10 ایده پروژه یادگیری ماشینی که مبتدیان می توانند اکنون اجرا کنند!
از آنجایی که هوش مصنوعی در سال 2020 به سرعت به رشد خود ادامه می دهد، دستیابی به تسلط بر یادگیری ماشین (ML) برای همه بازیکنان در این زمینه بسیار مهم شده است. دلیل آن این است که هوش مصنوعی و ML هر دو مکمل یکدیگر هستند.
اگر هنوز در حال مطالعه هستید و به پروژه های نوآورانه یادگیری ماشین علاقه مند هستید، پیشنهاد می کنم برخی از این ایده های پروژه یادگیری ماشینی هیجان انگیز را که در زیر در این نوشته ذکر شده است، مشاهده کنید.
یادگیری ماشینی (Machine Learning) چیست؟
یادگیری ماشینی (ML) هنری است که شامل استفاده از هوش مصنوعی برای اجازه دادن به ماشین‌ها برای یادگیری و ارتقای خودکار یک کار از روی تجربه است. به طور خلاصه، به ایجاد پروژه های کوچک هوش مصنوعی کمک می کند. نکته خوب این است که همه این کارها بدون برنامه ریزی قبلی آنها به طور خاص برای کار انجام می شود.
این فرآیند با تغذیه آنها با داده های با کیفیت خوب به عنوان داده های آموزشی و سپس آموزش ماشین ها با ساخت مدل های مختلف یادگیری ماشین با داده ها و الگوریتم های دیگر آغاز می شود. الگوریتم‌هایی که انتخاب می‌کنید به نوع داده‌های شما و نوع کاری که برای پیش‌بینی یا تصمیم‌گیری انجام می‌دهید بستگی دارد.
←برای خرید کرک لایسنس تبلو Tableau با تمام ویژگی ها کلیک کنید
پروژه یادگیری ماشین چیست؟
پروژه ای که به یادگیری ماشین می پردازد به عنوان پروژه یادگیری ماشین شناخته می شود. همه می دانند که هیچ مقدار دانش نظری نمی تواند جایگزین تمرین عملی شود. تئوری‌ها و درس‌های آنلاین می‌توانند شما را به سمت باور غلط تسلط آرام کنند. دلیل این امر کد و راه حلی است که درست در مقابل شما قرار دارد. با این حال، هنگامی که سعی می کنید آن را اعمال کنید، ممکن است اجرای آن بسیار دشوار باشد.
اکنون، همانطور که قول داده بودیم، بیایید به ۱۰ ایده پروژه یادگیری ماشین برای مبتدیان نگاه کنیم.
10 ایده پروژه یادگیری ماشینی دستچین شده برای مبتدیان
- پیش بینی کننده قیمت سهام
- توسعه تحلیلگر احساسات
- پروژه پیش بینی شخصیت
- پروژه پیش بینی وام
- پروژه پیش بینی فروش
- سیستم قیمت گذاری بلیت فیلم
- پروژه سیستم توصیه موسیقی
- ساخت شبکه عصبی برای تشخیص دست خط
- پروژه پیش بینی قیمت مسکن
- پروژه پیش بینی قیمت بلیط هواپیما
1- پیش بینی کننده قیمت سهام
پیش بینی قیمت سهام بهترین راه برای شروع آزمایش پروژه های یادگیری ماشینی عملی برای دانش آموزان است. امروزه، کسب‌وکارها به دنبال نرم‌افزاری هستند که می‌تواند عملکرد شرکت را نظارت و بررسی کند و قیمت‌های آتی سهام را پیش‌بینی کند. این یک فرصت عالی برای دانشمندان داده‌ای است که علاقه‌مند به فعالیت‌های مالی هستند، زیرا داده‌های زیادی در بازار سهام وجود دارد. این را می توان با کمک یک پایگاه داده هوشمندانه بازار سهام به دست آورد.
