Yeni Başlayanlar İçin 15 İlginç Makine Öğrenimi Projesi Fikri [222]

Makine Öğrenimi Proje Fikirleri

Yapay Zeka (AI) 2022'de hızla ilerlemeye devam ederken, Makine Öğrenimi (ML) konusunda uzmanlaşmak bu alandaki tüm oyuncular için giderek daha önemli hale geliyor. Bunun nedeni, hem AI hem de ML'nin birbirini tamamlamasıdır. Dolayısıyla, yeni başlayan biriyseniz yapabileceğiniz en iyi şey, bazı Makine Öğrenimi projeleri üzerinde çalışmaktır.

Biz burada upGrad'da, teorik bilgi tek başına gerçek zamanlı bir çalışma ortamında yardımcı olmayacağından pratik bir yaklaşıma inanıyoruz. Bu yazıda, yeni başlayanların Makine Öğrenimi bilgilerini test etmek için üzerinde çalışabilecekleri bazı ilginç Makine Öğrenimi projelerini keşfedeceğiz. Bu makalede, yeni başlayanlar için uygulamalı deneyim kazanmaları için en iyi 15 makine öğrenimi projesi fikri bulacaksınız.

Ama önce, aklınıza gizlenmiş olması gereken daha uygun soruyu ele alalım: neden Makine Öğrenimi projeleri inşa etmeli?

Yazılım geliştirmede kariyer söz konusu olduğunda, hevesli geliştiricilerin kendi projeleri üzerinde çalışması bir zorunluluktur. Gerçek dünya projeleri geliştirmek, becerilerinizi geliştirmenin ve teorik bilginizi pratik deneyime dönüştürmenin en iyi yoludur. Farklı Makine Öğrenimi projeleri ile ne kadar çok deneme yaparsanız, o kadar fazla bilgi kazanırsınız.

Ders kitapları ve çalışma materyalleri, Makine Öğrenimi hakkında bilmeniz gereken tüm bilgileri size verecek olsa da, zamanınızı gerçek hayattaki pratik deneylere (Makine Öğrenimi üzerine projelere) ayırmadıkça, ML'de asla gerçekten ustalaşamazsınız. Makine öğrenimi proje fikirleri üzerinde çalışmaya başladığınızda, yalnızca güçlü ve zayıf yönlerinizi test etmekle kalmayacak, aynı zamanda kariyerinizi geliştirmek için son derece yardımcı olabilecek bir deneyim kazanacaksınız. Bu öğreticide, makine öğrenimi konusunda uygulamalı deneyim kazanmaları için yeni başlayanlar için 15 ilginç makine öğrenimi projesi fikri bulacaksınız.

Dünyanın En İyi Üniversitelerinden Makine Öğrenimi Çevrimiçi Kursları Öğrenin . Kariyerinizi hızlandırmak için Master, Executive PGP veya Advanced Certificate Programları kazanın.

İşte yeni başlayanların üzerinde çalışabileceği birkaç Makine Öğrenimi Projesi:

İşte yeni başlayanlar için bazı harika Makine Öğrenimi proje fikirleri

Makine öğrenimi proje fikirleri ve konuları hakkındaki videomuzu izleyin…

Öğrencilere yönelik bu makine öğrenimi proje fikirleri listesi, yeni başlayanlar ve genel olarak Makine Öğrenimi veya Veri Bilimi ile yeni başlayanlar için uygundur. Bu makine öğrenimi proje fikirleri , bir Makine Öğrenimi uzmanı olarak kariyerinizde başarılı olmanız için ihtiyaç duyduğunuz tüm pratikliklerle ilerlemenizi sağlayacaktır.

Ayrıca, son yıl için Makine Öğrenimi proje fikirleri arıyorsanız , bu liste sizi harekete geçirmelidir. O halde lafı daha fazla uzatmadan, temelinizi güçlendirecek ve merdiveni tırmanmanıza olanak sağlayacak bazı Makine Öğrenimi proje fikirlerine doğrudan geçelim .

1. Hisse Senedi Fiyatları Tahmincisi

Öğrenciler için uygulamalı Makine Öğrenimi projelerini denemeye başlamak için en iyi fikirlerden biri Hisse Senedi Fiyatları Tahmincisi üzerinde çalışmaktır. Günümüzde ticari kuruluşlar ve şirketler, şirket performansını izleyip analiz edebilen ve çeşitli hisse senetlerinin gelecekteki fiyatlarını tahmin edebilen bir yazılım arayışındalar. Ve borsada çok fazla veri bulunduğundan, finans eğilimi olan veri bilimcileri için bir fırsat yatağıdır.

