Atọka akoonu[Fipamọ][Ifihan]
- 1. Titanics
- 2. Irish Flower Classification
- 3. Boston House Price Asọtẹlẹ
- 4. Waini Didara Igbeyewo
- 5. Iṣura Market Asọtẹlẹ
- 6. Movie Iṣeduro
- 7. Fifuye Yiyẹ ni Asọtẹlẹ
- 8. itara Analysis lilo Twitter Data
- 9. Future Sales Asọtẹlẹ
- 10. Iro News erin
- 11. Kupọọnu Ra Asọtẹlẹ
- 12. Onibara Churn Asọtẹlẹ
- 13. Wallmart Sales asọtẹlẹ
- 14. Uber Data Analysis
- 15. Itupalẹ Covid-19
- ipari
Ẹrọ eko ni kan awọn iwadi ti bi o lati eko eto kọmputa kan tabi alugoridimu to maa mu lori kan pato ise gbekalẹ ni a ipele ti o ga. Aworan idanimo, jegudujera erin, recommendation awọn ọna šiše, ati awọn miiran ẹrọ eko ohun elo ti tẹlẹ fihan lati wa ni gbajumo.
Awọn iṣẹ ML jẹ ki iṣẹ eniyan rọrun ati lilo daradara, fifipamọ akoko ati idaniloju abajade didara to gaju. Paapaa Google, ẹrọ wiwa olokiki julọ ni agbaye, nlo imudani ẹrọ.
Lati itupalẹ ibeere olumulo ati iyipada abajade ti o da lori awọn abajade si iṣafihan awọn akọle aṣa ati awọn ipolowo ni ibatan si ibeere naa, awọn aṣayan oriṣiriṣi wa.
Imọ-ẹrọ ti o ni oye ati atunṣe ara ẹni ko jinna ni ọjọ iwaju.
Ọkan ninu awọn ọna nla julọ lati bẹrẹ ni lati ni ọwọ-lori ati ṣe apẹrẹ iṣẹ akanṣe kan. Nitorinaa, a ti ṣajọ atokọ kan ti awọn iṣẹ ikẹkọ ẹrọ oke 15 fun awọn olubere lati jẹ ki o bẹrẹ.
1. Titanic
Eleyi ti wa ni igba ka lati wa ni ọkan ninu awọn ti o tobi julọ ki o si igbaladun awọn iṣẹ-ṣiṣe fun ẹnikẹni nife ninu eko siwaju sii nipa ẹrọ eko. The Titanic ipenija ni a gbajumo ẹrọ eko ise agbese ti o tun Sin bi kan ti o dara ona lati to acquainted pẹlu awọn Kaggle data Imọ Syeed. Akopọ data Titanic jẹ data tootọ lati inu rì ọkọ oju-omi kekere ti o ṣaisan naa.
O pẹlu awọn alaye gẹgẹbi ọjọ ori eniyan, ipo ọrọ-aje, akọ-abo, nọmba agọ, ibudo ilọkuro, ati, pataki julọ, boya wọn ye!
Ilana Adugbo K-Nitosi ati ipinnu igi ipinnu ni a pinnu lati gbejade awọn abajade to dara julọ fun iṣẹ akanṣe yii. Ti o ba n wa ipenija ipari ose lati mu ilọsiwaju rẹ dara si Awọn agbara Ẹkọ ẹrọ, Eyi lori Kaggle jẹ fun ọ.
2. Irish Flower sọri
Awọn olubere nifẹ iṣẹ isori ododo iris, ati pe o jẹ aaye nla lati bẹrẹ ti o ba jẹ tuntun si ikẹkọ ẹrọ. Gigun ti awọn sepals ati awọn petals ṣe iyatọ awọn ododo iris lati awọn eya miiran. Idi ti iṣẹ akanṣe yii ni lati ya awọn ododo si awọn ẹya mẹta: Virginia, setosa, ati Versicolor.
Fun awọn adaṣe isọdi, iṣẹ akanṣe n lo dataset ododo Iris, eyiti o ṣe iranlọwọ fun awọn akẹẹkọ ni kikọ ẹkọ awọn ipilẹ ti ṣiṣe pẹlu awọn iye nọmba ati data. Ipilẹ data ti ododo iris jẹ aami kekere ti o le wa ni fipamọ sinu iranti laisi iwulo fun iwọn.
3. Boston House Price Asọtẹlẹ
Miiran daradara-mọ dataset fun awọn alakobere ni ẹkọ ẹrọ ni Boston Housing data. Ibi-afẹde rẹ ni lati ṣe asọtẹlẹ awọn iye ile ni ọpọlọpọ awọn agbegbe Boston. O pẹlu awọn iṣiro pataki gẹgẹbi ọjọ ori, oṣuwọn owo-ori ohun-ini, oṣuwọn ilufin, ati paapaa isunmọ si awọn ile-iṣẹ iṣẹ, gbogbo eyiti o le kan idiyele ile.