تکنیک های آزمایش شده برای پیش بینی قیمت سهام
از آنجایی که ما در حال انجام پیش بینی مقادیر پیوسته هستیم، می توانید از هر یک از این تکنیک های رگرسیون ذکر شده در زیر استفاده کنید:
- رگرسیون خطی که می تواند به طور موثر برای پیش بینی مقادیر پیوسته استفاده شود
- مدل‌های سری زمانی مدل‌هایی هستند که برای داده‌های مربوط به زمان استفاده می‌شوند
- ARIMA یک مدل مشهور است که برای پیش‌بینی پیش‌بینی‌های مربوط به زمان آینده‌نگر به کار می‌رود
- LSTM تکنیک دیگری است که برای پیش‌بینی قیمت سهام استفاده می‌شود. فرم کامل LSTM، حافظه کوتاه مدت بلند مدت است. از شبکه های عصبی برای پیش بینی مقادیر پیوسته استفاده می کند. خوبی LSTM ها این است که کاملاً قوی هستند و به خاطر حافظه طولانی مدت خود شناخته می شوند
2- توسعه تحلیلگر احساسات
این یکی از پروژه های یادگیری ماشینی هیجان انگیز برای مبتدیان است. بسیاری از ما از پلتفرم های رسانه های اجتماعی برای نشان دادن احساسات و نظرات شخصی خود به دنیا استفاده می کنیم. با این حال، بزرگترین چالش در رمزگشایی “احساسات” پشت پست های رسانه های اجتماعی نهفته است. می توانید آن را یکی از ایده های عالی برای پروژه بعدی یادگیری ماشینی خود به عنوان دانشجوی سال آخر در نظر بگیرید.
امروزه، رسانه های اجتماعی با محتوای تولید شده توسط کاربر رونق گرفته است. ایجاد یک سیستم ML که بتواند احساسات پشت متون یا پست ها را بررسی کند، درک رفتار مصرف کننده را برای سازمان ها آسان تر می کند. این آنها را قادر می سازد تا مشتری خود را ارتقا دهند و در نهایت به رضایت مشتری بهینه کمک کنند.
می‌توانید با استخراج داده‌ها از توییتر یا ردیت شروع کنید تا پروژه یادگیری ماشینی تجزیه و تحلیل احساسات خود را آغاز کنید. این ممکن است یکی از موارد نادر پروژه های یادگیری عمیق باشد که می تواند به طور قابل توجهی بر جنبه های دیگر تأثیر بگذارد.
با استفاده از تجزیه و تحلیل احساسات رسانه های اجتماعی، می توان تحلیل های روشنگر و معناداری را برای درک رفتار مصرف کننده انجام داد و به سازمان ها اجازه داد تا بهترین تجربه خدمات مشتری را ارائه دهند.
چندین شرکت در حال انجام تجزیه و تحلیل احساسات
چندین شرکت در حال انجام تجزیه و تحلیل احساسات هستند. در زیر به برخی از آنها نگاه می کنیم:
3- پروژه پیش بینی شخصیت
خواندن پست های نوشته شده توسط افراد آنلاین و درک شخصیت کلی آنها چقدر جالب خواهد بود؟ این می تواند بسیاری از ابهامات موجود در اینترنت را حل کند! با کمک این پروژه ML، شما قادر خواهید بود شخصیت مایرز بریگز یک فرد را بر اساس انواع پست هایی که در رسانه های اجتماعی گذاشته می شود، رمزگشایی کنید.
نشانگر نوع مایرز بریگز یک سیستم شناسایی شخصیت است که فرد را به یکی از 16 شخصیت مختلف بر اساس درونگرایی، شهود، تفکر و قابلیت های ادراک تقسیم می کند.
