15 Interesting Machine Learning Project Ideas For Beginners [2021]

Machine Learning Project Ideas

As Artificial Intelligence (AI) continues to progress rapidly in 2021, achieving mastery over Machine Learning (ML) is becoming increasingly important for all the players in this field. Dzieje się tak dlatego, że zarówno AI, jak i ML wzajemnie się uzupełniają. Tak więc, jeśli jesteś początkującym, najlepszą rzeczą, jaką możesz zrobić, jest praca nad niektórymi projektami Machine Learning.

My, tutaj w upGrad, wierzymy w praktyczne podejście, ponieważ sama wiedza teoretyczna nie będzie pomocna w środowisku pracy w czasie rzeczywistym. W tym artykule, będziemy odkrywać kilka interesujących projektów uczenia maszynowego, które początkujący mogą pracować, aby przetestować swoją wiedzę na temat uczenia maszynowego. W tym artykule znajdziesz 15 najlepszych pomysłów na projekty uczenia maszynowego dla początkujących, aby zdobyć praktyczne doświadczenie.

Ale najpierw zajmijmy się bardziej trafnym pytaniem, które musi czaić się w twoim umyśle: dlaczego budować projekty uczenia maszynowego?

Jeśli chodzi o karierę w rozwoju oprogramowania, jest to konieczność dla aspirujących programistów, aby pracować nad własnymi projektami. Rozwijanie projektów w świecie rzeczywistym jest najlepszym sposobem na doskonalenie swoich umiejętności i materializowanie wiedzy teoretycznej w praktyczne doświadczenie. Im więcej eksperymentujesz z różnymi projektami uczenia maszynowego, tym więcej wiedzy zdobywasz.

Choć podręczniki i materiały do nauki dadzą ci całą wiedzę, którą musisz wiedzieć o uczeniu maszynowym, nigdy nie możesz naprawdę opanować ML, chyba że zainwestujesz swój czas w praktyczne eksperymenty w prawdziwym życiu – projekty dotyczące uczenia maszynowego. Kiedy zaczniesz pracować nad pomysłami na projekty związane z uczeniem maszynowym, nie tylko będziesz w stanie sprawdzić swoje mocne i słabe strony, ale także zdobędziesz doświadczenie, które może być niezwykle pomocne w rozwoju Twojej kariery. W tym poradniku znajdziesz 15 ciekawych pomysłów na projekty związane z uczeniem maszynowym dla początkujących, które pozwolą Ci zdobyć praktyczne doświadczenie w uczeniu maszynowym.

Więc, oto kilka projektów uczenia maszynowego, nad którymi mogą pracować początkujący:

Here are some cool Machine Learning project ideas for beginners

Watch our video on machine learning project ideas and topics…

Ta lista pomysłów na projekty uczenia maszynowego dla studentów jest odpowiednia dla początkujących i tych, którzy dopiero zaczynają z uczeniem maszynowym lub Data Science w ogóle. Te pomysły na projekty związane z uczeniem maszynowym sprawią, że zaczniesz działać ze wszystkimi praktycznymi aspektami, których potrzebujesz, aby odnieść sukces w swojej karierze jako profesjonalista uczenia maszynowego. Punktem centralnym tych projektów uczenia maszynowego są algorytmy uczenia maszynowego dla początkujących, tj. algorytmy, które nie wymagają od ciebie głębokiego zrozumienia uczenia maszynowego, a zatem są idealne dla studentów i początkujących.

Dalej, jeśli szukasz pomysłów na projekt uczenia maszynowego dla ostatniego roku, ta lista powinna cię ruszyć. Tak więc, bez dalszych ceregieli, skoczmy prosto do niektórych pomysłów na projekt Machine Learning, które wzmocnią twoją bazę i pozwolą ci wspiąć się po drabinie.

Stock Prices Predictor

Jednym z najlepszych pomysłów na rozpoczęcie eksperymentowania z ręcznymi projektami uczenia maszynowego dla studentów jest praca nad Stock Prices Predictor. Organizacje biznesowe i firmy dzisiaj są na poszukiwanie oprogramowania, które mogą monitorować i analizować wyniki firmy i przewidywać przyszłe ceny różnych akcji. A przy tak dużej ilości danych dostępnych na giełdzie jest to gorące źródło możliwości dla naukowców danych z inklinacjami do finansów.

