur.
14 Uber Veri Analizi
Uygulamalarında makine öğrenimi ve derin öğrenmeyi uygulamaya ve entegre etmeye gelince, popüler araç paylaşım hizmeti çok geride değil. Her yıl milyarlarca yolculuk gerçekleştirerek taşıtların günün veya gecenin herhangi bir saatinde seyahat etmelerini sağlar.
Bu kadar geniş bir müşteri tabanına sahip olduğu için, tüketici şikayetlerini mümkün olan en kısa sürede ele almak için olağanüstü müşteri hizmetlerine ihtiyacı var.
Uber, içgörüleri ortaya çıkarmak ve müşteri deneyimini iyileştirmek için müşteri gezilerini analiz etmek ve görüntülemek için kullanabileceği milyonlarca alımdan oluşan bir veri kümesine sahiptir.
15 Covid-19 Analizi
COVID-19 bugün dünyayı kasıp kavurdu ve sadece bir pandemi anlamında değil. Tıp uzmanları etkili aşılar üretmeye ve dünyayı aşılamaya odaklanırken, veri bilimcileri çok geride değiller.
Yeni vakalar, günlük aktif sayı, ölümler ve test istatistiklerinin tümü kamuoyuna açıklanıyor. Tahminler, bir önceki yüzyılın SARS salgınına dayalı olarak günlük olarak yapılmaktadır. Bunun için regresyon analizini kullanabilir ve vektörel makine tabanlı tahmin modellerini destekleyebilirsiniz.
Sonuç
Özetlemek gerekirse, Makine Öğrenimi programlamasını test etmenin yanı sıra fikirlerini ve uygulamasını kavramanıza yardımcı olacak en iyi ML projelerinden bazılarını tartıştık. Makine Öğreniminin nasıl entegre edileceğini bilmek, teknoloji her sektörde yerini alırken mesleğinizde ilerlemenize yardımcı olabilir.
Machine Learning öğrenirken konseptlerinizi uygulamanızı ve tüm algoritmalarınızı yazmanızı öneririz. Öğrenirken algoritma yazmak proje yapmaktan daha önemlidir ve konuları doğru anlamada size avantaj sağlar.
Yorum bırak