10 Proyek ML Real-Time Teratas untuk Siswa & Profesional

Dalam hal teknologi, memiliki pengetahuan teoretis belaka dari buku teks hanya akan membawa Anda sejauh ini. Hanya ketika Anda mengambil pendekatan praktis Anda dapat menguasai teknologi atau keterampilan yang bersangkutan. Dan cara apa yang lebih baik untuk melakukannya selain mendapatkan beberapa proyek waktu nyata?

Hal yang sama berlaku untuk bidang pembelajaran mesin (ML) dan kecerdasan buatan (AI). Proyek pembelajaran mesin membantu Anda mempelajari semua kepraktisan yang Anda butuhkan untuk mendapatkan pengalaman lingkungan kerja waktu nyata dan membuat Anda siap bekerja di industri. Selain itu, ukuran pasar kecerdasan buatan global saat ini dan yang diprediksi hanya membuatnya logis bagi pemain di lapangan untuk mencapai penguasaan atas pembelajaran mesin. Jadi, tanpa basa-basi lagi, kami mempersembahkan kepada Anda 10 proyek pembelajaran mendalam dan ide proyek pembelajaran mesin teratas untuk pemula dan profesional yang ingin membuat resume mereka menonjol.

Ide Proyek Pembelajaran Mesin untuk Siswa dan Profesional

Di bawah ini adalah daftar ide proyek pembelajaran mesin yang menarik bagi siswa dan profesional untuk mendapatkan paparan langsung tentang pembelajaran mesin.

1. Klasifikasi digit MNIST

Klasifikasi digit MNIST adalah salah satu proyek pembelajaran mendalam yang paling menarik untuk pemula. Pembelajaran mendalam dan jaringan saraf tentu memiliki aplikasi dunia nyata yang canggih seperti pembuatan teks otomatis, pengenalan gambar, mobil self-driving, dll. Tetapi sebelum Anda berurusan dengan aplikasi kompleks itu, mengerjakan dataset MNIST adalah pemecah kebekuan yang hebat. Proyek ini bertujuan untuk melatih model pembelajaran mesin Anda untuk mengenali angka tulisan tangan menggunakan set data MNIST dan jaringan saraf convolutional (CNN). Secara keseluruhan, ini adalah proyek yang sempurna bagi mereka yang merasa tidak terlalu sulit untuk bekerja dengan data relasional daripada data gambar.

2. Klasifikasi bunga iris

Sering dianggap sebagai proyek pembelajaran mesin "Halo Dunia", proyek klasifikasi bunga iris adalah tempat terbaik bagi pemula untuk memulai perjalanan pembelajaran mesin mereka. Proyek ini didasarkan pada dataset bunga iris dan bertujuan untuk mengklasifikasikan bunga ungu cantik menjadi tiga spesies – versicolor, virginica, dan setosa. Seseorang dapat membedakan spesies berdasarkan kelopak dan sepalnya. Kumpulan data memiliki atribut numerik dan mengharuskan pemula untuk mempelajari tentang algoritme pembelajaran mesin yang diawasi serta cara memuat dan menangani data. Terlebih lagi, kumpulan datanya kecil dan mudah masuk ke dalam memori tanpa memerlukan transformasi atau penskalaan tambahan.

3. Sistem rekomendasi musik

Di situs belanja online seperti Amazon, sistem membuat rekomendasi produk saat checkout – rekomendasi yang kemungkinan akan dibeli pelanggan berdasarkan pembelian mereka sebelumnya. Demikian juga, situs streaming film/musik seperti Netflix dan Spotify cukup bagus dalam menyarankan film dan lagu yang mungkin disukai pengguna tertentu. Dengan menggunakan kumpulan data layanan streaming musik, Anda dapat membuat sistem rekomendasi yang dipersonalisasi serupa di proyek pembelajaran mesin Anda. Tujuannya adalah untuk menentukan lagu atau artis baru mana yang mungkin disukai pengguna berdasarkan pilihan mereka sebelumnya dan memprediksi kemungkinan pengguna menyetel lagu secara berulang dalam waktu tertentu.

4. Prediktor harga saham

Jika Anda cenderung ke arah keuangan, prediktor harga saham adalah salah satu proyek pembelajaran mesin terbaik yang dapat Anda jelajahi. Sebagian besar organisasi bisnis dan perusahaan berbasis data saat ini selalu membutuhkan perangkat lunak yang dapat secara akurat memantau dan menganalisis kinerja perusahaan dan memperkirakan harga berbagai saham di masa depan. Dengan banyaknya data pasar saham yang tersedia di luar sana, mengerjakan prediktor harga saham adalah peluang yang menarik bagi para ilmuwan data dan penggemar pembelajaran mesin. Namun, mengerjakan proyek ini akan membutuhkan pengetahuan yang baik tentang analisis prediktif, analisis tindakan, analisis regresi, dan pemodelan statistik.

5. Pemecah persamaan tulisan tangan

Membuat model pembelajaran mesin Anda mengenali angka tulisan tangan hanyalah permulaan. Mereka yang telah mengatasi proyek klasifikasi digit MNIST tingkat pemula dapat selangkah lebih maju dan membangun proyek yang dapat menyelesaikan persamaan tulisan tangan menggunakan CNN. Mengenali persamaan matematika tulisan tangan adalah salah satu masalah yang paling membingungkan di bidang penelitian visi komputer. Namun, dengan kombinasi CNN dan beberapa teknik pemrosesan gambar, dimungkinkan untuk melatih pemecah persamaan tulisan tangan melalui angka matematika dan simbol tulisan tangan. Proyek ini merupakan langkah menuju digitalisasi langkah-langkah penyelesaian persamaan matematika yang ditulis menggunakan pena dan kertas.