Ancak, başlamadan önce, aşağıdaki alanlarda adil bir bilgi paylaşımına sahip olmalısınız:

• Tahmine Dayalı Analiz: Olası sonuçların davranışını 'tahmin etmek' için veri madenciliği, veri keşfi vb. gibi farklı veri süreçleri için çeşitli yapay zeka tekniklerinden yararlanmak.
• Regresyon Analizi: Regresif analiz, bağımlı (hedef) ve bağımsız değişken/ler (yordayıcı) arasındaki etkileşime dayanan bir tür tahmin tekniğidir.
• Eylem Analizi: Bu yöntemde, yukarıda belirtilen iki teknikle gerçekleştirilen tüm eylemler analiz edildikten sonra sonuç makine öğrenmesi belleğine beslenir.
• İstatistiksel Modelleme: Gerçek dünyadaki bir sürecin matematiksel bir tanımını oluşturmayı ve bu süreçte varsa belirsizlikleri detaylandırmayı içerir.

2. Spor Tahmincisi

Michael Lewis'in Moneyball'unda , Oakland Athletics takımı, oyun planlarına analitik oyuncu keşif tekniğini dahil ederek beyzbolun çehresini değiştirdi. Ve tıpkı onlar gibi, siz de gerçek dünyada sporda devrim yaratabilirsiniz! Bu, yeni başlayanlar için mükemmel bir makine öğrenimi projesidir.

Spor dünyasında veri kıtlığı olmadığından, bu verileri, hangi oyuncunun hangi sporda en iyi kariyere sahip olacağını tahmin etmek için kolej spor istatistiklerini kullanmak (yetenek keşfi) gibi eğlenceli ve yaratıcı makine öğrenimi projeleri oluşturmak için kullanabilirsiniz. Bir takımdaki oyuncuların güçlü ve zayıf yanlarını analiz ederek ve onları buna göre sınıflandırarak takım yönetimini geliştirmeyi de tercih edebilirsiniz.

Mevcut spor istatistikleri ve veri miktarı ile bu, veri keşfetme ve görselleştirme becerilerinizi geliştirmek için mükemmel bir arenadır. Python'da yeteneği olan herkes için Scikit-Learn, regresyon analizi, sınıflandırmalar, veri alımı vb. için bir dizi faydalı araç içerdiğinden ideal seçim olacaktır. Son yıl için Makine Öğrenimi projelerinden bahsetmek , özgeçmişinizin diğerlerinden çok daha ilginç görünmesine yardımcı olabilir.

3. Bir Duygu Analizcisi Geliştirin

Bu, ilginç makine öğrenimi proje fikirlerinden biridir. Çoğumuz kişisel duygularımızı ve düşüncelerimizi dünyanın görmesi için sosyal medya platformlarını kullanmamıza rağmen, en büyük zorluklardan biri sosyal medya gönderilerinin arkasındaki 'duyguları' anlamakta yatmaktadır.

Ve bu, bir sonraki makine öğrenimi projeniz için mükemmel bir fikir!

Sosyal medya, kullanıcı tarafından oluşturulan tonlarca içerikle gelişiyor. Metinlerin veya bir gönderinin arkasındaki duyguyu analiz edebilen bir ML sistemi oluşturarak, kuruluşların tüketici davranışını anlaması çok daha kolay hale gelecektir. Bu da onların müşteri hizmetlerini geliştirmelerine olanak tanıyacak ve böylece optimal tüketici memnuniyeti için bir kapsam sağlayacaktır.

Duygu analizi yapan makine öğrenimi projenize başlamak için Twitter veya Reddit'ten veri madenciliği yapmayı deneyebilirsiniz. Bu, diğer yönlerden de size yardımcı olabilecek nadir derin öğrenme projelerinden biri olabilir.

4. Sağlık Hizmetlerini Geliştirin

Yapay zeka ve makine öğrenimi uygulamaları şimdiden sağlık sektörüne nüfuz etmeye başladı ve aynı zamanda küresel sağlık hizmetinin çehresini de hızla dönüştürüyor. Yapay zeka tarafından desteklenen makine öğrenimi algoritmaları sayesinde sağlık hizmetlerine yönelik giyilebilir cihazlar, uzaktan izleme, teletıp, robotik cerrahi vb. Sadece HCP'lerin (Sağlık Bakımı Sağlayıcıları) daha hızlı ve daha iyi sağlık hizmetleri sunmalarına yardımcı olmakla kalmıyor, aynı zamanda doktorların bağımlılığını ve iş yükünü önemli ölçüde azaltıyorlar.

Öyleyse neden sağlık hizmetlerine dayalı etkileyici bir makine öğrenimi projesi geliştirmek için becerilerinizi kullanmıyorsunuz? Yeni başlayanlar için Makine Öğrenimi algoritmalarıyla bir projeyi ele almak, kariyerinizi iyi bir başlangıçla oluşturmanıza yardımcı olabilir.

Sağlık sektörünün elinde çok büyük miktarda veri var. Bu verileri kullanarak şunları oluşturabilirsiniz:

• Görüntüleri, röntgenleri vb. otomatik olarak tarayabilen ve olası hastalıkların doğru teşhisini sağlayan teşhis bakım sistemleri.
• Hem ulusal hem de toplum düzeyinde grip, sıtma vb. salgınların olasılıklarını öngörebilen koruyucu bakım uygulamaları.