Jednakże, zanim zaczniesz, musisz mieć spory udział w wiedzy w następujących obszarach:

• Analiza predykcyjna: Wykorzystanie różnych technik AI dla różnych procesów danych, takich jak eksploracja danych, eksploracja danych itp. w celu „przewidzenia” zachowania możliwych wyników.
• Analiza regresji: Analiza regresyjna jest rodzajem techniki predykcyjnej opartej na interakcji pomiędzy zmienną zależną (celem) i zmienną niezależną/zmiennymi (predyktorem).
• Analiza działań: W tej metodzie wszystkie działania przeprowadzone przez dwie techniki wymienione powyżej są analizowane, po czym wynik jest wprowadzany do pamięci uczenia maszynowego.
• Modelowanie statystyczne: Polega na zbudowaniu matematycznego opisu procesu ze świata rzeczywistego i opracowaniu niepewności, jeśli takie istnieją, w ramach tego procesu.

Co to jest uczenie maszynowe i dlaczego ma znaczenie

SportsPredictor

W „Moneyball” Michaela Lewisa, zespół Oakland Athletics zmienił oblicze baseballu poprzez włączenie analitycznej techniki skautingu graczy do swojego planu gry. I tak jak oni, Ty również możesz zrewolucjonizować sport w świecie rzeczywistym! Jest to doskonały projekt uczenia maszynowego dla początkujących.

Ponieważ w świecie sportu nie brakuje danych, możesz je wykorzystać do stworzenia zabawnych i kreatywnych projektów uczenia maszynowego, takich jak wykorzystanie statystyk sportowych college’u do przewidywania, który gracz będzie miał najlepszą karierę w którym konkretnym sporcie (wyławianie talentów). Można również zdecydować się na usprawnienie zarządzania zespołem poprzez analizę mocnych i słabych stron graczy w zespole i odpowiednie ich klasyfikowanie.

Wraz z ilością statystyk sportowych i dostępnych danych, jest to doskonała arena do doskonalenia swoich umiejętności eksploracji i wizualizacji danych. Dla każdego, kto ma smykałkę do Pythona, Scikit-Learn będzie idealnym wyborem, ponieważ zawiera szereg przydatnych narzędzi do analizy regresji, klasyfikacji, pobierania danych i tak dalej. Wspomnienie o projektach Machine Learning na ostatnim roku może pomóc Twojemu CV wyglądać znacznie bardziej interesująco niż inne.

6 Times Artificial Intelligence Startled The World

Develop A Sentiment Analyzer

Jest to jeden z ciekawych pomysłów na projekt uczenia maszynowego. Chociaż większość z nas korzysta z platform mediów społecznościowych, aby przekazać swoje osobiste uczucia i opinie do zobaczenia przez świat, jedno z największych wyzwań polega na zrozumieniu „sentymentów” kryjących się za postami w mediach społecznościowych.

I to jest idealny pomysł na Twój następny projekt uczenia maszynowego!

Media społecznościowe kwitną dzięki tonom treści generowanych przez użytkowników. Tworząc system ML, który mógłby analizować sentymenty kryjące się za tekstami lub postami, stałoby się o wiele łatwiejsze dla organizacji, aby zrozumieć zachowania konsumentów. To z kolei pozwoliłoby im na poprawę obsługi klienta, zapewniając tym samym zakres optymalnej satysfakcji konsumenta.

Możesz spróbować wydobyć dane z Twittera lub Reddit, aby rozpocząć off z sentymentu analizy projektu uczenia maszynowego. To może być jeden z tych rzadkich przypadków projektów głębokiego uczenia się, które mogą pomóc również w innych aspektach.

Enhance Healthcare

AI i ML aplikacje już zaczęły przenikać do branży opieki zdrowotnej, a także szybko przekształcają oblicze globalnej opieki zdrowotnej. wearables, zdalny monitoring, telemedycyna, chirurgia robotyczna itp. są możliwe dzięki algorytmom uczenia maszynowego napędzanym przez AI. Są one nie tylko pomoc HCPs (Health Care Providers) do dostarczania szybkich i lepszych usług opieki zdrowotnej, ale są również zmniejszenie zależności i obciążenia lekarzy w znacznym stopniu.

Więc, dlaczego nie wykorzystać swoje umiejętności, aby opracować imponujący projekt uczenia maszynowego w oparciu o opiekę zdrowotną? Obsługa projektu z algorytmami Machine Learning dla początkujących może być pomocna w budowaniu swojej kariery z dobrym startem.

Przemysł opieki zdrowotnej ma do dyspozycji ogromne ilości danych. Wykorzystując te dane, możesz stworzyć:

• Systemy opieki diagnostycznej, które mogą automatycznie skanować obrazy, zdjęcia rentgenowskie itp. i zapewnić dokładną diagnozę możliwych chorób.
• Aplikacje opieki profilaktycznej, które mogą przewidzieć możliwości epidemii, takich jak grypa, malaria itp, zarówno na poziomie krajowym, jak i społeczności.

