Путь становления экспертом: 29 проектов машинного обучения для начинающих

Поскольку машинное обучение (ML) продолжает стремительно развиваться в 2024 году, достижение мастерства в этой области становится все более важным для всех игроков отрасли. Это связано с тем, что искусственный интеллект (ИИ) и машинное обучение дополняют друг друга. В этой статье мы рассмотрим 29 интересных проектов, над которыми стоит поработать, но сначала давайте ответим на некоторые вопросы.

Зачем создавать проекты машинного обучения

Когда дело доходит до карьеры в области разработки программного обеспечения, начинающим специалистам необходимо работать над своими собственными проектами.

Разработка проектов машинного обучения — лучший способ отточить свои навыки и материализовать теоретические знания в практический опыт.

Чем больше вы экспериментируете с различными проектами машинного обучения, тем больше знаний приобретаете.

Книги и учебные материалы дадут все необходимые знания, но вы никогда не сможете по-настоящему освоить машинное обучение, если не будете вкладывать свое время в реальные практические эксперименты.

Когда вы начнете работать над идеями ML, тогда не только проверите свои сильные и слабые стороны, но и получите опыт и практические навыки, полезные для вашего профессионального роста.

В чем польза машинного обучения

Машинное обучение находит применение в различных отраслях благодаря способности анализировать данные и извлекать уроки из них для составления прогнозов, выявления закономерностей и автоматизации задач.

Модели машинного обучения способны:

• предсказывать будущие тенденции и результаты на основе анализа исторических и поступающих данных;
• распознать объекты, людей и закономерности на изображениях и видео;
• обрабатывать естественные языки (NLP) в голосовых помощниках, языковых переводчиках, анализаторах настроения, графических и видео редакторах;
• основываясь на поведенческих предпочтениях и демографических данных пользователей использовать системы рекомендаций и сегментаций для продвижения продукции, услуг или контента, разделения на группы для улучшения качества обслуживания клиентов;
• обнаруживать мошеннические действия выявляя необычные закономерности в данных;
• диагностировать состояние пациента по рентгеновским снимкам, магнитно-резонансной и компьютерной томографии, предвидеть вспышки заболеваний;
• помогать автономным транспортным средствам и дронам воспринимать окружающую среду, принимать решения и безопасно перемещаться;
• анализировать большие финансовые наборы данных, обнаруживать в них изменения закономерностей и принимать инвестиционные решения для оценки финансовых рисков и кредитного рейтинга;
• оптимизировать производственные процессы, прогнозировать отказы оборудования и более эффективно управлять цепочками поставок, улучшать контроль качества и сокращать время простоя;
• оптимизировать энергопотребление в зданиях, прогнозировать спрос и повышение энергоэффективности в различных отраслях промышленности;
• вести точное земледелие, анализировать данные с дронов, датчиков и спутников, передавая структурированную информацию фермерам;
• заниматься анимацией персонажей, оптимизировать стратегии игры и создавать реалистичную графику;
• анализировать данные социальных сетей для извлечения информации о настроениях и тенденциях пользователей для компаний и исследователей;
• обрабатывать данные с датчиков и спутников для мониторинга изменений окружающей среды, погодных условий и стихийных бедствий.

Здесь вы узнаете: о мощной нейросети для создания анимационных и графических изображений, применимой во всех сферах деятельности.

29 перспективных проектов машинного обучения для начинающих

Машинное обучение становится все более важной областью для разработчиков программного обеспечения. В этом разделе мы представляем 29 проектов, которые идеально подходят для начинающих и помогут вам углубить свои знания и навыки.

Машинное обучение и предсказатель цен на акции

Работа над предиктором цен на акции. Бизнес сегодня находится в поиске программного обеспечения, которое может отслеживать и анализировать результаты деятельности компании и прогнозировать будущие цены различных акций. Учитывая, что на фондовом рынке доступно много информации, это рассадник возможностей для специалистов по обработке данных со склонностью к финансам.