قبل از حرکت به جلو، من می خواهم بر روی مدل پنج بزرگ، که به عنوان مدل پنج عاملی (FFM) و مدل OCEAN شناخته می شود، تأکید کنم. بر اساس چندین نظریه روانشناسی، در اوایل دهه 1980 به وجود آمد. همه چیز در مورد چگونگی انجام تجزیه و تحلیل آماری بر روی داده های بررسی شخصیت و استفاده از کلمات خاص برای توصیف شخص مورد نظر است. سپس این کلمات خلاصه ای از شخصیت یا شخصیت کلی فرد را به شیوه ای دقیق و دقیق ارائه می دهند.
در اینجا نگاهی جامع به پنج عاملی که در ایجاد این مدل نقش دارند، آورده شده است.
گشودگی فرد برای تجربه چیزهای جدید
در اینجا، ما به ویژگی های مختلفی مانند حساسیت، توجه به جزئیات، قدرت تخیل، ترجیح دادن به تنوع خاص و کنجکاوی در مورد یک موضوع خاص نگاه می کنیم.
وظیفه شناسی یک فرد برای انجام یک کار معین
این ویژگی نشان می دهد که فرد چقدر کنجکاو برای انجام یک کار مشخص است. این نشان می دهد که آیا فرد سازمان یافته و کارآمد است یا خیر.
ماهیت برونگرای فرد مورد نظر
این یک ویژگی رفتاری است که نشان می دهد فرد مورد نظر چگونه می تواند با دیگران تعامل داشته باشد. به عبارت ساده، همه چیز در مورد مهارت های اجتماعی اوست.
سازگاری فرد از نظر سازگاری با دیگران
این ویژگی کیفیت فرد مورد نظر را بر اساس همدردی، همکاری، سخاوت و توانایی سازگاری با دیگران برجسته می کند.
رفتار عصبی فرد مورد نظر
این ویژگی رفتاری نوسانات خلقی و قدرت بیان شدید فرد مورد نظر را به نمایش می گذارد.
یکی از شرکت‌هایی که از پروژه‌های پیش‌بینی شخصیت برای امتیازدهی اعتبار استفاده می‌کند، Fayrix است. این شرکت با تجزیه و تحلیل ردپای دیجیتالی افراد، استخراج الگوهای رفتاری و سپس پیش‌بینی ویژگی‌های روان‌شناختی و تیپ شخصیتی، راه‌حل یادگیری ماشینی برای امتیاز اعتباری ایجاد کرده است.
4- پروژه پیش بینی وام
اگر تا به حال سعی کرده اید وام بانکی دریافت کنید، ممکن است فرآیند خسته کننده ای را پشت سر گذاشته باشید. گرفتن وام مستلزم مجموعه ای پیچیده از عوامل و مهمترین آنها درآمد ثابت است. این یکی از موارد استفاده از یادگیری ماشینی در بانکداری است که هدف آن ایجاد مدلی برای طبقه‌بندی میزان وام کاربر است. این به طور موثر عواملی مانند درآمد کاربر، تحصیلات، آینده شغلی، وضعیت تأهل، تعداد افراد وابسته و غیره را در نظر می گیرد.
مجموعه داده‌های پیش‌بینی وام اطلاعات جامعی در مورد همه این عوامل ارائه می‌دهد که می‌تواند به ایجاد یک مدل ML برای نشان دادن مبلغ وام قابل تایید کمک کند.
شرکتی که از پیش بینی وام شرکتی در موقعیت واقعی استفاده می کند
یکی از شرکت هایی که پروژه پیش بینی وام شرکتی را ایجاد کرده است Bisnode است. با کمک ابزار هوش مصنوعی، به عنوان یک بانکدار شرکتی می توانید نیاز کسب و کارها به پول نقد را پیش بینی کنید.
این به شناسایی فرصت های تجاری در بلند مدت و کوتاه مدت کمک می کند. با داشتن بینش های پیش بینی کننده در مورد نیازهای نقدی مشتریان و مشتریان بالقوه به شما امکان می دهد پیشنهاد مناسب را در زمان مناسب ارائه دهید.