Te 6 technik uczenia maszynowego poprawia opiekę zdrowotną

Przygotuj algorytmy ML – od zera!

To jeden z doskonałych pomysłów na projekt uczenia maszynowego dla początkujących. Pisanie algorytmów ML od podstaw przyniesie dwie korzyści:

• Po pierwsze, pisanie algorytmów ML to najlepszy sposób na zrozumienie najdrobniejszych szczegółów ich mechaniki.
• Po drugie, nauczysz się przekształcać instrukcje matematyczne w funkcjonalny kod. Ta umiejętność przyda Ci się w przyszłej karierze w Machine Learning.

Możesz zacząć od wyboru algorytmu, który jest prosty i niezbyt skomplikowany. Za stworzeniem każdego algorytmu – nawet tego najprostszego – kryje się kilka starannie skalkulowanych decyzji. Kiedy już osiągniesz pewien poziom mistrzostwa w budowaniu prostych algorytmów ML, spróbuj podrasować i rozszerzyć ich funkcjonalność. Na przykład, możesz wziąć waniliowy algorytm regresji logistycznej i dodać do niego parametry regularyzacji, aby przekształcić go w algorytm regresji lasso/ridge. Wspomnienie o projektach związanych z uczeniem maszynowym może pomóc Twojemu CV wyglądać znacznie ciekawiej niż inne.

Develop A Neural Network That Can Read Handwriting

Jednym z najlepszych pomysłów na rozpoczęcie eksperymentowania z praktycznymi projektami Java dla studentów jest praca nad siecią neuronową. Głębokie uczenie i sieci neuronowe są dwa happening buzzwords w AI. Te dały nam cuda technologiczne, takie jak samochody bez kierowcy, rozpoznawanie obrazów i tak dalej.
Tak więc, teraz jest czas, aby zbadać arenę sieci neuronowych. Rozpocznij swój projekt uczenia maszynowego z sieciami neuronowymi od MNIST Handwritten Digit Classification Challenge. Ma on bardzo przyjazny interfejs użytkownika, który jest idealny dla początkujących.

Inżynierowie uczenia maszynowego: Myths vs. Realities

Movie Ticket Pricing System

With the expansion of OTT platforms like Netflix, Amazon Prime, people prefer to watch content as per their convenience. Czynniki takie jak ceny, jakość treści & Marketing wpłynęły na sukces tych platform.

Koszt wykonania pełnometrażowego filmu wystrzelił w górę wykładniczo w niedawnej przeszłości. Tylko 10% filmów, które są wykonane zrobić zyski. Sztywna konkurencja z Telewizji & OTT platform wraz z wysokim kosztem biletu uczynił go trudnym dla filmów do zarabiania pieniędzy jeszcze trudniejsze. Rosnący koszt biletu do kina (wraz z kosztem popcornu) pozostawia salę kinową pustą.

Zaawansowany system ustalania cen biletów może zdecydowanie pomóc twórcom filmowym i widzom. Cena biletu może być wyższa wraz ze wzrostem popytu na bilet i vice versa. Im wcześniej widz zarezerwuje bilet, tym mniejszy koszt, dla filmu z dużym popytem. System powinien inteligentnie obliczać ceny w zależności od zainteresowania widzów, sygnałów społecznych i czynników popytu i podaży.

Iris Flowers Classification ML Project

Jednym z najlepszych pomysłów na rozpoczęcie eksperymentowania z praktycznymi projektami uczenia maszynowego dla studentów jest praca nad projektem Iris Flowers classification ML. Iris flowers dataset jest jednym z najlepszych zbiorów danych dla zadań klasyfikacji. Ponieważ kwiaty irysa należą do różnych gatunków, mogą być rozróżniane na podstawie długości działek i płatków. Ten projekt ML ma na celu zaklasyfikowanie kwiatów do jednego z trzech gatunków – Virginica, Setosa lub Versicolor.

Ten szczególny projekt ML jest zwykle określany jako „Hello World” uczenia maszynowego. Zbiór danych kwiatów irysów zawiera atrybuty numeryczne i jest idealny dla początkujących do nauki o nadzorowanych algorytmach ML, głównie o tym, jak ładować i obsługiwać dane. Ponadto, ponieważ jest to mały zbiór danych, może on łatwo zmieścić się w pamięci, nie wymagając specjalnych transformacji lub możliwości skalowania. I to jest idealny pomysł na Twój następny projekt uczenia maszynowego!

Możesz pobrać zbiór danych tęczówki tutaj.

BigMart Sales Prediction ML Project

To jest doskonały pomysł na projekt ML dla początkujących. Ten projekt ML jest najlepszy do nauki, jak działają algorytmy ML bez nadzoru. Zbiór danych sprzedaży BigMart obejmuje dokładnie dane sprzedaży z 2013 roku dla 1559 produktów w dziesięciu punktach sprzedaży w różnych miastach.

