15 แนวคิดโครงงานแมชชีนเลิร์นนิงที่น่าสนใจสำหรับผู้เริ่มต้น [2022]

แนวคิดโครงการการเรียนรู้ของเครื่อง

เนื่องจากปัญญาประดิษฐ์ (AI) ยังคงก้าวหน้าอย่างรวดเร็วในปี 2565 การบรรลุความเชี่ยวชาญด้านการเรียนรู้ด้วยเครื่อง (ML) จึงมีความสำคัญมากขึ้นเรื่อยๆ สำหรับผู้เล่นทุกคนในสาขานี้ นี่เป็นเพราะทั้ง AI และ ML เป็นส่วนเสริมซึ่งกันและกัน ดังนั้น หากคุณเป็นมือใหม่ สิ่งที่ดีที่สุดที่คุณสามารถทำได้คือทำงานในโครงการแมชชีนเลิร์นนิงบางโครงการ

พวกเราที่ upGrad เชื่อมั่นในแนวทางปฏิบัติ เนื่องจากความรู้เชิงทฤษฎีเพียงอย่างเดียวจะไม่ช่วยในสภาพแวดล้อมการทำงานแบบเรียลไทม์ ในบทความนี้ เราจะมาสำรวจโปรเจ็กต์แมชชีนเลิร์นนิงที่น่าสนใจซึ่งผู้เริ่มต้นสามารถนำไปใช้เพื่อทดสอบความรู้ของแมชชีนเลิร์นนิง ในบทความนี้ คุณจะพบกับแนวคิดโครงงานแมชชีนเลิร์นนิงยอดนิยม 15 ข้อสำหรับผู้เริ่มต้นใช้งานเพื่อสัมผัสประสบการณ์จริง

แต่ก่อนอื่น มาพูดถึงคำถามที่เกี่ยวข้องกันมากขึ้นซึ่งต้องแฝงอยู่ในใจของคุณ: เหตุใดจึงต้องสร้างโครงการการเรียนรู้ของเครื่อง

เมื่อพูดถึงสายอาชีพในการพัฒนาซอฟต์แวร์ นักพัฒนาจะต้องทำงานในโครงการของตนเอง การพัฒนาโครงการในโลกแห่งความเป็นจริงเป็นวิธีที่ดีที่สุดในการฝึกฝนทักษะและทำให้ความรู้เชิงทฤษฎีของคุณเป็นจริงเป็นประสบการณ์จริง ยิ่งคุณทดลองกับโปรเจ็กต์ แมชชีนเลิร์นนิงต่างๆ มากเท่าไหร่ คุณก็จะได้รับความรู้มากขึ้นเท่านั้น

ในขณะที่หนังสือเรียนและสื่อการเรียนรู้จะให้ความรู้ทั้งหมดที่คุณจำเป็นต้องรู้เกี่ยวกับแมชชีนเลิร์นนิง แต่คุณไม่สามารถเชี่ยวชาญ ML ได้อย่างแท้จริง เว้นแต่คุณจะทุ่มเทเวลาไปกับการทดลองจริง - โครงการเกี่ยวกับแมชชีนเลิร์นนิง เมื่อคุณเริ่มทำงานเกี่ยวกับแนวคิดโครงงานแมชชีนเลิร์นนิง คุณจะไม่เพียงแต่สามารถทดสอบจุดแข็งและจุดอ่อนของคุณเท่านั้น แต่คุณยังได้รับการเปิดเผยที่อาจเป็นประโยชน์อย่างมากในการยกระดับอาชีพของคุณ ในบทช่วยสอนนี้ คุณจะได้พบกับ แนวคิดโครงงานแมชชีนเลิร์นนิงที่น่าสนใจ 15 แบบ สำหรับผู้เริ่มต้น เพื่อรับประสบการณ์จริงเกี่ยวกับแมชชีนเลิร์นนิง

เรียน รู้หลักสูตรการเรียนรู้ของเครื่องออนไลน์ จากมหาวิทยาลัยชั้นนำของโลก รับ Masters, Executive PGP หรือ Advanced Certificate Programs เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

ต่อไปนี้เป็นโปรเจ็กต์แมชชีนเลิร์นนิงบางส่วนที่ผู้เริ่มต้นใช้งานได้:

นี่คือ แนวคิดโครงงาน Machine Learning ที่ยอดเยี่ยมสำหรับผู้เริ่มต้น

ชมวิดีโอของเราเกี่ยวกับแนวคิดและหัวข้อของโครงการการเรียนรู้ของเครื่อง…

รายการ แนวคิดสำหรับโครงงานแมชชีนเลิร์นนิงสำหรับนักเรียนนี้เหมาะสำหรับผู้เริ่มต้นและผู้ที่เพิ่งเริ่มต้นใช้งานแมชชีนเลิร์นนิงหรือวิทยาศาสตร์ข้อมูลโดยทั่วไป แนวคิดโครงงานแมชชีนเลิร์นนิงเหล่านี้ จะช่วยให้คุณดำเนินการได้จริงทั้งหมดที่จำเป็นต่อการประสบความสำเร็จในอาชีพการงานในฐานะมืออาชีพด้านแมชชีนเลิร์น นิง

นอกจากนี้ หากคุณกำลังมองหา แนวคิดโครงการแมชชีนเลิร์นนิงสำหรับปีสุดท้าย รายการนี้น่าจะช่วยคุณได้ ดังนั้น โดยไม่ต้องกังวลใจอีกต่อไป เรามาดูราย ละเอียดของ โครงการ Machine Learning ที่จะเสริมความแข็งแกร่งให้กับฐานของคุณและช่วยให้คุณปีนขึ้นไปบนบันไดได้

1. ตัวทำนายราคาหุ้น

แนวคิดที่ดีที่สุดวิธีหนึ่งในการเริ่มทดลองทำ โปรเจ็กต์แมชชีนเลิร์นนิงสำหรับนักเรียน คือการใช้เครื่องมือทำนายราคาหุ้น องค์กรธุรกิจและบริษัทในปัจจุบันต่างมองหาซอฟต์แวร์ที่สามารถตรวจสอบและวิเคราะห์ประสิทธิภาพของบริษัทและคาดการณ์ราคาหุ้นต่างๆ ในอนาคตได้ และด้วยข้อมูลที่มีอยู่มากมายในตลาดหุ้น จึงเป็นแหล่งที่มาของโอกาสสำหรับนักวิทยาศาสตร์ด้านข้อมูลที่มีความโน้มเอียงในด้านการเงิน

อย่างไรก็ตาม ก่อนที่คุณจะเริ่มต้น คุณต้องมีการแบ่งปันความรู้อย่างยุติธรรมในด้านต่อไปนี้:

• การ วิเคราะห์เชิงทำนาย: ใช้ประโยชน์จากเทคนิค AI ต่างๆ สำหรับกระบวนการข้อมูลต่างๆ เช่น การทำเหมืองข้อมูล การสำรวจข้อมูล ฯลฯ เพื่อ 'ทำนาย' พฤติกรรมของผลลัพธ์ที่เป็นไปได้
• การวิเคราะห์การถดถอย: การวิเคราะห์การถดถอยเป็นเทคนิคการทำนายชนิดหนึ่งโดยอิงจากการมีปฏิสัมพันธ์ระหว่างตัวแปรอิสระ (เป้าหมาย) และตัวแปรอิสระ (ตัวทำนาย)
• การวิเคราะห์การดำเนินการ: ในวิธีนี้ การดำเนินการทั้งหมดที่ดำเนินการโดยสองเทคนิคที่กล่าวถึงข้างต้นจะได้รับการวิเคราะห์หลังจากนั้นจะป้อนผลลัพธ์ลงในหน่วยความจำการเรียนรู้ของเครื่อง
• แบบจำลองทางสถิติ: มันเกี่ยวข้องกับการสร้างคำอธิบายทางคณิตศาสตร์ของกระบวนการในโลกแห่งความเป็นจริงและอธิบายความไม่แน่นอนอย่างละเอียด หากมี ภายในกระบวนการนั้น

2. SportsPredictor

ใน Moneyball ของ Michael Lewis ทีม Oakland Athletics ได้เปลี่ยนโฉมหน้าของทีมเบสบอลด้วยการผสมผสานเทคนิคการสอดแนมของผู้เล่นเชิงวิเคราะห์ในแผนการเล่นของพวกเขา และเช่นเดียวกับพวกเขา คุณก็สามารถปฏิวัติกีฬาในโลกแห่งความเป็นจริงได้เช่นกัน! นี่คือโปรเจ็กต์แมชชีนเลิร์นนิงที่ยอดเยี่ยมสำหรับผู้เริ่มต้น

เนื่องจากไม่มีข้อมูลในโลกของกีฬาที่ขาดแคลน คุณสามารถใช้ข้อมูลนี้เพื่อสร้างโครงการการเรียนรู้ของเครื่องที่สนุกและสร้างสรรค์ เช่น การใช้สถิติกีฬาของวิทยาลัยเพื่อคาดการณ์ว่าผู้เล่นคนใดจะมีอาชีพที่ดีที่สุดในกีฬาใดโดยเฉพาะ (การสอดแนมความสามารถ) คุณยังสามารถเลือกเพิ่มประสิทธิภาพการจัดการทีมโดยวิเคราะห์จุดแข็งและจุดอ่อนของผู้เล่นในทีมและจัดประเภทตามนั้น

ด้วยจำนวนสถิติและข้อมูลกีฬาที่มีอยู่ นี่เป็นเวทีที่ยอดเยี่ยมในการฝึกฝนทักษะการสำรวจข้อมูลและการแสดงข้อมูลของคุณ สำหรับใครก็ตามที่มีไหวพริบใน Python Scikit-Learn จะเป็นตัวเลือกที่เหมาะสมที่สุด เนื่องจากมีเครื่องมือที่มีประโยชน์มากมายสำหรับการวิเคราะห์การถดถอย การจัดประเภท การนำเข้าข้อมูล และอื่นๆ การกล่าวถึงโครงงานแมชชีน เลิร์ นนิงสำหรับปีสุดท้าย สามารถช่วยให้ประวัติย่อของคุณดูน่าสนใจมากกว่าโครงการอื่นๆ

3. พัฒนาเครื่องวิเคราะห์ความเชื่อมั่น

นี่เป็นหนึ่งในแนวคิดโครงงานแมชชีนเลิร์นนิงที่น่าสนใจ แม้ว่าพวกเราส่วนใหญ่จะใช้แพลตฟอร์มโซเชียลมีเดียเพื่อถ่ายทอดความรู้สึกและความคิดเห็นส่วนตัวของเราให้โลกได้เห็น แต่ความท้าทายที่ใหญ่ที่สุดอย่างหนึ่งก็คือการทำความเข้าใจ 'ความรู้สึก' ที่อยู่เบื้องหลังโพสต์บนโซเชียลมีเดีย

และนี่คือแนวคิดที่สมบูรณ์แบบสำหรับโปรเจ็กต์แมชชีนเลิร์นนิงครั้งต่อไปของคุณ!

โซเชียลมีเดียกำลังเฟื่องฟูด้วยเนื้อหาที่ผู้ใช้สร้างขึ้นมากมาย การสร้างระบบ ML ที่สามารถวิเคราะห์ความรู้สึกเบื้องหลังข้อความหรือโพสต์ จะทำให้องค์กรเข้าใจพฤติกรรมผู้บริโภคได้ง่ายขึ้นมาก ในทางกลับกัน สิ่งเหล่านี้จะช่วยให้พวกเขาปรับปรุงการบริการลูกค้า ซึ่งจะทำให้ขอบเขตความพึงพอใจของผู้บริโภคดีที่สุด

คุณสามารถลองขุดข้อมูลจาก Twitter หรือ Reddit เพื่อเริ่มต้นด้วยการวิเคราะห์ความรู้สึกของคุณในโครงการการเรียนรู้ของเครื่อง นี่อาจเป็นหนึ่งในกรณีหายากของ โครงการการเรียนรู้เชิงลึก ที่สามารถช่วยคุณในด้านอื่นๆ ได้เช่นกัน

4. ยกระดับการดูแลสุขภาพ

แอปพลิเคชัน AI และ ML ได้เริ่มเข้าสู่อุตสาหกรรมการดูแลสุขภาพแล้ว และกำลังเปลี่ยนแปลงโฉมหน้าของการดูแลสุขภาพทั่วโลกอย่างรวดเร็ว อุปกรณ์สวมใส่เพื่อสุขภาพ การตรวจสอบระยะไกล การแพทย์ทางไกล การผ่าตัดด้วยหุ่นยนต์ ฯลฯ ล้วนเป็นไปได้เพราะอัลกอริธึมการเรียนรู้ของเครื่องที่ขับเคลื่อนโดย AI พวกเขาไม่เพียงแต่ช่วย HCPs (ผู้ให้บริการด้านการดูแลสุขภาพ) เพื่อให้บริการด้านการดูแลสุขภาพที่รวดเร็วและดีขึ้น แต่ยังลดการพึ่งพาและภาระงานของแพทย์ในระดับที่มีนัยสำคัญ

เหตุใดจึงไม่ใช้ทักษะของคุณในการพัฒนาโครงการแมชชีนเลิร์นนิงที่น่าประทับใจโดยอิงจากการดูแลสุขภาพ การจัดการโปรเจ็กต์ด้วย อัลกอริธึม Machine Learning สำหรับผู้เริ่มต้น อาจเป็นประโยชน์ในการสร้างอาชีพของคุณด้วยการเริ่มต้นที่ดี

อุตสาหกรรมการดูแลสุขภาพมีข้อมูลจำนวนมหาศาลในการกำจัด ด้วยการควบคุมข้อมูลนี้ คุณสามารถสร้าง:

• ระบบการวินิจฉัยที่สามารถสแกนภาพ เอ็กซ์เรย์ ฯลฯ โดยอัตโนมัติ และให้การวินิจฉัยโรคที่เป็นไปได้อย่างแม่นยำ
• แอปพลิเคชันการดูแลป้องกันที่สามารถทำนายความเป็นไปได้ของโรคระบาด เช่น ไข้หวัดใหญ่ มาลาเรีย ฯลฯ ทั้งในระดับชาติและระดับชุมชน

5. เตรียมอัลกอริทึม ML – ตั้งแต่เริ่มต้น!