Для начала проекта машинного обучения вы должны обладать достаточной долей знаний в следующих областях:

• Прогнозный анализ: Использование различных методов искусственного интеллекта для различных процессов обработки данных, таких как интеллектуальный анализ данных, исследование данных и т.д., для «прогнозирования» поведения возможных результатов.
• Регрессионный анализ: Это своего рода метод прогнозирования, основанный на взаимодействии между зависимой (целевой) и независимой переменными (предикторами).
• Анализ действий: В этом методе анализируются все действия, выполняемые двумя упомянутыми выше техниками, после чего результат загружается в память машинного обучения.
• Статистическое моделирование: Включает в себя построение математического описания реального процесса и определение неопределенностей, если таковые имеются, в этом процессе.

Создание предсказателя цен на акции — один из лучших практических проектов по машинному обучению, включающий сбор и предварительную обработку исторических данных о ценах на акции.

В проекте особое внимание необходимо уделить оценке моделей с использованием таких показателей, как MAE и MSE, для практического понимания концепции машинного обучения.

Машинное обучение в спорте

Спортивный предсказатель — отличный проект машинного обучения для начинающих. В мире спорта нет недостатка в данных, вы можете использовать эти данные для создания увлекательных и креативных проектов машинного обучения.

Например, поиск талантов — использование статистики для прогнозирования того, у кого из спортсменов в том или ином виде спорта будет лучшая карьера.

Или улучшить управление командой, проанализировав сильные и слабые стороны игроков и классифицировав их соответствующим образом.

Учитывая количество доступной спортивной статистики и данных, это отличная площадка для оттачивания навыков анализа информации и визуализации для всех, кто разбирается в Python, Scikit-Learn.

Станет идеальным выбором, поскольку включает в себя множество полезных инструментов для регрессионного анализа, классификаций, обработки данных и так далее.

Анализатор настроений в машинном обучении

Анализатор настроений — интересная идея для проекта машинного обучения. Большинство из нас использует платформы социальных сетей, чтобы донести свои личные чувства и мнения до всеобщего сведения, но одна из самых больших проблем заключается в понимании «настроений», стоящих за публикациями в них.

Социальные сети изобилуют тоннами пользовательского контента. Создав систему машинного обучения, которая могла бы анализировать настроения, стоящие за текстами или публикациями, компаниям и организациям стало бы намного проще понимать поведение целевой аудитории для улучшения сервисов обслуживания клиентов и удовлетворения их потребностей.

Анализатор настроений, один из наиболее часто реализуемых проектов машинного обучения, поскольку актуален в мире социальных сетей, помогает понимать общественные настроения на этих платформах и реагировать на них.

Идеи, полученные в ходе этого проекта, могут способствовать совершенствованию стратегий обслуживания клиентов, управления брендом и процессов принятия решений на основе анализа настроений в обществе.

Здесь вы узнаете: о фреймворках (производственных системах) формирующих будущее технологий во всех отраслях.

Машинное обучение в здравоохранении

Приложения искусственного интеллекта и машинное обучение уже начали проникать в индустрию здравоохранения и быстро менять его глобальный облик.

Медицинские носимые устройства, удаленный мониторинг, телемедицина, роботизированная хирургия и т.д. — все это возможно благодаря алгоритмам машинного обучения, основанным на искусственном интеллекте.

Они не только помогают предоставлять быстрые и качественные медицинские услуги, но и в значительной степени снижают зависимость и рабочую нагрузку врачей и специалистов.

Индустрия здравоохранения располагает огромными объемами данных, используя которые, вы можете создавать:

• Системы диагностической помощи, которые могут автоматически сканировать изображения, рентгеновские снимки и т.д. И обеспечивать точную диагностику возможных заболеваний.
• Приложения для профилактической помощи, которые могут предсказать вероятность возникновения эпидемий, таких как грипп, малярия и т.д., как на национальном, так и на местном уровнях.

Алгоритмы машинного обучения с нуля

Одна из отличных идей проекта для начинающих, написание алгоритмов машинного обучения с нуля принесет двоякие преимущества:

• Во-первых, написание алгоритмов машинного обучения — это лучший способ разобраться в деталях их механики.
• Во-вторых, вы узнаете, как преобразовывать математические инструкции в функциональный код. Этот навык пригодится в будущей карьере программиста в области машинного обучения.

Вы можете начать с не слишком сложных алгоритмов, за созданием которых, даже самого простого, стоит несколько тщательно просчитанных решений.

Как только вы достигнете определенного уровня мастерства в построении простых алгоритмов машинного обучения, попробуйте настроить и расширить их функциональность.

