أفضل 10 مشاريع ML في الوقت الحقيقي للطلاب والمهنيين

عندما يتعلق الأمر بالتكنولوجيا ، فإن امتلاك المعرفة النظرية من الكتب المدرسية سيساعدك فقط على الوصول إلى هذا الحد. فقط عندما تتخذ نهجًا عمليًا ، يمكنك إتقان التكنولوجيا أو المهارة المعنية. وما هي أفضل طريقة للقيام بذلك من وضع يديك في بعض المشاريع في الوقت الفعلي؟

الشيء نفسه ينطبق على مجال التعلم الآلي (ML) والذكاء الاصطناعي (AI). تساعدك مشاريع التعلم الآلي على تعلم جميع الجوانب العملية التي تحتاجها لاكتساب خبرة في بيئة العمل في الوقت الفعلي وتجعلك قابلاً للتوظيف في الصناعة. علاوة على ذلك ، فإن حجم سوق الذكاء الاصطناعي العالمي الحالي والمتوقع يجعل من المنطقي للاعبين في هذا المجال تحقيق إتقان التعلم الآلي. لذلك ، دون مزيد من اللغط ، نقدم لك أفضل 10 مشاريع للتعلم العميق وأفكار مشاريع التعلم الآلي للمبتدئين والمحترفين الذين يرغبون في إبراز سيرهم الذاتية.

أفكار مشروع التعلم الآلي للطلاب والمهنيين

فيما يلي قائمة بأفكار مشاريع التعلم الآلي الجذابة للطلاب والمهنيين للحصول على تجربة التعلم الآلي مباشرة.

1. تصنيف أرقام MNIST

يعد تصنيف أرقام MNIST أحد أكثر مشاريع التعلم العميق إثارة للاهتمام للمبتدئين. من المؤكد أن التعلم العميق والشبكات العصبية لها تطبيقات متقدمة في العالم الحقيقي مثل إنشاء النص التلقائي ، والتعرف على الصور ، والسيارات ذاتية القيادة ، وما إلى ذلك ، ولكن قبل التعامل مع تلك التطبيقات المعقدة ، يعد العمل على مجموعة بيانات MNIST بمثابة كسر جمود رائع. يهدف هذا المشروع إلى تدريب نموذج التعلم الآلي الخاص بك على التعرف على الأرقام المكتوبة بخط اليد باستخدام مجموعات بيانات MNIST والشبكات العصبية التلافيفية (CNN). بشكل عام ، يعد هذا المشروع مثاليًا لأولئك الذين يجدون صعوبة أقل في التعامل مع البيانات العلائقية على بيانات الصورة.

2. تصنيف زهور السوسن

يُعد مشروع تصنيف زهور القزحية ، الذي يُعتبر غالبًا "Hello World" لمشاريع التعلم الآلي ، أفضل مكان للمبتدئين لبدء رحلة التعلم الآلي. يعتمد المشروع على مجموعة بيانات زهور السوسن ويهدف إلى تصنيف الزهور الأرجوانية الجميلة إلى ثلاثة أنواع - المبرقشة ، وفيرجينيكا ، والسيتوسا. يمكن للمرء أن يفرق بين الأنواع على أساس بتلاتها و sepals. تحتوي مجموعة البيانات على سمات رقمية وتتطلب من المبتدئين التعرف على خوارزميات التعلم الآلي الخاضعة للإشراف وكيفية تحميل البيانات ومعالجتها. والأكثر من ذلك ، أن مجموعة البيانات صغيرة ويمكن وضعها بسهولة في الذاكرة دون الحاجة إلى أي تحويل أو تغيير إضافي.

3. نظام توصية الموسيقى

في مواقع التسوق عبر الإنترنت مثل Amazon ، يقدم النظام توصيات بشأن المنتجات أثناء الخروج - تلك التي من المرجح أن يشتريها العميل بناءً على مشترياته السابقة. وبالمثل ، فإن مواقع بث الأفلام / الموسيقى مثل Netflix و Spotify جيدة جدًا في اقتراح الأفلام والأغاني التي قد يحبها مستخدم معين. باستخدام مجموعة بيانات خدمة دفق الموسيقى ، يمكنك إنشاء نظام توصية شخصي مماثل في مشروع التعلم الآلي الخاص بك. الهدف هو تحديد الأغنية أو الفنان الجديد الذي قد يعجب المستخدم بناءً على اختياراته السابقة والتنبؤ بفرص ضبط المستخدم على أغنية بشكل متكرر في وقت معين.