6. Analisis sentimen berdasarkan postingan media sosial

Platform media sosial seperti Facebook atau Instagram mungkin hanya menjadi tempat untuk mengekspresikan perasaan dan pendapat pribadi kepada pengguna biasa. Namun, untuk bisnis, ini adalah cara untuk mempelajari perilaku konsumen. Media sosial penuh dengan konten buatan pengguna. Memahami sentimen di balik setiap teks atau gambar sangat penting bagi organisasi bisnis untuk meningkatkan layanan pelanggan berdasarkan studi perilaku konsumen secara real-time. Selain itu, analisis penanda linguistik di postingan media sosial dapat membantu menciptakan model pembelajaran mendalam yang mampu memberikan wawasan yang dipersonalisasi tentang kesehatan mental pengguna lebih awal daripada pendekatan konvensional. Anda dapat menambang data dari Reddit atau Twitter untuk memulai proyek ini.

7. Prediksi kelayakan pinjaman

Bank biasanya mengikuti proses yang sangat ketat sebelum menyetujui pinjaman. Namun berkat kemajuan dalam pembelajaran mesin, dimungkinkan untuk memprediksi kelayakan pinjaman lebih cepat dan dengan lebih akurat. Model pembelajaran mesin untuk prediksi kelayakan pinjaman akan dilatih menggunakan kumpulan data yang terdiri dari data yang terkait dengan pemohon, seperti jumlah pinjaman, jenis kelamin, pendapatan, status perkawinan, jumlah tanggungan, kualifikasi, riwayat kartu kredit, dan sejenisnya. Proyek ini akan melibatkan pelatihan dan pengujian model menggunakan validasi silang, dan Anda akan mempelajari cara membuat model statistik seperti XGBoost, Gradient Boosting, dan metrik seperti pencetak MCC, kurva ROC, dll.

8. Prediksi kualitas anggur

Dataset prediksi kualitas anggur cukup populer di kalangan siswa mulai di bidang ilmu data. Ini melibatkan penggunaan keasaman yang mudah menguap, keasaman tetap, kepadatan, dan alkohol untuk memprediksi kualitas anggur merah. Anda dapat mengambil pendekatan klasifikasi atau regresi untuk proyek ini. Variabel kualitas anggur yang harus Anda prediksi dalam kumpulan data berkisar antara 0-10, dan Anda dapat melakukannya dengan membangun model regresi. Pendekatan lain adalah dengan membuat tiga kategori (rendah, sedang, dan tinggi), memecah 0-10 menjadi interval terpisah, dan mengubahnya menjadi nilai kategoris. Oleh karena itu, Anda dapat membangun model klasifikasi apa pun untuk prediksi.

9. Prediksi harga rumah

Jika Anda seorang pemula pembelajaran mesin, Anda dapat menggunakan kumpulan data harga rumah Kaggle untuk membangun proyek prediksi harga rumah. Harga rumah tertentu adalah variabel target dalam dataset ini. Model ML Anda harus memprediksi harga menggunakan informasi seperti lokasi, jumlah kamar, dan utilitas. Karena ini adalah masalah regresi, pemula dapat mengambil pendekatan regresi linier untuk membangun model. Mereka yang ingin mengambil pendekatan yang lebih maju dapat menggunakan peningkatan gradien atau regresor hutan acak untuk memprediksi harga rumah. Dataset juga memiliki banyak variabel kategori, yang memerlukan teknik seperti penyandian label dan penyandian satu-panas.

10. Segmentasi pelanggan dengan Python

Bagi mereka yang ingin memulai pembelajaran mesin tanpa pengawasan, kumpulan data segmentasi pelanggan di Kaggle adalah pilihan terbaik Anda. Dataset terdiri dari detail pelanggan seperti jenis kelamin, usia, pendapatan tahunan, dan skor pengeluaran. Anda perlu menggunakan variabel ini untuk mengelompokkan pelanggan yang serupa ke dalam kelompok yang serupa. Tujuan utama proyek ini adalah untuk mencapai segmentasi pelanggan, mengidentifikasi target pelanggan untuk berbagai strategi pemasaran, dan memahami mekanisme strategi pemasaran dunia nyata. Anda dapat menggunakan pengelompokan hierarkis atau pengelompokan k-means untuk mencapai tugas-tugas ini.

Jalan ke depan

upGrad menawarkan Program PG Eksekutif online dalam Pembelajaran Mesin & Kecerdasan Buatan yang ditargetkan untuk memberikan keterampilan yang dibutuhkan seperti NLP, pembelajaran mendalam, MLOps, dan pengembangan strategi AI.

Sorotan Program:

• Pengakuan bergengsi dari IIIT Bangalore
• 450+ jam belajar dengan proyek industri
• Kelas pengkodean langsung dan lokakarya pembuatan profil
• Industri dan jaringan rekan dengan dukungan pembelajaran 360 derajat

Reputasi upGrad sebagai salah satu platform EdTech terbaik yang lebih tinggi tidak tertandingi. Program kelas dunia yang relevan dengan industri telah berdampak pada 500.000+ profesional yang bekerja secara global dan terus memenuhi kebutuhan pembelajaran dari 40.000+ basis pelajar yang tersebar di 85 negara. Daftar dengan upGrad untuk mengetahui lebih banyak tentang kursus dan sertifikasi yang paling diminati.