Awọn dataset jẹ rọrun ati kekere, ti o jẹ ki o rọrun lati ṣe idanwo pẹlu fun awọn alakobere. Lati ro ero kini awọn nkan ti o ni ipa lori idiyele ohun-ini ni Boston, awọn ilana ipadasẹhin ti wa ni iṣẹ pupọ lori ọpọlọpọ awọn aye. O jẹ aaye nla lati ṣe adaṣe awọn ilana imupadabọ ati ṣe ayẹwo bii wọn ṣe ṣiṣẹ daradara.
4. Idanwo Didara Waini
Waini jẹ ẹya dani ọti-nkanmimu ti nbeere ọdun ti oti. Bi awọn kan abajade, awọn Atijo igò ọti-waini ni a pricey ati ki o ga-didara waini. Yiyan igo ọti-waini ti o dara julọ nilo awọn ọdun ti imọ itọwo ọti-waini, ati pe o le jẹ ilana ti o buruju-tabi-padanu.
Ise agbese idanwo didara waini ṣe iṣiro awọn ọti-waini nipa lilo awọn idanwo physicochemical gẹgẹbi ipele ọti, acidity ti o wa titi, iwuwo, pH, ati awọn ifosiwewe miiran. Ise agbese na tun pinnu awọn ibeere didara waini ati iwọn. Bi abajade, rira ọti-waini di afẹfẹ.
5. Iṣura Market Asọtẹlẹ
Yi ti wa ni iditẹ boya tabi ko o ṣiṣẹ ninu awọn owo aladani. Iṣura oja data ti wa ni iwadi extensively nipa omowe, owo, ati paapa bi orisun kan ti secondary owo oya. A data ọmowé ká agbara lati iwadi ati Ye akoko jara data jẹ tun pataki. Data lati awọn iṣura oja ni a nla ibi lati bẹrẹ.
Awọn lodi ti awọn ìlépa ni lati se ma ojo iwaju iye ti a iṣura. Eleyi wa ni da lori lọwọlọwọ oja išẹ bi daradara bi statistiki lati saju years. Kaggle ti a ti gba data lori awọn nifty-50 Ìwé niwon 2000, ati awọn ti o wa ni Lọwọlọwọ imudojuiwọn osẹ. Niwon January 1, 2000, o ti wa ninu iṣura owo fun lori 50 ajo.
6. Iṣeduro fiimu
Mo n daju pe o ti sọ ní ti o inú lẹhin ti ri kan ti o dara movie. Nje o ti ro ni iro lati titillate rẹ ogbon nipa binge-wiwo iru fiimu?
A mọ pe awọn iṣẹ OTT gẹgẹbi Netflix ti ni ilọsiwaju awọn eto iṣeduro wọn ni pataki. Gẹgẹbi ọmọ ile-iwe ikẹkọ ẹrọ, iwọ yoo nilo lati loye bii iru awọn algoridimu ṣe fojusi awọn alabara ti o da lori awọn ayanfẹ ati awọn atunwo wọn.
Eto data IMDB lori Kaggle jẹ ọkan ninu pipe julọ, gbigba awọn awoṣe iṣeduro lati ni oye ti o da lori akọle fiimu, idiyele alabara, oriṣi, ati awọn ifosiwewe miiran. O tun jẹ ọna ti o tayọ lati kọ ẹkọ nipa Sisẹ-orisun Akoonu ati Imọ-ẹrọ Ẹya.
7. Asọtẹlẹ Yiyẹ ni fifuye
Awọn aye revolves ni ayika awọn awin. Orisun èrè pataki ti awọn banki wa lati anfani lori awọn awin. Nitorinaa wọn jẹ iṣowo ipilẹ wọn.
Olukuluku tabi awọn ẹgbẹ ti awọn ẹni-kọọkan le faagun awọn ọrọ-aje nikan nipa gbigbe owo sinu ile-iduro kan ni ireti lati rii pe o dide ni iye ni ọjọ iwaju. Nigba miiran o ṣe pataki lati wa awin kan lati ni anfani lati ṣe awọn eewu ti iseda yii ati paapaa kopa ninu awọn igbadun aye kan.
Ṣaaju ki o to gba awin kan, awọn ile-ifowopamọ deede ni ilana ti o muna lati tẹle. Bii awọn awin jẹ iru abala pataki ti igbesi aye ọpọlọpọ eniyan, asọtẹlẹ yiyanyẹ fun awin kan ti ẹnikan nbere fun yoo jẹ anfani pupọ, gbigba fun igbero to dara ju awin ti o gba tabi kọ.