Нейросеть, способная читать рукописный текст

Одна из лучших идей для начала экспериментов с практическими Java-проектами — это работа с нейронной сетью. Машинное обучение и нейронные сети подарили нам технологические чудеса, такие как беспилотные автомобили, распознавание изображений и так далее.

Начните свой проект машинного обучения нейронных сетей с задания MNIST по классификации рукописных цифр. У него очень удобный интерфейс, который идеально подходит для начинающих разработчиков.

Он считается одним из самых простых проектов по машинному обучению, особенно для студентов, изучающих нейронные сети и глубокое обучение с помощью Java.

Это отличная отправная точка из-за своей простоты, четко определенного характера и доступности ресурсов. Поможет вам развить глубокое понимание фундаментальных концепций, которые могут быть применены к более сложным проектам машинного обучения в будущем.

Машинное обучение в системе ценообразования билетов в кино

С расширением ОТТ-платформ, таких провайдеров как Netflix, Hulu, Disney и других, люди стали смотреть контент в соответствии с их удобством. Такие факторы, как цены, качество контента и маркетинг, повлияли на их успех.

Стоимость создания полнометражного фильма в недавнем прошлом выросла в геометрической прогрессии. Только 10% снятых фильмов приносят прибыль.

Жесткая конкуренция со стороны телевидения и OTT-платформ наряду с высокой стоимостью билетов еще больше затруднили кинотеатрам зарабатывание денег. Из-за роста стоимости билета (вместе со стоимостью попкорна) залы кинотеатров остаются пустым.

Система ценообразования билетов в кино — это один из лучших проектов машинного обучения на выбор из-за его отраслевой значимости, сложности задействованных факторов, потенциального влияния на бизнес-результаты и возможности изучить различные аспекты прогнозной аналитики и оптимизации в реальном времени.

Система может помочь создателям фильмов и зрителям. Цена билета  будет выше с ростом спроса, и наоборот. Чем раньше зритель бронирует билет на фильм с высоким спросом, тем меньше его стоимость.

Система должна разумно рассчитывать цену в зависимости от интереса зрителей, социальных сигналов и факторов спроса и предложения.

Классификация цвета в машинном обучении

Iris Flowers Classification (классификация цветов ириса) разделенная на три вида (Virginica, Setosa, Versicolor) — одна из лучших идей для начала экспериментов с практическими проектами машинного обучения.

Набор данных по цветам ириса, содержащий числовые атрибуты (Iris flowers dataset), лучший для задач классификации, поскольку цветки ириса бывают разных видов и отличаются по длине чашелистиков и лепестков.

Идея проекта проста машинного обучения, удобна в реализации и имеет высокую образовательную ценность.

Хорошо структурированный набор данных дает возможность экспериментировать с различными алгоритмами классификации прививая разработчику практический опыт в предварительной обработке данных и оценки модели.

Простой характер проекта делает его идеальной отправной точкой, закладывающей прочный фундамент для решения более сложных задач машинного обучения.

Набор данных можно скачать по ссылке в конце статьи.

Машинное обучение в механизмах рекомендаций с набором данных MovieLens

Механизмы рекомендаций стали чрезвычайно популярными в онлайн-магазинах и на сайтах потокового вещания.

Например, платформы онлайн-трансляции контента Netflix, Hulu и других, имеют механизмы рекомендаций для настройки своего контента в соответствии с индивидуальными предпочтениями клиентов и историей посещенных страниц.

Адаптируя контент к потребностям просмотра и предпочтениям разных клиентов, эти сайты смогли повысить спрос на свои потоковые сервисы.

Для своего первого проекта машинного обучения, вы можете создать систему рекомендаций, используя один из самых популярных наборов данных, доступных в Интернете – MovieLens dataset, содержащий более 25 миллионов оценок и миллион приложений с тегами, примененных к 62 000 фильмов и 162 000 пользователей.

Проект считается одной из лучших тем машинного обучения из-за своей практической значимости и широкого охвата обучения. Позволит вам изучить коллаборативную фильтрацию и фильтрацию на основе контента, важнейшие методы в системах рекомендаций.

Набор данных можно скачать по ссылке, в конце статьи.