นี่เป็นหนึ่งในแนวคิดโครงงานแมชชีนเลิร์นนิงที่ยอดเยี่ยมสำหรับผู้เริ่มต้น การเขียนอัลกอริธึม ML ตั้งแต่เริ่มต้นจะมีประโยชน์สองเท่า:

• หนึ่ง การเขียนอัลกอริธึม ML เป็นวิธีที่ดีที่สุดในการทำความเข้าใจสาระสำคัญของกลไกของมัน
• สอง คุณจะได้เรียนรู้วิธีแปลงคำสั่งทางคณิตศาสตร์เป็นโค้ดฟังก์ชัน ทักษะนี้จะเป็นประโยชน์ต่ออาชีพในอนาคตของคุณในการเรียนรู้ของเครื่อง

คุณสามารถเริ่มต้นด้วยการเลือกอัลกอริทึมที่ตรงไปตรงมาและไม่ซับซ้อนเกินไป เบื้องหลังการสร้างแต่ละอัลกอริธึม แม้แต่อัลกอริธึมที่ง่ายที่สุด ยังมีการตัดสินใจที่คำนวณมาอย่างดีหลายประการ เมื่อคุณบรรลุระดับของความเชี่ยวชาญในการสร้างอัลกอริธึม ML อย่างง่ายแล้ว ให้ลองปรับแต่งและขยายฟังก์ชันการทำงาน ตัวอย่างเช่น คุณสามารถใช้อัลกอริธึมการถดถอยโลจิสติกแบบวานิลลาและเพิ่มพารามิเตอร์การทำให้เป็นมาตรฐานเพื่อแปลงเป็นอัลกอริธึมการถดถอยแบบแลซโซ่/ริดจ์ การพูดถึง โปรเจ็กต์แมชชีนเลิ ร์นนิงจะช่วยให้ประวัติย่อของคุณดูน่าสนใจมากกว่าโครงการอื่นๆ

6. พัฒนาโครงข่ายประสาทเทียมที่สามารถอ่านลายมือได้

แนวคิดที่ดีที่สุดวิธีหนึ่งในการเริ่มทดลองโปรเจ็กต์ Java แบบลงมือปฏิบัติสำหรับนักเรียนคือการทำงานบนโครงข่ายประสาทเทียม การเรียนรู้เชิงลึกและโครงข่ายประสาทเทียมเป็นคำศัพท์สองคำที่เกิดขึ้นใน AI สิ่งเหล่านี้ทำให้เรามีความมหัศจรรย์ทางเทคโนโลยี เช่น รถยนต์ไร้คนขับ การจดจำภาพ และอื่นๆ
ตอนนี้เป็นเวลาสำรวจขอบเขตของโครงข่ายประสาทเทียม เริ่มต้นโครงการการเรียนรู้ของเครื่องเครือข่ายประสาทเทียมด้วย MNIST Handwriting Digit Classification Challenge มันมีอินเทอร์เฟซที่ใช้งานง่ายซึ่งเหมาะสำหรับผู้เริ่มต้น

7. ระบบราคาตั๋วหนัง

ด้วยการขยายตัวของแพลตฟอร์ม OTT เช่น Netflix, Amazon Prime ผู้คนชอบดูเนื้อหาตามความสะดวก ปัจจัยต่างๆ เช่น ราคา คุณภาพเนื้อหา และการตลาดมีอิทธิพลต่อความสำเร็จของแพลตฟอร์มเหล่านี้

ค่าใช้จ่ายในการสร้างภาพยนตร์ทั้งเรื่องได้พุ่งสูงขึ้นอย่างมากในช่วงที่ผ่านมา มีเพียง 10% ของภาพยนตร์ที่ทำรายได้ การแข่งขันที่รุนแรงจากแพลตฟอร์มโทรทัศน์และ OTT พร้อมกับค่าตั๋วที่สูงทำให้ภาพยนตร์ทำเงินได้ยากขึ้น ค่าตั๋วโรงละครที่เพิ่มขึ้น (พร้อมกับค่าป๊อปคอร์น) ทำให้โรงหนังว่างเปล่า

ระบบการกำหนดราคาตั๋วขั้นสูงสามารถช่วยผู้สร้างภาพยนตร์และผู้ชมได้อย่างแน่นอน ราคาตั๋วอาจสูงขึ้นตามความต้องการตั๋วที่เพิ่มขึ้นและในทางกลับกัน ยิ่งผู้ชมจองตั๋วเร็วเท่าไร ค่าใช้จ่ายก็จะยิ่งถูกลงสำหรับภาพยนตร์ที่มีความต้องการสูง ระบบควรคำนวณราคาอย่างชาญฉลาดโดยขึ้นอยู่กับความสนใจของผู้ชม สัญญาณทางสังคม และปัจจัยด้านอุปสงค์และอุปทาน

8. โครงการ ML จำแนกดอกไอริส

แนวคิดที่ดีที่สุดวิธีหนึ่งในการเริ่มทดลองทำโปรเจ็กต์แมชชีนเลิร์นนิงสำหรับนักเรียนคือการทำโปรเจ็กต์ ML การจัดหมวดหมู่ Iris Flowers ชุดข้อมูลดอกไอริสเป็นหนึ่งในชุดข้อมูลที่ดีที่สุดสำหรับงานจำแนกประเภท เนื่องจากดอกไอริสมีหลากหลายสายพันธุ์ จึงสามารถจำแนกได้ตามความยาวของกลีบเลี้ยงและกลีบดอก โครงการ ML นี้มีจุดมุ่งหมายเพื่อจำแนกดอกไม้ออกเป็นสามสายพันธุ์ ได้แก่ Virginica, Setosa หรือ Versicolor

โปรเจ็กต์ ML นี้มักเรียกกันว่า "Hello World" ของแมชชีนเลิร์นนิง ชุดข้อมูลดอกไอริสประกอบด้วยแอตทริบิวต์ที่เป็นตัวเลข และเหมาะอย่างยิ่งสำหรับผู้เริ่มต้นในการเรียนรู้เกี่ยวกับอัลกอริธึม ML ที่มีการควบคุมดูแล โดยหลักแล้วจะโหลดและจัดการข้อมูลอย่างไร นอกจากนี้ เนื่องจากชุดข้อมูลนี้เป็นชุดข้อมูลขนาดเล็ก จึงสามารถใส่ลงในหน่วยความจำได้อย่างง่ายดายโดยไม่ต้องมีการแปลงพิเศษหรือความสามารถในการปรับขนาด และนี่คือแนวคิดที่สมบูรณ์แบบสำหรับโปรเจ็กต์แมชชีนเลิร์นนิงครั้งต่อไปของคุณ!