5. ML Algoritmaları Hazırlayın – Sıfırdan!

Bu, yeni başlayanlar için mükemmel makine öğrenimi proje fikirlerinden biridir. ML algoritmalarını sıfırdan yazmak iki kat fayda sağlayacaktır:

• Birincisi, makine öğrenimi algoritmaları yazmak, mekaniklerinin esasını anlamanın en iyi yoludur.
• İkincisi, matematiksel talimatları nasıl işlevsel koda dönüştüreceğinizi öğreneceksiniz. Bu beceri, Makine Öğrenimi alanındaki gelecekteki kariyerinizde kullanışlı olacaktır.

Basit ve çok karmaşık olmayan bir algoritma seçerek başlayabilirsiniz. Her bir algoritmanın – en basitlerinin bile – yapılmasının arkasında, dikkatlice hesaplanmış birkaç karar vardır. Basit makine öğrenimi algoritmaları oluşturma konusunda belirli bir ustalık düzeyine ulaştıktan sonra, bunların işlevlerini değiştirmeye ve genişletmeye çalışın. Örneğin, bir vanilya lojistik regresyon algoritması alabilir ve onu bir kement/sırt regresyon algoritmasına dönüştürmek için ona düzenlileştirme parametreleri ekleyebilirsiniz. Makine öğrenimi projelerinden bahsetmek, özgeçmişinizin diğerlerinden çok daha ilginç görünmesine yardımcı olabilir.

6. El Yazısını Okuyabilen Bir Sinir Ağı Geliştirin

Öğrenciler için uygulamalı Java projelerini denemeye başlamak için en iyi fikirlerden biri sinir ağı üzerinde çalışmaktır. Derin öğrenme ve sinir ağları, yapay zekada ortaya çıkan iki moda kelimedir. Bunlar bize sürücüsüz arabalar, görüntü tanıma vb. gibi teknolojik harikalar verdi.
Öyleyse, şimdi sinir ağları arenasını keşfetme zamanı. Sinir ağı makine öğrenimi projenize MNIST El Yazısı Rakam Sınıflandırma Yarışması ile başlayın. Yeni başlayanlar için ideal olan çok kullanıcı dostu bir arayüze sahiptir.

7. Sinema Bileti Fiyatlandırma Sistemi

Netflix, Amazon Prime gibi OTT platformlarının yaygınlaşmasıyla birlikte insanlar, içeriklerini kolaylıklarına göre izlemeyi tercih ediyor. Fiyatlandırma, İçerik Kalitesi ve Pazarlama gibi faktörler bu platformların başarısını etkilemiştir.

Uzun metrajlı bir film yapmanın maliyeti yakın geçmişte katlanarak arttı. Yapılan filmlerin sadece %10'u kar ediyor. Televizyon ve OTT platformlarından gelen yoğun rekabet ve yüksek bilet maliyeti, filmlerin para kazanmasını daha da zorlaştırdı. Tiyatro biletinin artan maliyeti (patlamış mısır maliyetiyle birlikte) sinema salonunu boş bırakır.

Gelişmiş bir bilet fiyatlandırma sistemi, film yapımcılarına ve izleyicilere kesinlikle yardımcı olabilir. Bilet fiyatı, bilet talebinin artmasıyla daha yüksek olabilir ve bunun tersi de olabilir. İzleyici bileti ne kadar erken alırsa, yüksek talep gören bir filmin maliyeti o kadar düşük olur. Sistem, izleyicilerin ilgisine, sosyal sinyallere ve arz-talep faktörlerine bağlı olarak fiyatlandırmayı akıllıca hesaplamalıdır.

8. İris Çiçekleri Sınıflandırması ML Projesi

Öğrenciler için uygulamalı Makine Öğrenimi projelerini denemeye başlamak için en iyi fikirlerden biri, Iris Flowers sınıflandırma ML projesi üzerinde çalışmaktır. İris çiçekleri veri seti, sınıflandırma görevleri için en iyi veri setlerinden biridir. İris çiçekleri çeşitli türlerde olduğundan, sepals ve petal uzunluklarına göre ayırt edilebilirler. Bu ML projesi, çiçekleri üç tür - Virginica, Setosa veya Versicolor - sınıflandırmayı amaçlıyor.

Bu özel ML projesine genellikle Makine Öğreniminin "Merhaba Dünyası" denir. İris çiçekleri veri kümesi sayısal öznitelikler içerir ve yeni başlayanlar için denetimli makine öğrenimi algoritmaları hakkında bilgi edinmek, özellikle de verilerin nasıl yüklenip işleneceği konusunda mükemmeldir. Ayrıca, bu küçük bir veri kümesi olduğundan, özel dönüştürmeler veya ölçekleme yetenekleri gerektirmeden belleğe kolayca sığabilir. Ve bu, bir sonraki makine öğrenimi projeniz için mükemmel bir fikir!

İris veri setini buradan indirebilirsiniz .

9. BigMart Satış Tahmini ML Projesi

Bu, yeni başlayanlar için mükemmel bir makine öğrenimi projesi fikridir. Bu makine öğrenimi projesi, denetimsiz makine öğrenimi algoritmalarının nasıl çalıştığını öğrenmek için en iyisidir. BigMart satış veri seti, çeşitli şehirlerdeki on satış noktasında 1559 ürün için tam olarak 2013 satış verilerinden oluşur.