Celem jest tutaj wykorzystanie zbioru danych sprzedaży BigMart do opracowania modelu regresji, który może przewidzieć sprzedaż każdego z 1559 produktów w nadchodzącym roku w dziesięciu różnych punktach sprzedaży BigMart. Zbiór danych sprzedaży BigMart zawiera specyficzne atrybuty dla każdego produktu i punktu sprzedaży, co pomaga zrozumieć właściwości różnych produktów i sklepów, które wpływają na ogólną sprzedaż BigMart jako marki.

Recommendation Engines with MovieLens Dataset

Recommendation Engines stały się ogromnie popularne w internetowych serwisach zakupowych i streamingowych. Na przykład, platformy streamingu treści online takie jak Netflix i Hulu posiadają silniki rekomendacji, które dostosowują ich zawartość do indywidualnych preferencji klientów i historii przeglądania. Poprzez dostosowanie treści do potrzeb i preferencji różnych klientów, strony te były w stanie zwiększyć popyt na swoje usługi streamingowe.

Jako początkujący, możesz spróbować swoich sił w budowaniu systemu rekomendacji używając jednego z najbardziej popularnych zbiorów danych dostępnych w sieci – MovieLens dataset. Ten zbiór danych zawiera ponad „25 milionów ocen i milion aplikacji tagów zastosowanych do 62 000 filmów przez 162 000 użytkowników.” Możesz rozpocząć ten projekt od zbudowania wizualizacji world-cloud tytułów filmów, aby stworzyć silnik rekomendacji filmów dla MovieLens.

Możesz sprawdzić zbiór danych MovieLens tutaj.

Predicting Wine Quality using Wine Quality Dataset

To dobrze znany fakt, że wiek czyni wino lepszym – im starsze wino, tym lepiej będzie smakować. Jednak wiek nie jest jedyną rzeczą, która decyduje o smaku wina. Liczne czynniki decydują o certyfikacji jakości wina, w tym badania fizjochemiczne, takie jak ilość alkoholu, kwasowość stała, kwasowość lotna, gęstość i poziom pH, aby wymienić tylko kilka.

W tym projekcie ML musisz opracować model ML, który może zbadać właściwości chemiczne wina, aby przewidzieć jego jakość. Zbiór danych o jakości wina, którego użyjesz do tego projektu, składa się z około 4898 obserwacji, w tym 11 zmiennych niezależnych i jednej zmiennej zależnej. Wspomnienie o projektach Machine Learning na ostatnim roku może pomóc Twojemu CV wyglądać znacznie bardziej interesująco niż inne.

MNIST Handwritten Digit Classification

Jest to jeden z interesujących projektów uczenia maszynowego. Deep Learning i sieci neuronowe znalazły przypadki użycia w wielu aplikacjach świata rzeczywistego, takich jak rozpoznawanie obrazów, automatyczne generowanie tekstu, samochody bez kierowcy i wiele innych. Jednak zanim zagłębisz się w te skomplikowane obszary Deep Learning, powinieneś zacząć od prostego zbioru danych, takiego jak MNIST dataset. Dlaczego więc nie wykorzystać swoich umiejętności do stworzenia imponującego projektu uczenia maszynowego opartego na zbiorze MNIST?

Projekt klasyfikacji cyfr MNIST jest przeznaczony do szkolenia maszyn do rozpoznawania pisma odręcznego. Ponieważ dla początkujących praca z danymi obrazowymi jest zwykle trudniejsza niż z płaskimi danymi relacyjnymi, zbiór danych MNIST jest najlepszy dla początkujących. W tym projekcie użyjemy zbioru danych MNIST do wytrenowania modelu ML przy użyciu sieci neuronowych konwertowalnych (CNN). Chociaż zbiór danych MNIST może bez problemu zmieścić się w pamięci komputera (jest bardzo mały), zadanie rozpoznawania pisma odręcznego jest dość trudne.

Możesz uzyskać dostęp do zbioru danych MNIST tutaj.

Rozpoznawanie aktywności człowieka przy użyciu zbioru danych smartfonów

Jest to jeden z modnych pomysłów na projekt uczenia maszynowego. Zbiór danych smartfonów zawiera zapis aktywności fitness i informacje o 30 osobach. Dane te zostały przechwycone przez smartfon wyposażony w czujniki inercyjne.

Ten projekt ML ma na celu zbudowanie modelu klasyfikacyjnego, który może zidentyfikować ludzkie działania fitness z wysokim stopniem dokładności. Pracując nad tym projektem ML, poznasz podstawy klasyfikacji, a także dowiesz się, jak rozwiązywać problemy wieloklasyfikacyjne.