คุณสามารถดาวน์โหลดชุดข้อมูล iris ได้ ที่นี่

9. BigMart Sales Prediction ML Project

นี่เป็นแนวคิดโครงการ ML ที่ยอดเยี่ยมสำหรับผู้เริ่มต้น โปรเจ็กต์ ML นี้เหมาะที่สุดสำหรับการเรียนรู้วิธีการทำงานของอัลกอริธึม ML ที่ไม่มีผู้ดูแล ชุดข้อมูลการขายของ BigMart ประกอบด้วยข้อมูลการขายที่แม่นยำในปี 2013 สำหรับผลิตภัณฑ์ 1559 รายการจากร้านค้า 10 แห่งในเมืองต่างๆ

จุดมุ่งหมายที่นี่คือการใช้ชุดข้อมูลการขายของ BigMart เพื่อพัฒนาแบบจำลองการถดถอยที่สามารถคาดการณ์การขายผลิตภัณฑ์ 1559 แต่ละชิ้นในปีที่จะมาถึงในร้าน BigMart ที่แตกต่างกันสิบแห่ง ชุดข้อมูลการขายของ BigMart มีคุณลักษณะเฉพาะสำหรับแต่ละผลิตภัณฑ์และร้านค้า ซึ่งจะช่วยให้คุณเข้าใจคุณสมบัติของผลิตภัณฑ์และร้านค้าต่างๆ ที่มีอิทธิพลต่อยอดขายโดยรวมของ BigMart ในฐานะแบรนด์

10. เครื่องมือแนะนำพร้อมชุดข้อมูล MovieLens

เครื่องมือแนะนำได้รับความนิยมอย่างมหาศาลในเว็บไซต์ช็อปปิ้งและสตรีมมิ่งออนไลน์ ตัวอย่างเช่น แพลตฟอร์มการสตรีมเนื้อหาออนไลน์ เช่น Netflix และ Hulu มีเครื่องมือแนะนำเพื่อปรับแต่งเนื้อหาตามความชอบของลูกค้าแต่ละรายและประวัติการเข้าชม ด้วยการปรับแต่งเนื้อหาเพื่อตอบสนองความต้องการในการรับชมและความชอบของลูกค้าที่แตกต่างกัน ไซต์เหล่านี้จึงสามารถเพิ่มความต้องการใช้บริการสตรีมมิ่งของตนได้

ในฐานะมือใหม่ คุณสามารถลองใช้มือของคุณในการสร้างระบบคำแนะนำโดยใช้ชุดข้อมูลยอดนิยมที่มีอยู่บนเว็บ – ชุดข้อมูล MovieLens ชุดข้อมูลนี้มีมากกว่า “25 ล้านเรทติ้งและหนึ่งล้านแท็กแอปพลิเคชันที่ใช้กับภาพยนตร์ 62,000 เรื่องโดยผู้ใช้ 162,000 คน” คุณสามารถเริ่มโครงการนี้โดยสร้างการแสดงภาพชื่อภาพยนตร์บนคลาวด์ทั่วโลกเพื่อสร้างเครื่องมือแนะนำภาพยนตร์สำหรับ MovieLens

คุณสามารถตรวจสอบชุดข้อมูล MovieLens ได้ ที่นี่

11. การทำนายคุณภาพไวน์โดยใช้ชุดข้อมูลคุณภาพไวน์

เป็นที่ทราบกันดีอยู่แล้วว่าอายุทำให้ไวน์ดีขึ้น ยิ่งไวน์มีอายุมากเท่าไร รสชาติก็จะยิ่งดีขึ้นเท่านั้น อย่างไรก็ตาม อายุไม่ใช่สิ่งเดียวที่กำหนดรสชาติของไวน์ ปัจจัยหลายประการเป็นตัวกำหนดการรับรองคุณภาพไวน์ รวมถึงการทดสอบทางเคมีกายภาพ เช่น ปริมาณแอลกอฮอล์ ความเป็นกรดคงที่ ความเป็นกรดที่ระเหยได้ ความหนาแน่น และระดับ pH เป็นต้น

ในโครงการ ML นี้ คุณต้องพัฒนาแบบจำลอง ML ที่สามารถสำรวจคุณสมบัติทางเคมีของไวน์เพื่อทำนายคุณภาพของไวน์ได้ ชุดข้อมูลคุณภาพไวน์ที่คุณจะใช้สำหรับโครงการนี้ประกอบด้วยการสังเกตประมาณ 4898 รายการ ซึ่งรวมถึงตัวแปรอิสระ 11 ตัวและตัวแปรตาม 1 ตัว การกล่าวถึงโครงงานแมชชีนเลิร์นนิงสำหรับปีสุดท้ายสามารถช่วยให้ประวัติย่อของคุณดูน่าสนใจมากกว่าโครงการอื่นๆ

12. MNIST การจัดประเภทตัวเลขที่เขียนด้วยลายมือ

นี่เป็นหนึ่งในโครงการการเรียนรู้ของเครื่องที่น่าสนใจ การเรียนรู้เชิงลึกและโครงข่ายประสาทเทียมพบกรณีการใช้งานในแอปพลิเคชันต่างๆ ในชีวิตจริง เช่น การจดจำภาพ การสร้างข้อความอัตโนมัติ รถยนต์ไร้คนขับ และอื่นๆ อีกมากมาย อย่างไรก็ตาม ก่อนที่คุณจะเจาะลึกลงไปในส่วนที่ซับซ้อนเหล่านี้ของการเรียนรู้เชิงลึก คุณควรเริ่มต้นด้วยชุดข้อมูลง่ายๆ เช่น ชุดข้อมูล MNIST เหตุใดจึงไม่ใช้ทักษะของคุณในการพัฒนาโครงการการเรียนรู้ของเครื่องที่น่าประทับใจโดยอิงจาก MNIST

โปรเจ็กต์การจำแนกตัวเลข MNIST ออกแบบมาเพื่อฝึกเครื่องให้จดจำตัวเลขที่เขียนด้วยลายมือ เนื่องจากผู้เริ่มต้นมักจะพบว่าการทำงานกับข้อมูลภาพบนข้อมูลเชิงสัมพันธ์แบบเรียบนั้นทำได้ยาก ชุดข้อมูล MNIST จึงเหมาะที่สุดสำหรับผู้เริ่มต้น ในโปรเจ็กต์นี้ คุณจะใช้ชุดข้อมูล MNIST เพื่อฝึกโมเดล ML ของคุณโดยใช้ Convolutional Neural Networks (CNNs) แม้ว่าชุดข้อมูล MNIST จะสามารถใส่ลงในหน่วยความจำพีซีของคุณได้อย่างราบรื่น (มีขนาดเล็กมาก) แต่งานของการจดจำตัวเลขที่เขียนด้วยลายมือนั้นค่อนข้างท้าทาย

คุณสามารถเข้าถึงชุดข้อมูล MNIST ได้ ที่นี่

13. การจดจำกิจกรรมของมนุษย์โดยใช้ชุดข้อมูลสมาร์ทโฟน

นี่เป็นหนึ่งในแนวคิดของโปรเจ็กต์แมชชีนเลิร์นนิงที่กำลังมาแรง ชุดข้อมูลของสมาร์ทโฟนประกอบด้วยบันทึกกิจกรรมการออกกำลังกายและข้อมูลของคน 30 คน ข้อมูลนี้ถูกจับผ่านสมาร์ทโฟนที่ติดตั้งเซ็นเซอร์เฉื่อย