8. Itupalẹ ero inu nipa lilo data Twitter
O ṣeun si awọn nẹtiwọọki awujọ awujọ bii Twitter, Facebook, ati Reddit, awọn imọran afikun ati awọn aṣa ti ni irọrun pupọ. Alaye yii ni a lo lati yọkuro awọn ero lori awọn iṣẹlẹ, eniyan, awọn ere idaraya, ati awọn akọle miiran. Awọn ipilẹṣẹ ikẹkọ ẹrọ ti o ni ibatan iwakusa ti wa ni lilo ni ọpọlọpọ awọn eto, pẹlu awọn ipolowo iṣelu ati awọn igbelewọn ọja Amazon.
Ise agbese yii yoo dabi ikọja ninu portfolio rẹ! Fun wiwa ẹdun ati itupalẹ ti o da lori abala, awọn ilana bii awọn ẹrọ fekito atilẹyin, ipadasẹhin, ati awọn algoridimu ipin le ṣee lo lọpọlọpọ (wiwa awọn ododo ati awọn imọran).
9. Future Sales Asọtẹlẹ
Awọn iṣowo B2C nla ati awọn oniṣowo fẹ lati mọ iye ọja kọọkan ninu akojo oja wọn yoo ta. Awọn asọtẹlẹ asọtẹlẹ tita ṣe iranlọwọ fun awọn oniwun iṣowo ni ṣiṣe ipinnu iru awọn nkan wo ni ibeere giga. Deede tita asọtẹlẹ yoo significantly dinku wastage nigba ti tun ti npinnu awọn afikun ikolu lori ojo iwaju inawo.
Awọn alatuta bii Walmart, IKEA, Big Basket, ati Big Bazaar lo asọtẹlẹ tita lati ṣe iṣiro ibeere ọja. O gbọdọ faramọ pẹlu ọpọlọpọ awọn ilana ti data aise mimọ lati le kọ iru awọn iṣẹ akanṣe ML. Paapaa, oye to dara ti itupalẹ ipadasẹhin, paapaa ipadasẹhin laini ti o rọrun, ni a nilo.
Fun iru awọn iṣẹ ṣiṣe, iwọ yoo nilo lati gba awọn ile-ikawe bii Dora, Scrubadub, Pandas, NumPy, ati awọn miiran.
10. Iro News erin
O jẹ igbiyanju ikẹkọ ẹrọ gige-eti miiran ti a pinnu si awọn ọmọ ile-iwe. Awọn iroyin iro n tan kaakiri bi ina nla, bi gbogbo wa ṣe mọ. Ohun gbogbo wa lori media awujọ, lati sisopọ awọn eniyan kọọkan si kika awọn iroyin ojoojumọ.
Bi abajade, wiwa awọn iroyin eke ti ni iṣoro pupọ si awọn ọjọ wọnyi. Ọpọlọpọ awọn nẹtiwọọki awujọ nla, bii Facebook ati Twitter, ti ni awọn algoridimu tẹlẹ lati wa awọn iroyin iro ni awọn ifiweranṣẹ ati awọn kikọ sii.
Lati ṣe idanimọ awọn iroyin eke, iru iṣẹ akanṣe ML yii nilo oye kikun ti awọn ọna NLP pupọ ati awọn algoridimu ipinya (PassiveAggressiveClassifier tabi Naive Bayes classifier).
11. Awọn kupọọnu Ra Asọtẹlẹ
Awọn alabara n ronu siwaju si rira lori ayelujara nigbati coronavirus kọlu aye ni ọdun 2020. Bi abajade, awọn idasile rira ọja ti fi agbara mu lati yi iṣowo wọn lori ayelujara.
Awọn alabara, ni ida keji, tun n wa awọn ipese nla, gẹgẹ bi wọn ti wa ni awọn ile itaja, ati pe wọn n ṣe ọdẹ siwaju fun awọn kuponu fifipamọ nla. Awọn oju opo wẹẹbu paapaa wa fun ṣiṣẹda awọn kuponu fun iru awọn alabara bẹ. O le kọ ẹkọ nipa iwakusa data ni kikọ ẹrọ, iṣelọpọ awọn aworan igi, awọn shatti paii, ati awọn itan-akọọlẹ lati wo data, ati imọ-ẹrọ ẹya pẹlu iṣẹ akanṣe yii.
Lati se ina awọn asọtẹlẹ, o tun le wo sinu data imputation yonuso fun ìṣàkóso NA iye ati cosine ibajọra ti oniyipada.
12. Onibara Churn Asọtẹlẹ
Awọn onibara wa ni a ile-ile julọ pataki dukia, ati fifi wọn jẹ pataki fun eyikeyi owo ifojusi lati igbelaruge wiwọle ati Kọ gun-igba ti o nilari awọn isopọ pẹlu wọn.