14. Object Detection with Deep Learning

Jest to jeden z ciekawych projektów uczenia maszynowego do stworzenia. Jeśli chodzi o klasyfikację obrazów, głębokie sieci neuronowe (DNN) powinny być Twoim najlepszym wyborem. Podczas gdy DNN są już używane w wielu rzeczywistych aplikacjach do klasyfikacji obrazów, ten projekt ML ma na celu podniesienie ich poziomu.

W tym projekcie ML rozwiążesz problem wykrywania obiektów przy użyciu DNN. Będziesz musiał opracować model, który może zarówno klasyfikować obiekty, jak i dokładnie lokalizować obiekty różnych klas. Zadanie wykrywania obiektów będzie traktowane jako problem regresji do masek ramek ograniczających obiektów. Zdefiniujemy również wieloskalową procedurę wnioskowania, która może generować wykrywanie obiektów o wysokiej rozdzielczości przy minimalnych kosztach.

Detekcja fałszywych wiadomości

Jest to jeden z doskonałych pomysłów na projekt uczenia maszynowego dla początkujących, szczególnie jak fałszywe wiadomości rozprzestrzeniają się teraz jak szalone. Fake news ma smykałkę do rozprzestrzeniania się jak szalony ogień. I z mediów społecznych dominujących nasze życie teraz, stało się bardziej krytyczne niż kiedykolwiek, aby odróżnić fałszywe wiadomości od prawdziwych wydarzeń informacyjnych. To jest, gdzie uczenie maszynowe może pomóc. Facebook już wykorzystuje AI do filtrowania fałszywych i spamerskich historii z kanałów użytkowników.

Ten projekt ML ma na celu wykorzystanie technik NLP (Natural Language Processing) do wykrywania fake newsów i mylących historii, które pochodzą z niereprezentatywnych źródeł. Możesz również użyć klasycznego podejścia do klasyfikacji tekstu, aby zaprojektować model, który może rozróżnić między prawdziwymi i fałszywymi wiadomościami. W tej ostatniej metodzie można zebrać zestawy danych zarówno dla prawdziwych, jak i fałszywych wiadomości i stworzyć model ML przy użyciu klasyfikatora Naive Bayes, aby sklasyfikować fragment wiadomości jako fałszywy lub prawdziwy na podstawie słów i fraz w nim użytych.

Projekt Enron Email

Zbiór danych Enron email zawiera prawie 500k emaili ponad 150 użytkowników. Jest to niezwykle cenny zbiór danych dla przetwarzania języka naturalnego. Projekt polega na zbudowaniu modelu ML, który wykorzystuje algorytm k-means do wykrywania oszustw. Model będzie rozdzielał obserwacje na „k” liczby klastrów zgodnie z podobnymi wzorcami w zbiorze danych.

Parkinson’s project

Zbiór danych Parkinson zawiera 195 rekordów biomedycznych osób o 23 zróżnicowanych cechach. Ideą tego projektu jest zaprojektowanie modelu ML, który potrafi odróżnić osoby zdrowe od tych cierpiących na chorobę Parkinsona. Model wykorzystuje algorytm XGboost (extreme gradient boosting) oparty na drzewach decyzyjnych w celu dokonania separacji.

Projekt Flickr 30K

Zbiór danych Flickr 30K składa się z ponad 30 000 obrazów, z których każdy posiada unikalny podpis. Użyjesz tego zbioru danych do zbudowania generatora podpisów do obrazów. Ideą jest zbudowanie modelu CNN, który może efektywnie analizować i wydobywać cechy z obrazu i tworzyć odpowiednie podpisy opisujące obraz w języku angielskim.

Projekt „Klienci centrum handlowego”

Jak sama nazwa wskazuje, zbiór danych „Klienci centrum handlowego” zawiera dane osób, które odwiedziły centrum handlowe, takie jak płeć, wiek, identyfikator klienta, roczny dochód, wynik wydatków, itp. Zbudujesz model, który będzie wykorzystywał te dane do segmentacji klientów na różne grupy w oparciu o ich wzorce zachowań. Taka segmentacja klientów jest bardzo użyteczną taktyką marketingową stosowaną przez marki i marketerów w celu zwiększenia sprzedaży i przychodów, przy jednoczesnym zwiększeniu zadowolenia klientów.

Projekt Kinetics

W tym projekcie, będziesz korzystać z obszernego zbioru danych, który zawiera trzy oddzielne zbiory danych – Kinetics 400, Kinetics 600 i Kinetics 700 – zawierające linki URL ponad 6,5 miliona wysokiej jakości filmów. Twoim celem jest stworzenie modelu, który może wykryć i zidentyfikować działania człowieka poprzez badanie serii różnych obserwacji.