โครงการ ML นี้มีจุดมุ่งหมายเพื่อสร้างแบบจำลองการจำแนกประเภทที่สามารถระบุกิจกรรมการออกกำลังกายของมนุษย์ได้อย่างแม่นยำในระดับสูง การทำงานในโครงการ ML นี้ คุณจะได้เรียนรู้พื้นฐานของการจัดประเภทและวิธีแก้ปัญหาการจัดประเภทหลายรายการ

14. การตรวจจับวัตถุด้วยการเรียนรู้เชิงลึก

นี่เป็นหนึ่งในโครงการแมชชีนเลิร์นนิงที่น่าสนใจที่จะสร้าง เมื่อพูดถึงการจัดประเภทรูปภาพ Deep Neural Networks (DNNs) ควรเป็นทางเลือกของคุณ แม้ว่า DNN จะถูกนำไปใช้ในแอปพลิเคชันการจำแนกรูปภาพในโลกแห่งความเป็นจริงแล้ว โปรเจ็กต์ ML นี้มีจุดมุ่งหมายเพื่อเพิ่มระดับ

ในโปรเจ็กต์ ML นี้ คุณจะแก้ปัญหาการตรวจจับอ็อบเจ็กต์โดยใช้ประโยชน์จาก DNN คุณจะต้องพัฒนาโมเดลที่สามารถจำแนกวัตถุและแปลวัตถุของคลาสต่างๆ ได้อย่างถูกต้อง ที่นี่ คุณจะถือว่างานการตรวจจับวัตถุเป็นปัญหาการถดถอยสำหรับมาสก์กล่องที่มีขอบเขตของวัตถุ นอกจากนี้ คุณจะกำหนดขั้นตอนการอนุมานแบบหลายสเกลที่สามารถสร้างการตรวจจับออบเจ็กต์ที่มีความละเอียดสูงได้โดยใช้ต้นทุนที่ต่ำที่สุด

15. การตรวจจับข่าวปลอม

นี่เป็นหนึ่งในแนวคิดโครงงานแมชชีนเลิร์นนิงที่ยอดเยี่ยมสำหรับผู้เริ่มต้น โดยเฉพาะอย่างยิ่งการที่ข่าวปลอมกำลังแพร่กระจายอย่างไฟป่าในขณะนี้ ข่าวปลอมมีพรสวรรค์ในการแพร่กระจายเหมือนไฟป่า และด้วยสื่อสังคมออนไลน์ที่ครอบงำชีวิตของเราในขณะนี้ การแยกข่าวปลอมออกจากเหตุการณ์ข่าวจริงจึงมีความสำคัญมากกว่าที่เคย นี่คือจุดที่แมชชีนเลิร์นนิงสามารถช่วยได้ Facebook ใช้ AI เพื่อกรองเรื่องราวปลอมและสแปมจากฟีดของผู้ใช้แล้ว

โครงการ ML นี้มีจุดมุ่งหมายเพื่อใช้ประโยชน์จากเทคนิค NLP (การประมวลผลภาษาธรรมชาติ) เพื่อตรวจจับข่าวปลอมและเรื่องราวที่ทำให้เข้าใจผิดซึ่งเกิดขึ้นจากแหล่งที่ไม่น่าเชื่อถือ คุณยังสามารถใช้วิธีการจัดประเภทข้อความแบบคลาสสิกเพื่อออกแบบแบบจำลองที่สามารถแยกความแตกต่างระหว่างข่าวจริงและข่าวปลอม ในวิธีหลัง คุณสามารถรวบรวมชุดข้อมูลสำหรับข่าวจริงและข่าวปลอม และสร้างแบบจำลอง ML โดยใช้ตัวแยกประเภท Naive Bayes เพื่อจัดประเภทข่าวว่าเป็นข่าวหลอกลวงหรือของจริงตามคำและวลีที่ใช้ในนั้น

16. สมัครอีเมล์โครงการ

ชุด ข้อมูลอีเมลของ Enron มีอีเมลเกือบ 500,000 ฉบับจากผู้ใช้มากกว่า 150 ราย เป็นชุดข้อมูลที่มีค่าอย่างยิ่งสำหรับการประมวลผลภาษาธรรมชาติ โปรเจ็กต์นี้เกี่ยวข้องกับการสร้างโมเดล ML ที่ใช้อัลกอริธึมการจัดกลุ่ม k-mean เพื่อตรวจจับการกระทำที่เป็นการฉ้อโกง โมเดลจะแยกการสังเกตออกเป็นจำนวน 'k' ของกลุ่มตามรูปแบบที่คล้ายกันในชุดข้อมูล

17. โครงการพาร์กินสัน

ชุด ข้อมูลพาร์กินสัน ประกอบด้วยบันทึกทางชีวการแพทย์ 195 รายการที่มีลักษณะหลากหลาย 23 แบบ แนวคิดเบื้องหลังโครงการนี้คือการออกแบบแบบจำลอง ML ที่สามารถแยกความแตกต่างระหว่างคนที่มีสุขภาพดีกับผู้ที่เป็นโรคพาร์กินสันได้ โมเดลนี้ใช้อัลกอริธึม XGboost (การเร่งการไล่ระดับสีที่รุนแรง) ตามแผนผังการตัดสินใจเพื่อทำการแยก

18. โครงการ Flickr 30K

ชุด ข้อมูล Flickr 30K ประกอบด้วยภาพมากกว่า 30,000 ภาพ โดยแต่ละภาพมีคำอธิบายภาพที่ไม่ซ้ำกัน คุณจะใช้ชุดข้อมูลนี้เพื่อสร้างเครื่องกำเนิดคำบรรยายภาพ แนวคิดคือการสร้างแบบจำลอง CNN ที่สามารถวิเคราะห์และดึงคุณลักษณะจากภาพได้อย่างมีประสิทธิภาพ และสร้างคำบรรยายภาพที่เหมาะสมซึ่งบรรยายภาพเป็นภาษาอังกฤษ

19.โครงการลูกค้าห้างสรรพสินค้า

ตามชื่อ ร้าน ชุดข้อมูลลูกค้าของห้างสรรพสินค้าจะ รวมบันทึกของผู้ที่เข้าเยี่ยมชมห้างสรรพสินค้า เช่น เพศ อายุ รหัสลูกค้า รายได้ต่อปี คะแนนการใช้จ่าย เป็นต้น คุณจะสร้างแบบจำลองที่จะใช้ข้อมูลนี้เพื่อแบ่งกลุ่มลูกค้า เป็นกลุ่มต่างๆ ตามรูปแบบพฤติกรรม การแบ่งกลุ่มลูกค้าดังกล่าวเป็นกลยุทธ์ทางการตลาดที่มีประโยชน์อย่างมากซึ่งแบรนด์และนักการตลาดใช้เพื่อเพิ่มยอดขายและรายได้ ขณะเดียวกันก็เพิ่มความพึงพอใจของลูกค้าด้วย