Buradaki amaç, önümüzdeki yıl on farklı BigMart satış noktasında 1559 ürünün satışını tahmin edebilen bir regresyon modeli geliştirmek için BigMart satış veri setini kullanmaktır. BigMart satış veri seti, her ürün ve satış noktası için belirli nitelikler içerir, böylece bir marka olarak BigMart'ın genel satışlarını etkileyen farklı ürün ve mağazaların özelliklerini anlamanıza yardımcı olur.

10. MovieLens Veri Kümesine sahip Öneri Motorları

Öneri motorları, çevrimiçi alışveriş ve akış sitelerinde oldukça popüler hale geldi. Örneğin, Netflix ve Hulu gibi çevrimiçi içerik akış platformları, içeriklerini bireysel müşteri tercihlerine ve tarama geçmişine göre özelleştirmek için öneri motorlarına sahiptir. Bu siteler, içeriği farklı müşterilerin izleme gereksinimlerine ve tercihlerine göre uyarlayarak akış hizmetlerine olan talebi artırmayı başardı.

Yeni başlayan biri olarak, web'de bulunan en popüler veri kümelerinden biri olan MovieLens veri kümesini kullanarak bir öneri sistemi oluşturmayı deneyebilirsiniz. Bu veri kümesi, “162.000 kullanıcı tarafından 62.000 filme uygulanan 25 milyondan fazla derecelendirme ve bir milyon etiket uygulaması” içerir. Bu projeye, MovieLens için bir film öneri motoru yapmak üzere film başlıklarının dünya bulutu görselleştirmesini oluşturarak başlayabilirsiniz.

MovieLens veri setini buradan kontrol edebilirsiniz .

11. Şarap Kalitesi Veri Kümesini Kullanarak Şarap Kalitesini Tahmin Etme

Yaşın şarabı daha iyi hale getirdiği iyi bilinen bir gerçektir - şarap ne kadar eskiyse tadı o kadar iyi olur. Ancak, bir şarabın tadını belirleyen tek şey yaş değildir. Alkol miktarı, sabit asitlik, uçucu asitlik, yoğunluk ve pH seviyesi gibi fizyokimyasal testler de dahil olmak üzere şarap kalite sertifikasını belirleyen çok sayıda faktör vardır.

Bu ML projesinde, kalitesini tahmin etmek için bir şarabın kimyasal özelliklerini keşfedebilen bir ML modeli geliştirmeniz gerekiyor. Bu proje için kullanacağınız şarap kalitesi veri seti, 11 bağımsız değişken ve bir bağımlı değişken dahil olmak üzere yaklaşık 4898 gözlemden oluşmaktadır. Son yıl için Makine Öğrenimi projelerinden bahsetmek, özgeçmişinizin diğerlerinden çok daha ilginç görünmesine yardımcı olabilir.

12. MNIST El Yazısı Rakam Sınıflandırması

Bu, ilginç makine öğrenimi projelerinden biridir. Derin Öğrenme ve sinir ağları, görüntü tanıma, otomatik metin oluşturma, sürücüsüz arabalar ve çok daha fazlası gibi birçok gerçek dünya uygulamasında kullanım örnekleri bulmuştur. Ancak, Derin Öğrenmenin bu karmaşık alanlarını incelemeden önce, MNIST veri kümesi gibi basit bir veri kümesiyle başlamalısınız. Öyleyse neden MNIST'e dayalı etkileyici bir makine öğrenimi projesi geliştirmek için becerilerinizi kullanmıyorsunuz?

MNIST rakam sınıflandırma projesi, makineleri el yazısı rakamları tanıması için eğitmek üzere tasarlanmıştır. Yeni başlayanlar genellikle düz ilişkisel veriler üzerinde görüntü verileriyle çalışmayı zor bulduklarından, MNIST veri kümesi yeni başlayanlar için en iyisidir. Bu projede, ML modelinizi Evrişimli Sinir Ağları (CNN'ler) kullanarak eğitmek için MNIST veri kümelerini kullanacaksınız. MNIST veri seti PC belleğinize sorunsuz bir şekilde sığabilse de (çok küçüktür), el yazısı rakam tanıma görevi oldukça zordur.

MNIST veri setine buradan ulaşabilirsiniz .

13. Akıllı Telefon Veri Kümesini Kullanarak İnsan Aktivitesi Tanıma

Bu, trend olan makine öğrenimi proje fikirlerinden biridir. Akıllı telefon veri seti, fitness aktivite kaydını ve 30 kişinin bilgilerini içerir. Bu veriler, atalet sensörleriyle donatılmış bir akıllı telefon aracılığıyla alındı.

Bu ML projesi, insan uygunluk aktivitelerini yüksek derecede doğrulukla tanımlayabilen bir sınıflandırma modeli oluşturmayı amaçlamaktadır. Bu makine öğrenimi projesi üzerinde çalışarak, sınıflandırmanın temellerini ve ayrıca çoklu sınıflandırma problemlerinin nasıl çözüleceğini öğreneceksiniz.