5- پروژه پیش بینی فروش
تصور کنید در صورتی که مغازه ها محصولاتی را که هر ماه می فروشند تخمین بزنند چه اتفاقی می تواند بیفتد؟ هدف این پروژه همین است. در اینجا، شما باید تعداد کل محصولات فروخته شده در هر فروشگاه را در حالی که اطلاعات فروش روزانه در اختیار شما قرار می گیرد، پیش بینی کنید. نمونه بارز آن Walmart است که مجموعه داده هایی را برای 98 محصول در 45 فروشگاه ارائه می دهد. به این ترتیب، توسعه دهندگان می توانند هر هفته به اطلاعات فروش از طریق مکان ها و بخش ها دسترسی داشته باشند.
6- سیستم قیمت گذاری بلیت فیلم
با توجه به ظهور پلتفرم‌های OTT مانند نتفلیکس و آمازون پرایم، مردم اکنون ترجیح می‌دهند محتوا را نشسته روی مبل خود تماشا کنند. عواملی مانند قیمت گذاری، کیفیت محتوا و بازاریابی بر موفقیت این پلتفرم ها تأثیر گذاشته اند.
امروزه هزینه ساخت یک فیلم بلند بلند به طور تصاعدی افزایش یافته است. تنها 10 درصد از فیلم هایی که ساخته می شوند سود می برند. به لطف رقابت شدید تلویزیون و پلتفرم های OTT همراه با قیمت بالای بلیط، کسب سود برای فیلم ها دشوار شده است. افزایش قیمت بلیت تئاتر در کنار هزینه پاپ کورن سالن های سینما را خالی می کند.
اینجاست که یک سیستم پیشرفته قیمت گذاری بلیت می تواند برای سازندگان و بینندگان فیلم موهبتی باشد. با توجه به این ایده پروژه یادگیری ماشینی، با افزایش تقاضای بلیط می توان قیمت بلیط را بالاتر نگه داشت و بالعکس. بنابراین، اگر فردی هفته‌ها قبل از اکران، بلیت را رزرو کند، برای یک فیلم پرتقاضا هزینه کمتری خواهد داشت.
سپس سیستم ML به طور هوشمندانه قیمت را محاسبه می کند، مشروط به علاقه بینندگان، سیگنال های اجتماعی و عوامل عرضه-تقاضا.
7- پروژه سیستم توصیه موسیقی
پروژه سیستم توصیه موسیقی یکی از محبوب ترین پروژه های یادگیری ماشینی است که در دامنه های مختلف استفاده می شود. در صورتی که از هر سایت تجارت الکترونیک یا وب سایت فیلم/موسیقی استفاده کرده باشید، ممکن است از یک سیستم توصیه آگاه باشید. در اکثر وب سایت های تجارت الکترونیک مانند آمازون، در هنگام پرداخت، سیستم محصولاتی را توصیه می کند که می توانید آنها را به لیست سبد خرید خود اضافه کنید. به همین ترتیب، نتفلیکس فیلم هایی را توصیه می کند که ممکن است دوست داشته باشید تماشا کنید. نمونه بارز سیستم توصیه موسیقی Spotify است زیرا آهنگ های مشابهی را نشان می دهد که ممکن است دوست داشته باشید بشنوید.
سوال اینجاست که این سیستم واقعا چگونه کار می کند؟ پاسخ در مورد کلاسیک کاربرد یادگیری ماشین نهفته است.
تحت این پروژه، من به شما توصیه می کنم از پایگاه داده سرویس پخش موسیقی پیشرو در آسیا، Spotify برای توسعه یک سیستم توصیه بهتر استفاده کنید.