20. โครงการจลนศาสตร์

สำหรับโครงการนี้ คุณจะใช้ ชุดข้อมูลขนาดใหญ่ ที่มีชุดข้อมูลแยกกันสามชุด – Kinetics 400, Kinetics 600 และ Kinetics 700 ซึ่งมีลิงก์ URL ของวิดีโอคุณภาพสูงกว่า 6.5 ล้านรายการ เป้าหมายของคุณคือการสร้างแบบจำลองที่สามารถตรวจจับและระบุการกระทำของมนุษย์โดยศึกษาชุดข้อสังเกตต่างๆ

21. โครงการระบบข้อเสนอแนะ

คอลเล็กชันชุดข้อมูลอันสมบูรณ์นี้ประกอบด้วยชุดข้อมูลที่ หลากหลายซึ่ง รวบรวมจากเว็บไซต์ยอดนิยม เช่น บทวิจารณ์หนังสือ Goodreads บทวิจารณ์ผลิตภัณฑ์ของ Amazon โซเชียลมีเดีย ฯลฯ เป้าหมายของคุณคือการสร้างเครื่องมือแนะนำ (เช่นที่ Amazon และ Netflix ใช้) ที่สามารถสร้าง คำแนะนำส่วนบุคคลสำหรับผลิตภัณฑ์ ภาพยนตร์ เพลง ฯลฯ ตามความชอบ ความต้องการ และพฤติกรรมออนไลน์ของลูกค้า

22. โครงการบ้านบอสตัน

ชุด ข้อมูลที่อยู่อาศัยในบอสตัน ประกอบด้วยรายละเอียดของบ้านต่างๆ ในบอสตันโดยพิจารณาจากปัจจัยต่างๆ เช่น อัตราภาษี อัตราการเกิดอาชญากรรม จำนวนห้องในบ้าน ฯลฯ เป็นชุดข้อมูลที่ยอดเยี่ยมสำหรับการทำนายราคาบ้านต่างๆ ในบอสตัน ในโครงการนี้ คุณจะสร้างแบบจำลองที่สามารถทำนายราคาบ้านใหม่โดยใช้การถดถอยเชิงเส้น การถดถอยเชิงเส้นเหมาะที่สุดสำหรับโครงการนี้ เนื่องจากใช้ในกรณีที่ข้อมูลมีความสัมพันธ์เชิงเส้นตรงระหว่างค่าอินพุตและเอาต์พุต และเมื่อไม่ทราบอินพุต

23. โครงการทิวทัศน์เมือง

ชุด ข้อมูลโอเพนซอร์ส นี้ประกอบด้วยคำอธิบายประกอบระดับพิกเซลคุณภาพสูงของลำดับวิดีโอที่รวบรวมจากท้องถนนใน 50 เมืองต่างๆ เป็นประโยชน์อย่างมากสำหรับการวิเคราะห์เชิงความหมาย คุณสามารถใช้ชุดข้อมูลนี้เพื่อฝึกโครงข่ายประสาทลึกเพื่อวิเคราะห์และทำความเข้าใจภูมิทัศน์ของเมือง โปรเจ็กต์นี้เกี่ยวข้องกับการออกแบบแบบจำลองที่สามารถแบ่งส่วนภาพและระบุวัตถุต่างๆ (รถยนต์ รถประจำทาง รถบรรทุก ต้นไม้ ถนน คน ฯลฯ) จากซีเควนซ์วิดีโอบนท้องถนนได้

24. โครงการ YouTube 8M

Youtube 8M เป็น ชุด ข้อมูลขนาดใหญ่ที่มีรหัสวิดีโอ YouTube 6.1 ล้าน ID วิดีโอ 350,000 ชั่วโมง ฟีเจอร์ภาพและเสียง 2.6 พันล้านรายการ 3862 คลาส และเฉลี่ย 3 ป้ายกำกับสำหรับแต่ละวิดีโอ มีการใช้กันอย่างแพร่หลายสำหรับโครงการจัดหมวดหมู่วิดีโอ ในโครงการนี้ คุณจะสร้างระบบการจัดหมวดหมู่วิดีโอที่สามารถอธิบายวิดีโอได้อย่างถูกต้อง โดยจะพิจารณาชุดของอินพุตต่างๆ และจัดประเภทวิดีโอออกเป็นหมวดหมู่ต่างๆ

25. เสียงเมือง 8K

ชุด ข้อมูล 8K เสียงในเมือง ใช้สำหรับการจัดประเภทเสียง ประกอบด้วยคอลเลกชั่นเสียงในเมืองต่างๆ 8732 เสียงจากชั้นเรียนต่างๆ เช่น ไซเรน ดนตรีข้างถนน เสียงสุนัขเห่า เสียงนกร้อง ผู้คนพูดคุย ฯลฯ คุณจะออกแบบโมเดลการจำแนกเสียงที่สามารถตรวจจับโดยอัตโนมัติว่าเสียงในเมืองใดกำลังเล่นอยู่ใน

26. โครงการ IMDB-Wiki

ชุดข้อมูล ที่ มีป้ายกำกับ นี้อาจเป็นหนึ่งในคอลเล็กชันภาพใบหน้าที่ครอบคลุมมากที่สุดซึ่งรวบรวมจากทั่วทั้ง IMDB และ Wikipedia มีรูปภาพใบหน้าที่มีป้ายกำกับอายุและเพศมากกว่า 5 ล้านภาพ พร้อมระบุเพศและอายุ คุณจะสร้างแบบจำลองที่สามารถตรวจจับใบหน้าและทำนายอายุและเพศได้อย่างแม่นยำ คุณสร้างกลุ่มอายุ/ช่วงอายุต่างๆ ได้ เช่น 0-10, 10-20, 30-40 เป็นต้น

27. โครงการ Librispeech

ชุด ข้อมูล librispeech เป็นชุดสุนทรพจน์ภาษาอังกฤษจำนวนมากที่ได้มาจากโครงการ LibriVox ประกอบด้วยสุนทรพจน์ที่อ่านภาษาอังกฤษในสำเนียงต่างๆ ที่มีความยาวกว่า 1,000 ชั่วโมง และเป็นเครื่องมือที่สมบูรณ์แบบสำหรับการรู้จำคำพูด จุดเน้นของโครงการนี้คือการสร้างแบบจำลองที่สามารถแปลเสียงเป็นข้อความได้โดยอัตโนมัติ คุณจะสร้างระบบการรู้จำคำพูดที่สามารถตรวจจับคำพูดภาษาอังกฤษและแปลเป็นรูปแบบข้อความได้

28. โครงการมาตรฐานการรู้จำป้ายจราจรเยอรมัน (GTSRB)

ชุดข้อมูล นี้ ประกอบด้วยภาพสัญญาณจราจรมากกว่า 50,000 ภาพ แบ่งออกเป็น 43 คลาส และมีข้อมูลเกี่ยวกับกรอบของป้ายจราจรแต่ละป้าย เหมาะอย่างยิ่งสำหรับการจำแนกประเภทหลายคลาส ซึ่งเป็นสิ่งที่คุณจะเน้นที่นี่ คุณจะสร้างแบบจำลองโดยใช้กรอบการเรียนรู้เชิงลึกที่สามารถจดจำกรอบป้ายและจำแนกป้ายจราจรได้ โครงการนี้สามารถเป็นประโยชน์อย่างยิ่งสำหรับยานพาหนะที่เป็นอิสระ เนื่องจากสามารถตรวจจับสัญญาณและช่วยให้ผู้ขับขี่ดำเนินการตามที่จำเป็น