14. Derin Öğrenme ile Nesne Algılama

Bu, oluşturulacak ilginç makine öğrenimi projelerinden biridir. Görüntü sınıflandırması söz konusu olduğunda, Derin Sinir Ağları (DNN'ler) ilk tercihiniz olmalıdır. DNN'ler birçok gerçek dünya görüntü sınıflandırma uygulamasında zaten kullanılıyor olsa da, bu ML projesi onu bir adım öteye taşımayı amaçlıyor.

Bu ML projesinde, DNN'lerden yararlanarak nesne algılama sorununu çözeceksiniz. Hem nesneleri sınıflandırabilen hem de farklı sınıflardaki nesneleri doğru bir şekilde yerelleştirebilen bir model geliştirmeniz gerekecek. Burada, nesne algılama görevini nesne sınırlayıcı kutu maskelerine bir gerileme sorunu olarak ele alacaksınız. Ayrıca, minimum maliyetle yüksek çözünürlüklü nesne algılamaları oluşturabilen çok ölçekli bir çıkarım prosedürü tanımlayacaksınız.

15. Sahte Haber Tespiti

Bu, yeni başlayanlar için mükemmel makine öğrenimi proje fikirlerinden biridir, özellikle de artık yalan haberlerin orman yangını gibi nasıl yayıldığı. Sahte haberlerin orman yangını gibi yayılma becerisi vardır. Ve şu anda sosyal medyanın hayatımıza hakim olmasıyla birlikte, sahte haberleri gerçek haber olaylarından ayırt etmek her zamankinden daha kritik hale geldi. Makine Öğreniminin yardımcı olabileceği yer burasıdır. Facebook, kullanıcıların akışlarından sahte ve spam içerikli hikayeleri filtrelemek için zaten AI kullanıyor.

Bu ML projesi, itibarsız kaynaklardan çıkan sahte haberleri ve yanıltıcı hikayeleri tespit etmek için NLP (Doğal Dil İşleme) tekniklerinden yararlanmayı amaçlamaktadır. Gerçek ve sahte haber arasında ayrım yapabilen bir model tasarlamak için klasik metin sınıflandırma yaklaşımını da kullanabilirsiniz. İkinci yöntemde, hem gerçek hem de sahte haberler için veri kümeleri toplayabilir ve Naive Bayes sınıflandırıcısını kullanarak bir ML modeli oluşturarak bir haber parçasını içinde kullanılan kelime ve deyimlere göre sahte veya gerçek olarak sınıflandırabilirsiniz.

16. E-posta Projesine Kaydolun

Enron e-posta veri kümesi , 150'den fazla kullanıcının yaklaşık 500 bin e-postasını içerir. Doğal dil işleme için son derece değerli bir veri kümesidir. Bu proje, hileli eylemleri tespit etmek için k-araç kümeleme algoritmasını kullanan bir ML modeli oluşturmayı içerir. Model, gözlemleri veri kümesindeki benzer kalıplara göre 'k' sayıda kümeye ayıracaktır.

17. Parkinson projesi

Parkinson veri seti , 23 farklı özelliğe sahip 195 kişinin biyomedikal kaydını içerir. Bu projenin arkasındaki fikir, sağlıklı insanlarla Parkinson hastalığından muzdarip olanları ayırt edebilen bir ML modeli tasarlamaktır. Model, ayrımı yapmak için karar ağaçlarına dayalı XGboost (aşırı gradyan artırma) algoritmasını kullanır.

18. Flickr 30K projesi

Flickr 30K veri seti , her biri benzersiz bir altyazıya sahip 30.000'den fazla görüntüden oluşur . Bir resim yazısı oluşturucu oluşturmak için bu veri kümesini kullanacaksınız. Buradaki fikir, bir görüntüden özellikleri etkin bir şekilde analiz edebilen ve çıkarabilen ve görüntüyü İngilizce olarak tanımlayan uygun bir resim yazısı oluşturabilen bir CNN modeli oluşturmaktır.

19. AVM müşterileri projesi

Adından da anlaşılacağı gibi, alışveriş merkezi müşterileri veri seti , alışveriş merkezini ziyaret eden kişilerin cinsiyet, yaş, müşteri kimliği, yıllık gelir, harcama puanı gibi kayıtlarını içerir. Bu verileri müşterileri segmentlere ayırmak için kullanacak bir model oluşturacaksınız. davranış kalıplarına göre farklı gruplara ayrılır. Bu tür müşteri segmentasyonu, markalar ve pazarlamacılar tarafından satışları ve gelirleri artırırken müşteri memnuniyetini de artırmak için kullanılan oldukça faydalı bir pazarlama taktiğidir.