Прогнозирование качества вина с помощью машинного обучения

Сертификацию качества вина определяют многочисленные факторы, включая физико-химические тесты, такие как количество алкоголя, фиксированная кислотность, летучая кислотность, плотность и уровень pH, и далее.

В этом проекте необходимо разработать модель машинного обучения, которая может исследовать химические свойства вина для прогнозирования его качества.

Набор данных о качестве вина, который можно использовать, доступен в Интернете бесплатно.

Проект предлагает практический опыт в решении важных задач, таких как выбор функций и обучение модели, одновременно демонстрируя практическое использование машинного обучения для прогнозирования реальных результатов.

Обнаружение объектов с помощью машинного обучения

Когда дело доходит до классификации изображений, следует выбирать глубокие нейросети (DNN). Хотя DNN уже используются во многих реальных приложениях для классификации изображений, этот проект машинного обучения направлен на то, чтобы поднять его на ступеньку выше.

В рамках проекта нужно разработать модель, которая может как классифицировать, так и точно локализовывать объекты разных классов. Определять многомасштабную процедуру вывода, которая может генерировать обнаружения объектов с высоким разрешением при минимальных затратах.

Считается один из лучших проектов машинного обучения благодаря широкому применению в важнейших отраслях, таких как автономные транспортные средства, видеонаблюдение и распознавание изображений.

Чтобы успешно реализовать проект, необходимы знания архитектуры машинного обучения, такие как сверточные нейросети (CNN), и использование фреймворков TensorFlow или PyTorch.

Проект прививает практический опыт, включающий обработку данных изображений, тонкую настройку подготовленных моделей и оптимизацию для повышения точности и эффективности.

Обнаружение фейковых новостей с помощью машинного обучения

Фейковые новости имеют свойство распространяться со скоростью лесного пожара. Поскольку социальные сети доминируют в нашей жизни, важно отличать фейковые новости от реальных событий.

Этот проект машинного обучения направлен на использование методов обработки естественного языка (NLP) для обнаружения фальшивых новостей и вводящих в заблуждение историй, которые появляются из ненадежных источников.

При его реализации можно применять классический подход к классификации текстов для разработки модели, которая будет отличать реальные новости от поддельных.

Использование такой методики поможет собрать наборы данных как для реальных, так и для поддельных новостей и создать модель машинного обучения, используя наивный байесовский классификатор, чтобы классифицировать новость как фейковую или реальную на основе используемых в ней слов и фраз.

Машинное обучение в диагностике болезни Паркинсона

Набор данных Паркинсона включает 195 биомедицинских записей людей с 23 различными характеристиками.

Идея, лежащая в основе этого проекта, заключается в разработке модели машинного обучения, которая может проводить различие между здоровыми людьми и теми, кто страдает болезнью Паркинсона. Для разделения в модели используется алгоритм XGBoost (extreme gradient boosting), основанный на деревьях решений.

XGBoost превосходно справляется со сложными взаимосвязями в данных, что делает его особенно подходящим для задач медицинской диагностики. Модель обучается на особенностях набора данных, которые включают различные биомедицинские измерения, и учится различать закономерности, указывающие на болезнь Паркинсона.

Конечная цель — создать надежный инструмент прогнозирования, который помогает в раннем выявлении болезни Паркинсона, демонстрируя эффективное пересечение машинного обучения и здравоохранения.

Реализация проекта поможет приобрести практический опыт в разработке функций, обучении моделей и интерпретируемости алгоритмов на основе дерева решений.

Набор данных можно скачать по ссылке в конце статьи.

Определение смысла изображений с помощью машинного обучения

Flickr 30K – это набор данных состоящий из более чем 30 000 изображений, каждое из которых имеет уникальную подпись.

Идея проекта заключается в создании модели машинного обучения, которая может эффективно анализировать и извлекать особенности из изображения, создавая подходящую подпись к ним.

Основная цель проекта — разработать интеллектуальную систему, способную интерпретировать изображения и передавать их содержание с помощью человекоподобных подписей.

В нем сочетается интригующее смешение анализа изображений и генерации языка в области искусственного интеллекта.

Работа над проектом предлагает практический опыт объединения компьютерного зрения и обработки естественного языка.

Практики научатся подготавливать данные изображений, создавать и обучать модель машинного обучения и плавно соединять ее с компонентом обработки естественного языка для создания подписей.

Набор данных можно скачать по ссылке в конце статьи.