Projekt systemu rekomendacji

To bogata kolekcja danych zawierająca różnorodne zbiory danych zebranych z popularnych serwisów takich jak recenzje książek Goodreads, recenzje produktów Amazon, media społecznościowe, itp. Twoim celem jest zbudowanie silnika rekomendacji (jak te używane przez Amazon i Netflix), który może generować spersonalizowane rekomendacje dla produktów, filmów, muzyki, itp. na podstawie preferencji klienta, potrzeb i zachowań online.

Projekt mieszkaniowy w Bostonie

Zbiór danych mieszkaniowych w Bostonie zawiera szczegóły różnych domów w Bostonie w oparciu o czynniki takie jak stawka podatkowa, wskaźnik przestępczości, liczba pokoi w domu, itp. Jest to doskonały zbiór danych do przewidywania cen różnych domów w Bostonie. W tym projekcie zbudujesz model, który może przewidzieć cenę nowego domu przy użyciu regresji liniowej. Regresja liniowa najlepiej nadaje się do tego projektu, ponieważ jest używana tam, gdzie dane mają liniową zależność między wartościami wejściowymi i wyjściowymi oraz gdy dane wejściowe są nieznane.

Projekt Cityscapes

Ten zbiór danych o otwartym kodzie źródłowym zawiera wysokiej jakości adnotacje na poziomie pikseli sekwencji wideo zebranych z ulic 50 różnych miast. Jest on niezmiernie przydatny do analizy semantycznej. Możesz użyć tego zbioru danych do trenowania głębokich sieci neuronowych, aby analizować i rozumieć miejski krajobraz. Projekt obejmuje zaprojektowanie modelu, który może wykonać segmentację obrazu i zidentyfikować różne obiekty (samochody, autobusy, ciężarówki, drzewa, drogi, ludzi, itp.) z sekwencji wideo z ulic.

Projekt Youtube 8M

Youtube 8M to ogromny zbiór danych, który zawiera 6,1 miliona identyfikatorów wideo YouTube, 350 000 godzin wideo, 2,6 miliarda cech audio/wizualnych, 3862 klasy i średnio 3 etykiety dla każdego wideo. Jest on szeroko wykorzystywany w projektach klasyfikacji wideo. W tym projekcie, zbudujesz system klasyfikacji wideo, który będzie w stanie dokładnie opisać wideo. Będzie on brał pod uwagę serię różnych danych wejściowych i klasyfikował filmy do oddzielnych kategorii.

Urban sound 8K

Zbiór danych urban sound 8K jest używany do klasyfikacji dźwięku. Zawiera on zróżnicowaną kolekcję 8732 dźwięków miejskich należących do różnych klas, takich jak syreny, muzyka uliczna, szczekanie psów, ćwierkanie ptaków, rozmowy ludzi itp. Zaprojektujesz model klasyfikacji dźwięku, który może automatycznie wykryć, który dźwięk miejski jest odtwarzany w

IMDB-Wiki projekt

Ten etykietowany zbiór danych jest prawdopodobnie jednym z najbardziej obszernych zbiorów obrazów twarzy zebranych z całego IMDB i Wikipedii. Zawiera ponad 5 milionów obrazów twarzy oznaczonych etykietą wieku i płci. z oznaczoną płcią i wiekiem. Stworzysz model, który będzie w stanie wykryć twarze i przewidzieć ich wiek i płeć z dokładnością. Możesz stworzyć różne segmenty/ przedziały wiekowe jak 0-10, 10-20, 30-40, i tak dalej.

Projekt librispeech

Zbiór danych librispeech jest masywną kolekcją angielskich przemówień pochodzących z projektu LibriVox. Zawiera on czytane po angielsku przemówienia w różnych akcentach, które obejmują ponad 1000 godzin i jest doskonałym narzędziem do rozpoznawania mowy. Celem tego projektu jest stworzenie modelu, który będzie w stanie automatycznie tłumaczyć dźwięk na tekst. Zbudujesz system rozpoznawania mowy, który będzie w stanie wykryć mowę angielską i przetłumaczyć ją na format tekstowy.

German traffic sign recognition benchmark (GTSRB) project

Ten zbiór danych zawiera ponad 50 000 obrazów znaków drogowych podzielonych na 43 klasy i zawierających informacje o obramowaniu każdego znaku drogowego. Jest to idealne rozwiązanie do klasyfikacji wieloklasowej, czyli dokładnie to, na czym będziesz się tutaj skupiał. Zbudujesz model wykorzystujący głębokie uczenie, który będzie w stanie rozpoznać obramowanie znaków i sklasyfikować znaki drogowe. Projekt może być niezwykle przydatny dla pojazdów autonomicznych, ponieważ wykrywa znaki i pomaga kierowcom podjąć niezbędne działania.