20. Kinetik projesi

Bu proje için, 6,5 milyondan fazla yüksek kaliteli videonun URL bağlantılarını içeren Kinetics 400, Kinetics 600 ve Kinetics 700 olmak üzere üç ayrı veri kümesini içeren kapsamlı bir veri kümesi kullanacaksınız . Amacınız, bir dizi farklı gözlemi inceleyerek bir insanın eylemlerini tespit edebilen ve tanımlayabilen bir model oluşturmaktır.

21. Öneri sistemi projesi

Bu, Goodreads kitap incelemeleri, Amazon ürün incelemeleri, sosyal medya vb. gibi popüler web sitelerinden toplanan çok çeşitli veri kümelerini içeren zengin bir veri kümesi koleksiyonu . Amacınız, üretebilen bir öneri motoru (Amazon ve Netflix tarafından kullanılanlar gibi) oluşturmaktır. müşteri tercihlerine, ihtiyaçlarına ve çevrimiçi davranışlarına göre ürünler, filmler, müzik vb. için kişiselleştirilmiş öneriler.

22. Boston konut projesi

Boston konut veri seti , vergi oranı, suç oranı, bir evdeki oda sayısı gibi faktörlere dayalı olarak Boston'daki farklı evlerin ayrıntılarını içerir. Boston'daki farklı evlerin fiyatlarını tahmin etmek için mükemmel bir veri setidir . Bu projede, lineer regresyon kullanarak yeni bir evin fiyatını tahmin edebilen bir model oluşturacaksınız. Doğrusal regresyon, verilerin girdi ve çıktı değerleri arasında doğrusal bir ilişkiye sahip olduğu ve girdinin bilinmediği durumlarda kullanıldığı için bu proje için en uygun olanıdır.

23. Şehir manzaraları projesi

Bu açık kaynaklı veri seti , 50 farklı şehirdeki sokaklardan toplanan video dizilerinin yüksek kaliteli piksel düzeyinde açıklamalarını içerir. Semantik analiz için son derece yararlıdır. Bu veri setini, kentsel şehir manzarasını analiz etmek ve anlamak için derin sinir ağlarını eğitmek için kullanabilirsiniz. Proje, görüntü segmentasyonu yapabilen ve bir sokak video dizisinden çeşitli nesneleri (arabalar, otobüsler, kamyonlar, ağaçlar, yollar, insanlar vb.) tanımlayabilen bir model tasarlamayı içerir.

24. YouTube 8M projesi

Youtube 8M , 6,1 milyon YouTube video kimliği, 350.000 saatlik video, 2,6 milyar sesli/görsel özellik, 3862 sınıf ve her video için ortalama 3 etiket içeren devasa bir veri kümesidir. Video sınıflandırma projeleri için yaygın olarak kullanılmaktadır. Bu projede, bir videoyu doğru bir şekilde tanımlayabilen bir video sınıflandırma sistemi oluşturacaksınız. Bir dizi farklı girdiyi dikkate alacak ve videoları ayrı kategorilerde sınıflandıracaktır.

25. Kentsel ses 8K

Ses sınıflandırması için kentsel ses 8K veri seti kullanılır. Sirenler, sokak müziği, köpek havlaması, kuş cıvıltıları, konuşan insanlar vb. gibi farklı sınıflara ait 8732 kentsel sesten oluşan geniş bir koleksiyon içerir. Hangi kentsel sesin çaldığını otomatik olarak algılayabilen bir ses sınıflandırma modeli tasarlayacaksınız.

26. IMDB-Wiki projesi

Bu etiketli veri seti , muhtemelen IMDB ve Wikipedia'dan toplanan en kapsamlı yüz görüntüleri koleksiyonlarından biridir. Yaş ve cinsiyet ile etiketlenmiş 5 milyondan fazla yüz görüntüsüne sahiptir. etiketli cinsiyet ve yaş ile. Yüzleri algılayabilen, yaşlarını ve cinsiyetlerini doğru bir şekilde tahmin edebilen bir model oluşturacaksınız. 0-10, 10-20, 30-40 vb. gibi farklı yaş segmentleri/aralıkları yapabilirsiniz.

27. Librispeech projesi

Librispeech veri seti , LibriVox projesinden türetilen büyük bir İngilizce konuşma koleksiyonudur. 1000 saati aşan çeşitli aksanlarda İngilizce okunan konuşmaları içerir ve konuşma tanıma için mükemmel bir araçtır. Bu projenin odak noktası, sesi otomatik olarak metne çevirebilen bir model oluşturmaktır. İngilizce konuşmayı algılayabilen ve metin formatına çevirebilen bir konuşma tanıma sistemi kuracaksınız.

28. Alman trafik işareti tanıma kıyaslaması (GTSRB) projesi

Bu veri seti , 43 sınıfa ayrılmış ve her trafik işaretinin sınırlayıcı kutusu hakkında bilgi içeren 50.000'den fazla trafik işareti görüntüsünü içerir. Burada tam olarak odaklanacağınız şey olan çok sınıflı sınıflandırma için idealdir. Sınırlayıcı işaret kutularını tanıyabilen ve trafik işaretlerini sınıflandırabilen bir derin öğrenme çerçevesi kullanarak bir model oluşturacaksınız. Proje, işaretleri algıladığı ve sürücülerin gerekli önlemleri almasına yardımcı olduğu için otonom araçlar için son derece faydalı olabilir.