4. توقع أسعار الأسهم

إذا كنت تميل نحو التمويل ، فإن متنبئ أسعار الأسهم هو أحد أفضل مشاريع التعلم الآلي التي يمكنك استكشافها. معظم مؤسسات الأعمال والشركات التي تعتمد على البيانات اليوم في حاجة دائمة إلى برامج يمكنها مراقبة وتحليل أداء الشركة بدقة والتنبؤ بالسعر المستقبلي لمختلف الأسهم. مع الكم الهائل من بيانات سوق الأسهم المتاحة هناك ، فإن العمل على توقع أسعار الأسهم يعد فرصة مثيرة لعلماء البيانات وعشاق التعلم الآلي على حد سواء. ومع ذلك ، فإن العمل في هذا المشروع سيتطلب معرفة جيدة بالتحليل التنبئي ، وتحليل الإجراءات ، وتحليل الانحدار ، والنمذجة الإحصائية.

5. حلال المعادلات المكتوبة بخط اليد

إن جعل نموذج التعلم الآلي الخاص بك يتعرف على الأرقام المكتوبة بخط اليد ليس سوى البداية. أولئك الذين تغلبوا على مشروع تصنيف أرقام MNIST على مستوى المبتدئين يمكنهم المضي قدمًا وبناء مشروع يمكنه حل المعادلات المكتوبة بخط اليد باستخدام CNNs. يعد التعرف على المعادلات الرياضية المكتوبة بخط اليد أحد أكثر القضايا المحيرة في مجال أبحاث الرؤية الحاسوبية. ومع ذلك ، مع مزيج من CNN وبعض تقنيات معالجة الصور ، من الممكن تدريب حلال مساوٍ مكتوب بخط اليد من خلال الأرقام الرياضية والرموز المكتوبة بخط اليد. المشروع هو خطوة نحو رقمنة خطوات حل معادلة رياضية مكتوبة بالقلم والورق.

6. تحليل المشاعر بناء على منشورات وسائل التواصل الاجتماعي

قد تكون منصة الوسائط الاجتماعية مثل Facebook أو Instagram مجرد مكان للتعبير عن المشاعر الشخصية والآراء للمستخدم العادي. ومع ذلك ، بالنسبة للشركات ، فهي وسيلة لدراسة سلوك المستهلك. تمتلئ وسائل التواصل الاجتماعي بالمحتوى الذي ينشئه المستخدمون. يعد فهم المشاعر الكامنة وراء كل نص أو صورة أمرًا بالغ الأهمية لمؤسسات الأعمال لتحسين خدمة العملاء بناءً على دراسة في الوقت الفعلي لسلوك المستهلك. علاوة على ذلك ، يمكن أن يساعد تحليل العلامات اللغوية في منشورات وسائل التواصل الاجتماعي في إنشاء نموذج تعلم عميق قادر على إعطاء رؤى شخصية حول الصحة العقلية للمستخدم قبل الأساليب التقليدية. يمكنك استخراج البيانات من Reddit أو Twitter للبدء في هذا المشروع.

7. التنبؤ بأهلية القرض

تتبع البنوك عادة إجراءات صارمة للغاية قبل الموافقة على القرض. ولكن بفضل التقدم في التعلم الآلي ، من الممكن التنبؤ بأهلية القروض بشكل أسرع وبدقة أكبر. سيتم تدريب نموذج التعلم الآلي للتنبؤ بأهلية القرض باستخدام مجموعة بيانات تتكون من البيانات المتعلقة بمقدم الطلب ، مثل مبلغ القرض ، والجنس ، والدخل ، والحالة الاجتماعية ، وعدد المعالين ، والمؤهلات ، وسجل بطاقة الائتمان ، وما شابه. سيتضمن المشروع تدريب واختبار النموذج باستخدام التحقق المتقاطع ، وسوف تتعلم كيفية بناء نماذج إحصائية مثل XGBoost ، و Gradient Boosting ، ومقاييس مثل MCC scorer ومنحنى ROC ، إلخ.