29. การสรุปข้อความวิดีโอการแข่งขันกีฬา

โปรเจ็กต์นี้ตรงตามที่เห็น – ได้บทสรุปที่ถูกต้องและรัดกุมของวิดีโอกีฬา เป็นเครื่องมือที่มีประโยชน์สำหรับเว็บไซต์กีฬาที่แจ้งผู้อ่านเกี่ยวกับไฮไลท์ของการแข่งขัน เนื่องจากโครงข่ายประสาทเทียมเหมาะที่สุดสำหรับการสรุปข้อความ คุณจะต้องสร้างโมเดลนี้โดยใช้เครือข่ายการเรียนรู้เชิงลึก เช่น 3D-CNN, RNN และ LSTM ขั้นแรก คุณจะแยกส่วนวิดีโอกีฬาออกเป็นหลายส่วนโดยใช้อัลกอริธึม ML ที่เหมาะสม จากนั้นใช้ SVM (เครื่องเวกเตอร์ที่รองรับ) เครือข่ายประสาทเทียม และอัลกอริทึม k-mean ร่วมกัน

30. เครื่องกำเนิดสรุปการประชุมทางธุรกิจ

การสรุปเกี่ยวข้องกับการแยกส่วนข้อมูลที่มีความหมายและมีค่าที่สุดจากการสนทนา ไฟล์เสียง/วิดีโอ ฯลฯ โดยสั้นและกระชับ โดยทั่วไปแล้วจะทำโดยคุณลักษณะที่จับลักษณะทางสถิติ ภาษาศาสตร์ และอารมณ์ด้วยโครงสร้างการสนทนาของการสนทนาที่เป็นปัญหา ในโครงการนี้ คุณจะใช้เทคนิคการเรียนรู้เชิงลึกและการประมวลผลภาษาธรรมชาติเพื่อสร้างสรุปการประชุมทางธุรกิจที่แม่นยำในขณะที่รักษาบริบทของการสนทนาทั้งหมด

31. การวิเคราะห์ความเชื่อมั่นสำหรับภาวะซึมเศร้า

อาการซึมเศร้าเป็นปัญหาด้านสุขภาพที่สำคัญทั่วโลก ในแต่ละปี ผู้คนนับล้านฆ่าตัวตายเนื่องจากภาวะซึมเศร้าและสุขภาพจิตไม่ดี โดยปกติ ความอัปยศที่ติดอยู่กับปัญหาสุขภาพจิตและการรักษาที่ล่าช้าเป็นสาเหตุหลักสองประการที่อยู่เบื้องหลังสิ่งนี้ ในโครงการนี้ คุณจะใช้ประโยชน์จากข้อมูลที่รวบรวมจากแพลตฟอร์มโซเชียลมีเดียต่างๆ และวิเคราะห์เครื่องหมายทางภาษาในโพสต์โซเชียลมีเดียเพื่อทำความเข้าใจสุขภาพจิตของแต่ละบุคคล แนวคิดคือการสร้างแบบจำลองการเรียนรู้เชิงลึกที่สามารถให้ข้อมูลเชิงลึกที่มีคุณค่าและแม่นยำเกี่ยวกับสุขภาพจิตของตนเองได้เร็วกว่าวิธีการทั่วไป

32. แก้สมการเขียนด้วยลายมือ

การรู้จำนิพจน์ทางคณิตศาสตร์ที่เขียนด้วยลายมือเป็นสาขาวิชาที่สำคัญในการศึกษาวิจัยการมองเห็นด้วยคอมพิวเตอร์ คุณจะสร้างแบบจำลองและฝึกฝนเพื่อแก้สมการทางคณิตศาสตร์ที่เขียนด้วยลายมือโดยใช้ Convolutional Neural Networks โมเดลจะใช้เทคนิคการประมวลผลภาพด้วย โปรเจ็กต์นี้เกี่ยวข้องกับการฝึกโมเดลด้วยข้อมูลที่ถูกต้องเพื่อให้เชี่ยวชาญในการอ่านตัวเลข สัญลักษณ์ และอื่นๆ ที่เขียนด้วยลายมือ เพื่อส่งมอบผลลัพธ์ที่ถูกต้องสำหรับสมการทางคณิตศาสตร์ที่มีระดับความซับซ้อนต่างกัน

33. การจดจำใบหน้าเพื่อตรวจจับอารมณ์และแนะนำเพลง

เป็นที่ทราบกันดีอยู่แล้วว่าผู้คนฟังเพลงตามอารมณ์และความรู้สึกในปัจจุบัน เหตุใดจึงไม่สร้างแอปพลิเคชันที่สามารถตรวจจับอารมณ์ของบุคคลโดยการแสดงออกทางสีหน้าและแนะนำเพลงตามนั้น สำหรับสิ่งนี้ คุณจะใช้องค์ประกอบและเทคนิคการมองเห็นด้วยคอมพิวเตอร์ เป้าหมายคือการสร้างแบบจำลองที่สามารถใช้ประโยชน์จากการมองเห็นของคอมพิวเตอร์เพื่อช่วยให้คอมพิวเตอร์เข้าใจรูปภาพและวิดีโอในระดับสูง

34. เครื่องกำเนิดเพลง

การเรียบเรียงดนตรีเป็นเพียงการผสมผสานที่ไพเราะของระดับความถี่ต่างๆ ในโปรเจ็กต์นี้ คุณจะออกแบบเครื่องกำเนิดเพลงอัตโนมัติที่สามารถแต่งเพลงสั้น ๆ ได้โดยมีมนุษย์เข้ามาแทรกแซงน้อยที่สุด คุณจะใช้อัลกอริธึมการเรียนรู้เชิงลึกและเครือข่าย LTSM เพื่อสร้างเครื่องกำเนิดเพลงนี้

35. ระบบทำนายโรค

โครงการ ML นี้ออกแบบมาเพื่อทำนายโรค คุณจะสร้างโมเดลนี้โดยใช้ R และ R Studio และ ชุดข้อมูลมะเร็งเต้านมวิสคอนซิน (การวินิจฉัย ) ชุดข้อมูลนี้ประกอบด้วยตัวทำนายสองประเภท - มวลเต้านมที่ไม่เป็นพิษเป็นภัย จำเป็นต้องมีความรู้พื้นฐานเกี่ยวกับป่าสุ่มและ XGBoost ในการทำงานในโครงการนี้