29. Sports match video text summarization

Ten projekt jest dokładnie taki, jak brzmi – uzyskanie dokładnego i zwięzłego streszczenia filmu sportowego. Jest to przydatne narzędzie dla stron sportowych, które informują czytelników o najważniejszych momentach meczu. Ponieważ sieci neuronowe są najlepsze do streszczania tekstu, zbudujesz ten model używając sieci głębokiego uczenia, takich jak 3D-CNNs, RNNs i LSTMs. Najpierw podzielisz wideo sportowe na wiele sekcji za pomocą odpowiednich algorytmów ML, a następnie użyjesz kombinacji SVM (Support vector machines), sieci neuronowych i algorytmu k-means.

30. Generator podsumowania spotkań biznesowych

Summatyzacja polega na wydobyciu najbardziej znaczących i wartościowych bitów informacji z rozmów, plików audio/wideo, itp. krótko i zwięźle. Zazwyczaj odbywa się to poprzez uchwycenie cech statystycznych, językowych i sentymentalnych wraz ze strukturą dialogu danej rozmowy. W tym projekcie wykorzystasz techniki głębokiego uczenia i przetwarzania języka naturalnego do tworzenia precyzyjnych streszczeń spotkań biznesowych z zachowaniem kontekstu całej rozmowy.

31. Sentiment analysis for depression

Depresja jest poważnym problemem zdrowotnym w skali globalnej. Każdego roku miliony ludzi popełniają samobójstwo z powodu depresji i słabego zdrowia psychicznego. Zazwyczaj piętno związane z problemami zdrowia psychicznego i opóźnione leczenie są dwiema głównymi przyczynami tego stanu rzeczy. W tym projekcie, będziesz wykorzystywać dane zebrane z różnych platform mediów społecznościowych i analizować znaczniki językowe w postach mediów społecznościowych, aby zrozumieć zdrowie psychiczne jednostek. Pomysł polega na stworzeniu modelu głębokiego uczenia, który może zaoferować cenny i dokładny wgląd w zdrowie psychiczne danej osoby znacznie wcześniej niż konwencjonalne metody.

32. Handwritten equation solver

Rozpoznawanie wyrażenia matematycznego pisanego odręcznie jest kluczowym obszarem badań w badaniach nad widzeniem komputerowym. Zbudujesz model i wytrenujesz go do rozwiązywania równań matematycznych pisanych odręcznie przy użyciu sieci neuronowych konwencjonalnych. Model będzie również wykorzystywał techniki przetwarzania obrazów. Projekt ten obejmuje trening modelu z odpowiednimi danymi, tak aby był on zdolny do odczytywania odręcznych cyfr, symboli, itp. w celu dostarczenia poprawnych wyników dla równań matematycznych o różnych poziomach złożoności.

33. Rozpoznawanie twarzy do wykrywania nastroju i polecania utworów

Wiadomo, że ludzie słuchają muzyki w oparciu o swój aktualny nastrój i uczucia. Dlaczego więc nie stworzyć aplikacji, która może wykryć nastrój osoby na podstawie jej wyrazu twarzy i odpowiednio polecić piosenki? W tym celu wykorzystasz elementy i techniki wizji komputerowej. Celem jest stworzenie modelu, który może efektywnie wykorzystać wizję komputerową, aby pomóc komputerom uzyskać wysokopoziomowe zrozumienie obrazów i filmów.

34. Generator muzyki

Kompozycja muzyczna to nic innego jak melodyjne połączenie różnych poziomów częstotliwości. W tym projekcie zaprojektujesz automatyczny generator muzyki, który będzie mógł komponować krótkie utwory muzyczne przy minimalnej interwencji człowieka. Do budowy tego generatora muzyki użyjesz algorytmów głębokiego uczenia i sieci LTSM.

35. Disease prediction system

Ten projekt ML jest przeznaczony do przewidywania chorób. Stworzysz ten model używając R i R Studio oraz zestawu danych Breast Cancer Wisconsin (Diagnostic) Dataset. Ten zbiór danych zawiera dwie klasy predyktorów – łagodną i złośliwą masę piersi. Do pracy nad tym projektem niezbędna jest podstawowa wiedza na temat lasów losowych i XGBoost.