29. Spor maçı video metni özeti

Bu proje tam olarak göründüğü gibidir – bir spor videosunun doğru ve özlü bir özetini elde etmek. Okuyucuları maçın önemli anları hakkında bilgilendiren spor siteleri için kullanışlı bir araçtır. Sinir ağları metin özetlemek için en iyisi olduğundan, bu modeli 3D-CNN'ler, RNN'ler ve LSTM'ler gibi derin öğrenme ağlarını kullanarak oluşturacaksınız . Önce uygun ML algoritmalarını kullanarak bir spor videosunu birden çok bölüme ayıracaksınız ve ardından SVM (Destek vektör makineleri), sinir ağları ve k-ortalama algoritmasının bir kombinasyonunu kullanacaksınız.

30. İş toplantısı özet oluşturucu

Özetleme, konuşmalardan, ses/video dosyalarından vb. en anlamlı ve değerli bilgi parçalarını kısa ve öz bir şekilde çıkarmayı içerir. Genellikle söz konusu konuşmanın diyalog yapısı ile istatistiksel, dilsel ve duygusal özellikleri yakalayan özellik ile yapılır. Bu projede, tüm konuşmanın bağlamını korurken iş toplantılarının kesin özetlerini oluşturmak için derin öğrenme ve doğal dil işleme tekniklerini kullanacaksınız.

31. Depresyon için duygu analizi

Depresyon, küresel olarak önemli bir sağlık sorunudur. Her yıl milyonlarca insan depresyon ve kötü ruh sağlığı nedeniyle intihar ediyor. Genellikle, zihinsel sağlık sorunlarına bağlı damgalama ve gecikmiş tedavi, bunun arkasındaki iki ana nedendir. Bu projede, bireylerin ruh sağlığını anlamak için farklı sosyal medya platformlarından toplanan verilerden yararlanacak ve sosyal medya paylaşımlarındaki dilsel işaretleri analiz edeceksiniz. Buradaki fikir, geleneksel yöntemlerden çok daha önce kişinin zihinsel sağlığına ilişkin değerli ve doğru bilgiler sunabilen bir derin öğrenme modeli oluşturmaktır.

32. El yazısı denklem çözücü

El yazısı matematiksel ifade tanıma, bilgisayarla görü araştırmalarında çok önemli bir çalışma alanıdır. Bir model oluşturacak ve onu Evrişimli Sinir Ağlarını kullanarak elle yazılmış matematiksel denklemleri çözmek için eğiteceksiniz. Model ayrıca görüntü işleme tekniklerinden de yararlanacak. Bu proje, farklı karmaşıklık seviyelerindeki matematiksel denklemler için doğru sonuçlar vermek üzere, el yazısı rakamları, sembolleri vb. okumada ustalaşmak için modeli doğru verilerle eğitmeyi içerir.

33. Ruh halini algılamak ve şarkı önermek için yüz tanıma

İnsanların o anki ruh hallerine ve hislerine göre müzik dinlediği bilinen bir gerçektir. Öyleyse neden bir kişinin ruh halini yüz ifadelerinden algılayabilen ve ona göre şarkı önerebilen bir uygulama yapmıyorsunuz? Bunun için bilgisayarlı görü elemanlarını ve tekniklerini kullanacaksınız. Amaç, bilgisayarların görüntü ve videoları yüksek düzeyde anlamalarına yardımcı olmak için bilgisayar vizyonundan etkin bir şekilde yararlanabilen bir model oluşturmaktır.

34. Müzik üreticisi

Bir müzik bestesi, farklı frekans seviyelerinin melodik bir kombinasyonundan başka bir şey değildir. Bu projede, minimum insan müdahalesi ile kısa parçalar oluşturabilen otomatik bir müzik üreteci tasarlayacaksınız. Bu müzik oluşturucuyu oluşturmak için derin öğrenme algoritmalarını ve LTSM ağlarını kullanacaksınız.

35. Hastalık tahmin sistemi

Bu ML projesi, hastalıkları tahmin etmek için tasarlanmıştır. Bu modeli R and R Studio ve Breast Cancer Wisconsin (Diagnostic) Veri Kümesini kullanarak oluşturacaksınız . Bu veri seti, iyi huylu ve kötü huylu meme kitlesi olmak üzere iki öngörücü sınıf içerir. Bu proje üzerinde çalışmak için rastgele ormanlar ve XGBoost hakkında temel bilgilere sahip olmak çok önemlidir.

36. Yaşanabilir bir dış gezegen bulmak

Geçtiğimiz on yılda, birçok geçiş yapan ve dış gezegenleri belirlemede başarılı olduk. Potansiyel ötegezegenlerin manuel olarak yorumlanması oldukça zor ve zaman alıcı olduğundan (unutmayın, insan hatasına da tabidir), ötegezegenleri tanımlamak için derin öğrenmeyi kullanmak en iyisidir. Bu proje, CNN'leri ve gürültülü zaman serisi verilerini kullanarak çevremizde yaşanabilir ötegezegenler olup olmadığını bulmayı amaçlıyor. Bu yöntem, yaşanabilir ötegezegenleri en küçük kareler yönteminden daha hassas bir şekilde tanımlayabilir.