Машинное обучение и классификация клиентов торгового центра

Набор данных о клиентах торгового центра включает записи о людях, посетивших торговый центр, их пол, возраст, идентификатор клиента, годовой доход, оценка расходов и т.д.

Цель — построить модель машинного обучения, которая будет использовать эти данные для разделения/сегментации клиентов на разные группы на основе их поведенческих признаков.

Сегментация клиентов – это маркетинговая тактика, используемая брендами и маркетологами для увеличения продаж и выручки, повышения удовлетворенности клиентов.

Для ее достижения могут быть применены алгоритмы кластеризации, такие как K-means.

Проект дает практический опыт анализа данных и построения моделей, представление о поведении потребителей и помогает компаниям принимать обоснованные маркетинговые решения. Демонстрирует, как машинное обучение может оптимизировать маркетинговые стратегии и улучшить общее качество обслуживания клиентов.

Набор данных можно скачать по ссылке в конце статьи.

Распознавание действий с помощью машинного обучения

Для проекта необходимо использовать три отдельных набора данных — Kinetics 400, Kinetics 600, Kinetics 700 — содержащих более чем 6,5 миллионов высококачественных видеороликов.

Цель — создать модель машинного обучения, которая может обнаруживать и идентифицировать действия человека путем изучения серии различных наблюдений.

Проект ценен на выходе созданием реальных приложений для модернизации наблюдения, улучшения взаимодействия человека и компьютера и оптимизации систем рекомендаций по контенту.

Например, модель распознавания действий, разработанная в рамках этого проекта, может быть использована в системах видеонаблюдения для автоматической идентификации и категоризации действий человека.

Реализация проекта дает:

• практический опыт управления обширными наборами видео, их подготовки для анализа и построения сложных моделей машинного обучения,
• представление о сложностях анализа временных данных и нюансах идентификации действий человека в видео.

Здесь вы узнаете: разгадку работы систем искусственного интеллекта.

Системы рекомендаций и машинное обучение

Для реализации проекта машинного обучения понадобится богатая коллекция данных, содержащая разнообразные наборы с популярных веб-сайтов и социальных сетей.

Цель проекта — создать механизм рекомендаций (подобный тем, что используются, например, Amazon и Netflix), который может генерировать персонализированные рекомендации по продуктам, фильмам, музыке и т.д., на основе предпочтений, потребностей и поведения клиентов в сети.

Подобные идеи в проектах машинного обучения очень нужны. Они помогают развивать навыки обработки разнообразных данных. Внедрять алгоритмы рекомендаций и оценки производительности систем. Применимы во всех отраслях и выделяют универсальное использование систем рекомендаций в цифровом ландшафте.

Проект предоставляет опыт и углубляется в этические соображения, такие как конфиденциальность и предвзятость алгоритмов.

В целом, это практическое исследование того, как машинное обучение улучшает взаимодействие с пользователями и принятие решений в различных областях.

Набор данных можно скачать по ссылке в конце статьи.

Городские пейзажи и машинное обучение

Для реализации проекта машинного обучения понадобятся данные открытым исходным кодом. Их набор включает высококачественные аннотации на уровне пикселей видеорядов, собранных с улиц 50 разных городов.

Чрезвычайно полезный проект для семантического анализа. Может использоваться для обучения глубоких нейросетей анализу и пониманию городского пейзажа.

Предполагает разработку модели машинного обучения, которая может выполнять сегментацию изображения и идентифицировать различные объекты (автомобили, автобусы, грузовики, деревья, дороги, людей и т.д.) из видеоряда улиц.

Набор данных можно скачать по ссылке в конце статьи.

Классификация видео с помощью машинного обучения

Понадобится Youtube 8M — это набор данных, который содержит 6,1 миллиона идентификаторов видео YouTube, 350 000 часов видео, 2,6 миллиарда аудио/визуальных функций, 3862 класса и в среднем по 3 метки для каждого видео.

Широко используется в проектах машинного обучения для классификации видео.

В этом проекте необходимо создать систему классификации видео, которая сможет точно описать продукт, учитывая ряд различных входных данных и классифицируя видео по отдельным категориям.

Набор данных можно скачать по ссылке в конце статьи.