Pẹlupẹlu, idiyele ti gbigba alabara tuntun jẹ igba marun ti o ga ju idiyele ti mimu ti o wa tẹlẹ lọ. Onibara oniroyin / attrition ni a daradara-mọ owo isoro ninu eyi ti onibara tabi awọn alabapin sile n owo pẹlu kan iṣẹ tabi a ile-.
Wọn kii yoo jẹ alabara ti o sanwo mọ. Onibara kan ni a ro pe o ya ti o ba ti jẹ iye akoko kan pato lati igba ti alabara ti ṣe ajọṣepọ kẹhin pẹlu ile-iṣẹ naa. Idanimọ boya alabara kan yoo kọ, ati ni iyara fifun alaye ti o yẹ ti o ni ero si idaduro alabara, ṣe pataki si idinku.
Awọn opolo wa ko lagbara lati nireti iyipada alabara fun awọn miliọnu awọn alabara; nibi ni ẹkọ ẹrọ le ṣe iranlọwọ.
13. Wallmart Tita Asọtẹlẹ
Ọkan ninu awọn ohun elo olokiki julọ ti ẹkọ ẹrọ jẹ asọtẹlẹ tita, eyiti o kan wiwa awọn abuda ti o ni ipa awọn tita ọja ati ifojusọna iwọn tita ọja iwaju.
Awọn dataset Walmart, eyiti o ni data tita lati awọn ipo 45, ni a lo ninu ikẹkọ ẹrọ yii. Titaja fun ile itaja, nipasẹ ẹka, ni ipilẹ ọsẹ kan wa ninu dataset. Idi ti iṣẹ ikẹkọ ẹrọ yii ni lati nireti tita fun ẹka kọọkan ni iṣan-ọja kọọkan ki wọn le ṣe iṣapeye ikanni data ti o dara julọ ati awọn ipinnu igbero ọja.
Ṣiṣẹ pẹlu dataset Walmart nira nitori o ni awọn iṣẹlẹ isamisi ti a yan ti o ni ipa lori awọn tita ati pe o yẹ ki o gbero.
14. Uber Data onínọmbà
Nigbati o ba wa si imuse ati iṣakojọpọ ẹkọ ẹrọ ati ẹkọ ti o jinlẹ ninu awọn ohun elo wọn, iṣẹ pinpin gigun-giṣin olokiki ko jina sẹhin. Ni gbogbo ọdun, o ṣe ilana awọn ọkẹ àìmọye ti awọn irin ajo, gbigba awọn arinrin-ajo laaye lati rin irin-ajo ni eyikeyi akoko ti ọsan tabi alẹ.
Nitoripe o ni iru ipilẹ alabara nla kan, o nilo iṣẹ alabara alailẹgbẹ lati koju awọn ẹdun olumulo ni yarayara bi o ti ṣee.
Uber ni o ni a eko ti milionu ti gbe-pipade ti o le lo lati itupalẹ ati ifihan ni ose irin ajo lati koko imọ ki o si mu awọn onibara iriri.
15. Itupalẹ Covid-19
COVID-19 ti gba gbogbo agbaye loni, kii ṣe larọwọto ni oye ti ajakaye-arun kan. Lakoko ti awọn amoye iṣoogun n ṣojukọ lori ipilẹṣẹ awọn ajesara to munadoko ati ajesara agbaye, data sayensi ko jina sile.
Awọn ọran tuntun, kika ti nṣiṣe lọwọ lojoojumọ, awọn iku, ati awọn iṣiro idanwo ni gbogbo jẹ ti gbangba. Awọn asọtẹlẹ jẹ ipilẹ lojoojumọ ti o da lori ibesile SARS ti ọrundun ti tẹlẹ. Fun eyi, o le lo itupalẹ ipadasẹhin ati atilẹyin awọn awoṣe asọtẹlẹ orisun ẹrọ vector.
ipari
Lati akopọ, ti a ti sọrọ diẹ ninu awọn ti oke milimita ise agbese ti yoo ran o ni igbeyewo Machine Learning siseto bi daradara bi yio awọn oniwe-ero ati imuse. Mọ bi o lati ṣepọ Machine Learning le ran o advance ninu rẹ oojo bi awọn ọna ti gba to lori ni gbogbo ile ise.
Lakoko ti o nkọ ẹkọ Ẹrọ, a ṣeduro pe ki o ṣe adaṣe awọn imọran rẹ ki o kọ gbogbo awọn algoridimu rẹ. Kikọ awọn algoridimu lakoko ikẹkọ jẹ pataki ju ṣiṣe iṣẹ akanṣe kan, ati pe o tun fun ọ ni anfani ni oye awọn koko-ọrọ daradara.
Fi a Reply