36. ค้นหาดาวเคราะห์นอกระบบที่อาศัยอยู่ได้

ในทศวรรษที่ผ่านมา เราประสบความสำเร็จในการระบุการผ่านหน้าและดาวเคราะห์นอกระบบจำนวนมาก เนื่องจากการตีความด้วยตนเองของดาวเคราะห์นอกระบบที่อาจเกิดขึ้นนั้นค่อนข้างท้าทายและใช้เวลานาน (อย่าลืมว่าสิ่งนี้อาจเกิดจากความผิดพลาดของมนุษย์ด้วย) จึงเป็นวิธีที่ดีที่สุดที่จะใช้การเรียนรู้เชิงลึกเพื่อระบุดาวเคราะห์นอกระบบ โครงการนี้มีจุดมุ่งหมายเพื่อค้นหาว่ามีดาวเคราะห์นอกระบบที่อาศัยอยู่รอบตัวเราหรือไม่โดยใช้ CNN และข้อมูลอนุกรมเวลาที่มีเสียงดัง วิธีนี้สามารถระบุดาวเคราะห์นอกระบบที่อาศัยอยู่ได้อย่างแม่นยำมากกว่าวิธีกำลังสองน้อยที่สุด

37. การสร้างภาพใหม่สำหรับวงล้อที่เก่าและเสียหาย

การกู้คืนวงล้อรูปภาพเก่าหรือเสียหายเป็นงานที่ท้าทาย แทบเป็นไปไม่ได้เลยที่จะคืนค่ารูปภาพเก่าให้กลับสู่สถานะดั้งเดิม อย่างไรก็ตาม การเรียนรู้เชิงลึกสามารถแก้ปัญหานี้ได้ คุณจะสร้างโมเดลการเรียนรู้เชิงลึกที่สามารถระบุข้อบกพร่องในภาพ (รอยถลอก รู รอยพับ การเปลี่ยนสี ฯลฯ) และใช้อัลกอริธึม Inpainting เพื่อกู้คืน คุณยังสามารถทำให้ภาพขาวดำเก่าลงสีได้อีกด้วย

โครงการอุตสาหกรรมในโลกแห่งความเป็นจริง

สีม่วงแดง

โครงการวิจัยนี้เน้นการสำรวจการใช้งานแมชชีนเลิร์นนิงในกระบวนการสร้างสรรค์งานศิลปะและดนตรี คุณจะพัฒนาการเรียนรู้การเสริมกำลังที่ไม่ซ้ำใครและอัลกอริธึมการเรียนรู้เชิงลึกที่สามารถสร้างภาพ เพลง เพลง และอื่นๆ อีกมากมาย เป็นโครงการที่สมบูรณ์แบบสำหรับนักสร้างสรรค์ที่หลงใหลในศิลปะและดนตรี

BluEx

BluEx เป็นหนึ่งในบริษัทลอจิสติกส์ชั้นนำในอินเดียที่มีฐานแฟนคลับค่อนข้างมาก ต้องขอบคุณการส่งมอบที่ตรงเวลาและมีประสิทธิภาพ อย่างไรก็ตาม เช่นเดียวกับผู้ให้บริการด้านลอจิสติกส์ทุกราย BluEx เผชิญกับความท้าทายอย่างหนึ่งที่ทำให้ต้องเสียทั้งเวลาและเงิน – ผู้ขับไม่ได้กำหนดเส้นทางการส่งมอบที่เหมาะสมบ่อยครั้ง ซึ่งทำให้เกิดความล่าช้าและนำไปสู่ต้นทุนเชื้อเพลิงที่สูงขึ้น คุณจะสร้างแบบจำลอง ML โดยใช้การเรียนรู้แบบเสริมกำลังที่สามารถค้นหาเส้นทางที่มีประสิทธิภาพที่สุดสำหรับสถานที่จัดส่งเฉพาะ ซึ่งสามารถประหยัดน้ำมันได้ถึง 15% สำหรับ BluEx

โมชั่นสตูดิโอ

Motion Studios เป็นโปรดักชั่นเฮาส์วิทยุที่ใหญ่ที่สุดในยุโรปโดยมีรายได้เกินพันล้านดอลลาร์ นับตั้งแต่บริษัทสื่อเปิดตัวรายการเรียลลิตี้โชว์ RJ Star พวกเขาได้รับการตอบรับอย่างดีเยี่ยมและเต็มไปด้วยคลิปเสียง เนื่องจากเป็นรายการเรียลลิตี้โชว์ จึงมีเวลาจำกัดในการเลือกผู้สมัคร คุณจะสร้างแบบจำลองที่สามารถแยกความแตกต่างระหว่างเสียงชายและหญิง และจัดประเภทคลิปเสียงเพื่อให้การกรองเร็วขึ้น จะช่วยให้คัดเลือกได้รวดเร็วขึ้น ทำให้งานของผู้บริหารรายการคลี่คลายลง

LithionPower

Lithionpower สร้างแบตเตอรี่สำหรับรถยนต์ไฟฟ้า โดยปกติ คนขับจะเช่าแบตเตอรี่ของบริษัทหนึ่งวันและเปลี่ยนเป็นแบตเตอรี่ที่ชาร์จไฟแล้ว อายุการใช้งานแบตเตอรี่ขึ้นอยู่กับปัจจัยต่างๆ เช่น ระยะทางที่ขับ/วัน ความเร็วเกิน ฯลฯ LithionPower ใช้รูปแบบการกำหนดราคาแบบผันแปรตามประวัติการขับขี่ของผู้ขับขี่ เป้าหมายของโครงการนี้คือการสร้างโมเดลคลัสเตอร์ที่จะจัดกลุ่มผู้ขับขี่ตามประวัติการขับขี่และจูงใจผู้ขับขี่ตามคลัสเตอร์เหล่านั้น แม้ว่าสิ่งนี้จะเพิ่มผลกำไร 15-20% แต่ก็จะเรียกเก็บเงินเพิ่มขึ้นจากผู้ขับขี่ที่มีประวัติการขับขี่ที่ไม่ดี

บทสรุป

นี่คือรายการ แนวคิดของโครงงานแมชชีนเลิ ร์นนิงที่ครอบคลุม แมชชีนเลิร์นนิงยังอยู่ในช่วงเริ่มต้นทั่วโลก มีโครงการมากมายที่ต้องทำ และยังต้องปรับปรุงอีกมาก ด้วยความคิดที่ชาญฉลาดและความคิดที่เฉียบแหลม ระบบที่มีการสนับสนุนธุรกิจจะดีขึ้น เร็วขึ้น และให้ผลกำไร หากคุณต้องการเป็นเลิศในการเรียนรู้ของเครื่อง คุณต้องรวบรวมประสบการณ์จริงกับโครงการการเรียนรู้ของเครื่องดังกล่าว

คุณสามารถตรวจสอบ Executive PG Program ใน Machine Learning & AI จาก IIT Delhi IIT Delhi เป็นหนึ่งในสถาบันที่มีชื่อเสียงที่สุดในอินเดีย ด้วยคณาจารย์ภายในมากกว่า 500 คนซึ่งดีที่สุดในสาขาวิชา

โดยการทำงานกับเครื่องมือ ML และอัลกอริธึม ML เท่านั้น คุณจึงจะเข้าใจได้ว่าโครงสร้างพื้นฐาน ML ทำงานอย่างไรในความเป็นจริง ตอนนี้ ไปข้างหน้าและทดสอบความรู้ทั้งหมดที่คุณได้รวบรวมผ่านคู่มือแนวคิดโครงการการเรียนรู้ของเครื่อง เพื่อสร้าง โครงการการเรียนรู้ของเครื่องของคุณเอง!