Машинное обучение и городской звук

Для классификации городских звуков используется набор данных urbansound8K, включающий в себя разнообразную коллекцию из 8732 звуков, принадлежащих к разным классам.

Например, такие как сирены, уличная музыка, лай собак, щебетание птиц, разговоры людей и т.д.

Задача — разработать модель машинного обучения для классификации звуков, которая сможет автоматически определять, что происходит в городе.

Набор данных можно скачать по ссылке в конце статьи.

Из аудио в текст с помощью машинного обучения

Для реализации проекта машинного обучения понадобится набор данных librispeech, представляющий собой огромную коллекцию английских речей, полученных из проекта LibriVox, с различными акцентами. Продолжительность записей составляет более 1000 часов, и является идеальным инструментом для распознавания речи.

Целью проекта машинного обучения является создание модели, которая может автоматически переводить аудио в текст на нужном языке.

Набор данных можно скачать по ссылке в конце статьи.

Машинное обучение в сфере распознавания дорожных знаков

Немецкий тест распознавания дорожных знаков GTSRB – это набор данных, содержащих более 50 000 изображений дорожных знаков, разделенных на 43 класса и содержащих информацию о каждом из них.

Идеально подходит для много-классовой классификации и создания модели машинного обучения с использованием фреймворка, который может распознавать ограничительную рамку дорожного знака и классифицировать его.

Протокол деловой встречи и машинное обучение

Протокол деловой встречи делается с помощью функции, фиксирующей статистические, лингвистические и сентиментальные черты в диалоговой структуре рассматриваемого разговора.

Кратко и сжато обобщаются значимые и ценные фрагменты информации из разговора, записанного в формате аудио/видео файла.

Для реализации проекта надо использовать машинное обучение и методы обработки естественного языка для создания точных сводок деловых встреч, сохраняя контекст всего разговора.

Анализ настроений при депрессии с помощью машинного обучения

Депрессия является серьезной проблемой здравоохранения во всем мире. Ежегодно миллионы людей совершают самоубийства из-за депрессии и плохого психического здоровья. Причинами этого являются стигматизация, связанная с проблемами психического здоровья, и несвоевременное лечение.

Чтобы понять психическое здоровье людей, для реализации проекта понадобится:

• использовать данные, собранные с различных платформ социальных сетей,
• анализировать лингвистические маркеры в публикациях из социальных сетей.

Идея состоит в том, чтобы создать модель машинного обучения, которая может предложить ценную и точную информацию о психическом здоровье человека гораздо раньше, чем обычные методы.

Рукописный решатель уравнений и машинное обучение

Распознавание рукописных математических выражений — важнейшее направление исследований в области компьютерного зрения.

Задача проекта – научиться создавать и обучать модель машинного обучения решать написанные от руки математические уравнения с использованием сверточных нейросетей.

Реализация проект предполагает обучение модели читать написанные от руки цифры, символы и т.д., для получения правильных результатов при решении математических уравнений различного уровня сложности.

Распознавание лиц для определения настроения и рекомендации песен с помощью машинного обучения

Люди слушают музыку основываясь на своем текущем настроении и чувствах.

Задача проекта машинного обучения — создать модель искусственного интеллекта, понимающую изображения и видео, способную определять настроение человека по выражению его лица для рекомендации конкретных песен.

Машинное обучение для создания музыкального генератора

Музыкальная композиция – это сочетание различных уровней частот.

В проекте машинного обучения надо разработать и создать автоматический музыкальный генератор, который поможет сочинять короткие музыкальные произведения с минимальным вмешательством человека.

По мере реализации проекта, вы научитесь использовать алгоритмы машинного обучения и сети долгой краткосрочной памяти (LTSM) для создания музыкального генератора.

Восстановление изображения на фотографиях и машинное обучение

Восстановление старых и поврежденных фотографии сложная задача, решаемая с помощью машинного обучение.

В ходе реализации проекта нужно создать модель, которая сможет идентифицировать дефекты изображения (потертости, дыры, складки, обесцвечивание и т.д.) и с помощью алгоритмов рисования восстанавливать и раскрашивать их.

Машинное обучение и прогнозирование спроса на услуги водителей

Услуги доставки еды и совместного использования поездок по всему миру зависят от наличия водителей.

Проект для прогнозирования спроса на услуги водителей простой в использовании. Реализуется путем преобразования задачи временного ряда в задачу управляемого машинного обучения.