37. Eski ve hasarlı makaralar için görüntü yenileme

Eski veya hasarlı resim makaralarını onarmak zorlu bir iştir. Eski fotoğrafları orijinal hallerine döndürmek neredeyse her zaman imkansızdır. Ancak derin öğrenme bu sorunu çözebilir. Bir görüntüdeki kusurları (sıyrıklar, delikler, kıvrımlar, renk bozulması vb.) tanımlayabilen ve onu geri yüklemek için Inpainting algoritmalarını kullanan bir derin öğrenme modeli oluşturacaksınız. Eski siyah beyaz görüntüleri bile renklendirebilirsiniz.

Gerçek dünya endüstri projeleri

macenta

Bu araştırma projesi, sanat ve müzik yaratma sürecinde makine öğrenimi uygulamalarını keşfetmeye odaklanmaktadır. Görüntüler, şarkılar, müzik ve çok daha fazlasını üretebilen benzersiz pekiştirmeli öğrenme ve derin öğrenme algoritmaları geliştireceksiniz. Sanat ve müzik tutkunu yaratıcı beyinler için mükemmel bir projedir.

BluEx

BluEx, zamanında ve verimli teslimatlar sayesinde oldukça hayran kitlesi geliştiren Hindistan'ın önde gelen lojistik şirketleri arasındadır. Bununla birlikte, tüm lojistik sağlayıcılar için geçerli olduğu gibi, BluEx hem zaman hem de paraya mal olan belirli bir zorlukla karşı karşıyadır - sürücüleri, gecikmelere neden olan ve daha yüksek yakıt maliyetlerine yol açan en uygun teslimat yollarını sık sık kullanmazlar. Belirli bir teslimat konumu için en verimli yolu bulabilen pekiştirmeli öğrenmeyi kullanarak bir ML modeli oluşturacaksınız. Bu, BluEx için yakıt maliyetinde %15'e kadar tasarruf sağlayabilir.

Hareket Stüdyoları

Motion Studios, bir milyar doları aşan geliri ile Avrupa'nın en büyük Radyo prodüksiyon evi olmakla övünmektedir. Medya şirketi realite şovu RJ Star'ı başlattığından beri olağanüstü bir yanıt aldılar ve ses klipleriyle dolup taşıyorlar. Bir realite şovu olduğundan, adayları seçmek için sınırlı bir zaman aralığı vardır. Erkek ve kadın sesleri arasında ayrım yapabilen ve daha hızlı filtrelemeyi kolaylaştırmak için ses kliplerini sınıflandırabilen bir model oluşturacaksınız. Bu, daha hızlı seçim yapılmasına yardımcı olacak ve gösteri yöneticilerinin işini kolaylaştıracak.

LithionPower

Lithionpower, elektrikli araçlar için piller üretiyor. Genellikle sürücüler şirketin akülerini bir günlüğüne kiralar ve şarjlı bir akü ile değiştirirler. Pil ömrü, kat edilen mesafe/gün, aşırı hız vb. gibi faktörlere bağlıdır. LithionPower, sürücünün sürüş geçmişine dayalı değişken bir fiyatlandırma modeli kullanır. Bu projenin amacı, sürücüleri sürüş geçmişlerine göre gruplandıracak ve bu kümelere göre sürücüleri teşvik edecek bir küme modeli oluşturmaktır. Bu, karı %15-20 oranında artıracak olsa da, aynı zamanda kötü bir sürüş geçmişine sahip sürücülerden daha fazla ücret alacaktır.

Çözüm

Burada makine öğrenimi proje fikirlerinin kapsamlı bir listesi bulunmaktadır. Makine öğrenimi tüm dünyada hala erken bir aşamadadır. Daha yapılacak çok proje, geliştirilecek çok şey var. Akıllı beyinler ve keskin fikirlerle, destek işine sahip sistemler daha iyi, daha hızlı ve karlı hale gelir. Makine Öğreniminde mükemmel olmak istiyorsanız, bu tür makine öğrenimi projeleriyle uygulamalı deneyim edinmelisiniz.

Ayrıca IIT Delhi'den Makine Öğrenimi ve Yapay Zeka alanında Yönetici PG Programımızı da inceleyebilirsiniz. IIT Delhi , Hindistan'daki en prestijli kurumlardan biridir. Konularında en iyi olan 500'den fazla kurum içi öğretim üyesi ile.

Makine öğrenimi altyapılarının gerçekte nasıl çalıştığını yalnızca makine öğrenimi araçları ve makine öğrenimi algoritmalarıyla çalışarak anlayabilirsiniz. Şimdi devam edin ve kendi makine öğrenimi projelerinizi oluşturmak için makine öğrenimi proje fikirleri kılavuzumuz aracılığıyla topladığınız tüm bilgileri test edin!