36. Znalezienie nadającej się do zamieszkania egzoplanety

W ciągu ostatniej dekady udało nam się zidentyfikować wiele tranzytujących i egzoplanet. Ponieważ ręczna interpretacja potencjalnych egzoplanet jest dość trudna i czasochłonna (nie zapominając, że jest również obarczona błędem ludzkim), najlepiej jest użyć głębokiego uczenia do identyfikacji egzoplanet. Ten projekt ma na celu sprawdzenie, czy wokół nas istnieją egzoplanety nadające się do zamieszkania, przy użyciu CNN i zaszumionych danych szeregów czasowych. Metoda ta może zidentyfikować egzoplanety nadające się do zamieszkania z większą precyzją niż metoda najmniejszych kwadratów.

37. Regeneracja obrazu dla starych & uszkodzonych szpul

Restaurowanie starych lub uszkodzonych szpul z obrazami jest trudnym zadaniem. Przywrócenie starych zdjęć do ich oryginalnego stanu jest prawie zawsze niemożliwe. Jednak głębokie uczenie może rozwiązać ten problem. Zbudujesz model głębokiego uczenia, który może zidentyfikować wady w obrazie (otarcia, dziury, fałdy, odbarwienia itp.) i używając algorytmów Inpainting przywrócić go do pierwotnego stanu. Możesz nawet pokolorować stare obrazy B&W.

Projekty branżowe w realnym świecie

Magenta

Ten projekt badawczy koncentruje się na badaniu zastosowań uczenia maszynowego w procesie tworzenia sztuki i muzyki. Stworzysz unikalne algorytmy uczenia wzmacniającego i głębokiego uczenia, które mogą generować obrazy, piosenki, muzykę i wiele więcej. Jest to idealny projekt dla kreatywnych umysłów pasjonujących się sztuką i muzyką.

BluEx

BluEx jest jedną z wiodących firm logistycznych w Indiach, która dzięki swoim terminowym i wydajnym dostawom zyskała sobie sporą rzeszę fanów. Jednak, tak jak w przypadku wszystkich dostawców usług logistycznych, BluEx boryka się z jednym szczególnym wyzwaniem, które kosztuje zarówno czas, jak i pieniądze – jego kierowcy nie korzystają często z optymalnych tras dostaw, co powoduje opóźnienia i prowadzi do wyższych kosztów paliwa. Stworzysz model ML wykorzystujący uczenie wzmacniające, który może znaleźć najbardziej efektywną ścieżkę dla danej lokalizacji dostawy. Może to zaoszczędzić do 15% kosztów paliwa dla BluEx.

Motion Studios

Motion Studios szczyci się tym, że jest największym w Europie domem produkcji radiowej z przychodami przekraczającymi miliard dolarów. Odkąd firma medialna uruchomiła swój reality show, RJ Star, otrzymała fenomenalny odzew i jest zalewana klipami głosowymi. Ponieważ jest to reality show, istnieje ograniczone okno czasowe na wybór kandydatów. Zbudujesz model, który będzie potrafił rozróżniać głosy męskie i żeńskie oraz klasyfikować klipy głosowe, aby ułatwić szybszą filtrację. Pomoże to w szybszej selekcji, ułatwiając zadanie realizatorom show.

LithionPower

Lithionpower buduje akumulatory do pojazdów elektrycznych. Zazwyczaj kierowcy wypożyczają akumulatory firmy na jeden dzień i wymieniają je na naładowane. Żywotność baterii zależy od takich czynników jak dystans przejechany w ciągu dnia, nadmierna prędkość itp. LithionPower stosuje zmienny model cenowy oparty na historii jazdy kierowcy. Celem tego projektu jest zbudowanie modelu klastrowego, który będzie grupował kierowców według ich historii jazdy i motywował kierowców w oparciu o te klastry. Chociaż zwiększy to zyski o 15-20%, będzie również pobierać więcej opłat od kierowców mających złą historię jazdy.

Zakończenie

Oto wyczerpująca lista pomysłów na projekty związane z uczeniem maszynowym. Uczenie maszynowe jest wciąż na wczesnym etapie na całym świecie. Jest wiele projektów do zrobienia i wiele do poprawienia. Dzięki inteligentnym umysłom i ostrym pomysłom, systemy wspierające biznes stają się lepsze, szybsze i bardziej opłacalne. Jeśli chcesz się wyróżniać w Machine Learning, musisz zebrać praktyczne doświadczenie w takich projektach uczenia maszynowego.

Tylko poprzez pracę z narzędziami ML i algorytmami ML możesz zrozumieć, jak infrastruktura ML działa w rzeczywistości. Teraz idź do przodu i przetestuj całą wiedzę, którą zebrałeś dzięki naszemu przewodnikowi po pomysłach na projekty uczenia maszynowego, aby zbudować swoje własne projekty uczenia maszynowego!

.