Предварительно необходимо провести анализ временных рядов для распознавания закономерностей. Для оценки временных рядов использовать функции частичной автокорреляции (PACF).

Идея проекта подразумевает построение регрессионной модели машинного обучения для решения проблемы временных рядов.

Шаги для завершения проекта по машинному обучению

Сбор данных

При сборе данных для проектов искусственного интеллекта необходимо задать определенные вопросы самому себе. Например, какую проблему вы пытаетесь решить? Существуют ли ранее собранные источники данных? Являются ли данные общедоступными?

Когда речь идет о структурированных данных, они могут быть разных типов, таких как категориальные, числовые и порядковые:

1. Категориальные данные: В проектах машинного обучения относятся к данным, которые собираются на основе имени, возраста, пола и даже цвета. Например, при продаже автомобиля существует несколько категорий, таких как цвет, тип колеса и т.д.
2. Числовые данные: Любые данные, которые собираются в виде чисел, также известны как количественные данные. Например, если вы продаете дом, числовыми данными будут цена или площадь поверхности.
3. Порядковые данные: В проектах машинного обучения означают установленный порядок или шкалу, являются типом категориальных данных. Например, при использовании шкалы от 1 до 10 ответ человека указывает на уровень его финансового счастья.

Подготовка данных

Подготовка данных для проектов искусственного интеллекта и машинного обучения включает в себя сбор необходимой информации, преобразование ее в удобочитаемый формат и проверку на точность и предвзятость путем задавания сложных вопросов.

Вместо концентрации исключительно на данных проекта, примите во внимание проблему, которую вы пытаетесь решить.

Это позволит сделать вывод о том, какую информацию следует собирать, как убедиться, что она служит главной цели, и как структурировать ее соответствующим образом для конкретного алгоритма.

Хорошая предварительная обработка позволит адаптировать данные к падениям производительности моделей и изменениям направления решения задач анализа. Может привести к созданию более точных и эффективных методов машинного обучения и в конечном итоге сэкономить аналитикам и предпринимателям много времени и усилий.

Оценка данных

Планы оценки эффективности проектов машинного обучения должны отвечать на вопросы где, как и из каких источников собираются данные.

Структура, используемая для сбора как количественных, так и качественных данных, должна соответствовать целям производительности, графикам проекта и целям программы.

Производство моделей

Этот шаг поможет определить, как работает модель. Чтобы убедиться, что тестирование прошло успешно, можно использовать инструменты машинного обучения, такие как PyTorch Serving, Sagemaker, Google AI Platform и другие.

Также можно использовать MLOps — смесь машинного обучения и разработки программного обеспечения, которая включает в себя все технологии, необходимые для того, чтобы модель машинного обучения работала как надо.

Завершая данное руководство, мне хотелось бы подчеркнуть, что каждый из этих 29 проектов поможет вам начать ваше путешествие в мире машинного обучения.

Не бойтесь пробовать, экспериментировать и делать ошибки — это часть процесса обучения. Ведь каждый шаг, даже самый маленький, приближает вас к успеху.

Надеемся, что эта статья была полезной для вас, смогла вдохновить на создание собственных проектов. Вперед, к новым знаниям и открытиям…..

Ссылки для скачивания наборов данных:

• Iris Flowers Classification — http://archive.ics.uci.edu/ml/datasets/Iris
• MovieLens dataset — https://grouplens.org/datasets/movielens/
• XGBoost — https://archive.ics.uci.edu/ml/datasets/parkinsons
• Flickr 30K — https://www.kaggle.com/hsankesara/flickr-image-dataset
• Клиенты торгового центра — https://www.kaggle.com/shwetabh123/mall-customers
• Коллекции с веб-сайтов и соцсетей — https://cseweb.ucsd.edu/~jmcauley/datasets.html
• Набор с открытым исходным кодом — https://www.cityscapes-dataset.com/
• Youtube 8M — https://research.google.com/youtube8m/
• Urbansound8K — https://urbansounddataset.weebly.com/urbansound8k.html, работает с VPN
• Librispeech — https://www.openslr.org/12

Какие из представленных моделей вас заинтересовали больше всего? У вас есть идеи для проектов по машинному обучению? Поделитесь своими мыслями в комментариях.