8. التنبؤ بجودة النبيذ

تحظى مجموعة بيانات التنبؤ بجودة النبيذ بشعبية كبيرة بين الطلاب الذين يبدأون في مجال علوم البيانات. يتضمن استخدام الحموضة المتطايرة والحموضة الثابتة والكثافة والكحول للتنبؤ بجودة النبيذ الأحمر. يمكنك اتباع نهج التصنيف أو الانحدار لهذا المشروع. متغير جودة النبيذ الذي يجب عليك توقعه في نطاقات مجموعة البيانات بين 0-10 ، ويمكنك القيام بذلك عن طريق بناء نموذج انحدار. هناك طريقة أخرى تتمثل في إنشاء ثلاث فئات (منخفضة ومتوسطة وعالية) ، وتقسيم 0-10 إلى فترات منفصلة ، وتحويلها إلى قيم فئوية. ومن ثم ، يمكنك بناء أي نموذج تصنيف للتنبؤ.

9. توقع أسعار المساكن

إذا كنت مبتدئًا في تعلم الآلة ، فيمكنك استخدام مجموعة بيانات تسعير المنزل الخاصة بـ Kaggle لبناء مشروع توقع أسعار المنزل. سعر منزل معين هو المتغير المستهدف في مجموعة البيانات هذه. يجب أن يتنبأ نموذج ML الخاص بك بالسعر باستخدام معلومات مثل المنطقة وعدد الغرف والمرافق. نظرًا لأنها مشكلة انحدار ، يمكن للمبتدئين اتباع نهج الانحدار الخطي لبناء النموذج. يمكن لأولئك الذين يرغبون في اتباع نهج أكثر تقدمًا استخدام تعزيز التدرج أو الانحدار العشوائي للغابات للتنبؤ بأسعار المنازل. تحتوي مجموعة البيانات أيضًا على العديد من المتغيرات الفئوية ، والتي قد تتطلب تقنيات مثل ترميز التسمية والتشفير الساخن.

10. تجزئة العملاء في بايثون

بالنسبة لأولئك الذين يرغبون في البدء في التعلم الآلي غير الخاضع للإشراف ، فإن مجموعة بيانات تجزئة العملاء على Kaggle هي أفضل مكالمة لك. تتكون مجموعة البيانات من تفاصيل العملاء مثل الجنس والعمر والدخل السنوي ودرجة الإنفاق. تحتاج إلى استخدام هذه المتغيرات لتجميع العملاء المتشابهين في مجموعات متشابهة. تتمثل الأهداف الأساسية للمشروع في تحقيق تقسيم العملاء ، وتحديد العملاء المستهدفين لاستراتيجيات التسويق المختلفة ، وفهم آليات العالم الحقيقي لاستراتيجيات التسويق. يمكنك استخدام نظام المجموعات الهرمي أو تجميع الوسائل k لتحقيق هذه المهام.

الطريق إلى الأمام

تقدم upGrad برنامج PG تنفيذي عبر الإنترنت في التعلم الآلي والذكاء الاصطناعي الذي يهدف إلى نقل المهارات المطلوبة مثل البرمجة اللغوية العصبية والتعلم العميق و MLOps وبناء إستراتيجيات الذكاء الاصطناعي.

يسلط الضوء على البرنامج:

• تقدير مرموق من IIIT بنغالور
• 450+ ساعة من التعلم مع مشاريع الصناعة
• دروس البرمجة الحية وورش عمل بناء الملف الشخصي
• شبكات الصناعة والأقران مع دعم التعلم بنطاق 360 درجة

سمعة upGrad لكونها واحدة من أفضل منصات تكنولوجيا التعليم لا مثيل لها. أثرت برامجها ذات المستوى العالمي وذات الصلة بالصناعة على أكثر من 500000 من المهنيين العاملين على مستوى العالم وتستمر في تلبية احتياجات التعلم لقاعدة متعلمين تزيد عن 40.000 متعلم منتشرة في 85 دولة. اشترك في upGrad لمعرفة المزيد عن الدورات والشهادات الأكثر طلبًا.