گام بعدی این است که آهنگ یا هنرمند جدیدی را که شنونده ممکن است بر اساس انتخاب های گذشته خود دوست داشته باشد، مشخص کنید. وظیفه اصلی پیش بینی شانس کاربر برای شنیدن یک آهنگ تکراری در مدت زمان مشخص است. هنگامی که مجموعه داده را تعریف می کنید، در صورتی که کاربر به آهنگ مشابهی در همان ماه گوش داده باشد، پیش بینی به عنوان 1 علامت گذاری می شود. مجموعه داده شامل آهنگ هایی است که توسط کاربران خاص و در چه زمانی شنیده می شود.
8- ساخت شبکه عصبی برای تشخیص دست خط
دانشجویان جاوا دوست دارند پروژه های خود را آزمایش کنند و چه راهی بهتر از شروع آزمایش با کار بر روی یک شبکه عصبی. یادگیری عمیق و شبکه‌های عصبی کلیدواژه‌هایی هستند که به هوش مصنوعی مربوط می‌شود.
برخی از نوآوری های درخشان مانند تشخیص تصویر، خودروهای بدون راننده و غیره به واسطه این دو فناوری امکان پذیر شده اند. بنابراین، به عنوان یک دانشجوی سال آخر، زمان مناسبی برای کشف حوزه شبکه های عصبی است. پروژه یادگیری ماشین شبکه عصبی خود را با چالش طبقه‌بندی رقم دست‌نویس MNIST آغاز کنید. به لطف رابط کاربر پسند آن، مبتدیان آن را بسیار مفید خواهند یافت.
Vidado شرکتی است که OCR را برای تشخیص دست خط توسعه داده است. OCR دست‌نویس که به‌عنوان تشخیص کاراکتر نوری نیز شناخته می‌شود، فرآیند استخراج خودکار داده‌های دست‌نویس از کاغذ، اسکن و سایر اسناد دیجیتالی با کیفیت پایین است.
9- پروژه پیش بینی قیمت مسکن
زمانی که قصد خرید خانه را دارید باید فاکتورهای زیادی را در نظر بگیرید. این موارد شامل موقعیت مکانی، اندازه، تعداد اتاق خواب ها و غیره می شود. با این حال، بسیاری از اوقات افراد هنگام خرید یا فروش خانه برخی از این عوامل را نادیده می گیرند. اینجاست که پروژه پیش بینی قیمت مسکن وارد عمل می شود.
فاکتورهای مختلفی را برای خانه در نظر می گیرد مانند مساحت جلو، خیابان، کانتور زمین، مجاورت ها، آب و برق، کیفیت گاراژ، مصالح سقف و غیره. هدف نهایی پروژه پیش بینی قیمت نهایی خانه بر اساس این عوامل است. . سپس از آن برای ایجاد یک الگوریتم ML برای پیش بینی دقیق قیمت خانه بر اساس این عوامل استفاده کنید.
یکی از شرکت هایی که در ایجاد پیش بینی قیمت مسکن موفق بوده است Realas است. این شرکت موتور جستجوی مخصوص به خود را ایجاد کرده است که از طریق آن شما به سادگی باید حومه شهر، کدپستی، مدرسه یا آدرس را وارد کنید و بدون اتلاف وقت ارزشمند شما، قیمت ملک واقعی را در اختیار شما قرار می دهد.
10- پروژه پیش بینی قیمت بلیط هواپیما
قیمت بلیط هواپیما به اندازه آب و هوای انگلیس غیرقابل پیش بینی است. شما می توانید در عرض 24 ساعت با یک صندلی با قیمت های متفاوت روبرو شوید. همچنین به فصلی بودن، روزها و بخش هایی از هفته، تعطیلات یا رویدادها بستگی دارد. اگر رزروهای کمتری وجود داشته باشد، قیمت ها حتی ممکن است کاهش یابد. دلیل این امر این است که شرکت‌های مهمان‌نوازی و حمل‌ونقل، آژانس‌های مسافرتی آنلاین و جمع‌آوری‌کنندگان تلاش می‌کنند تا مشتریان را تشویق کنند تا دکمه «رزرو» را فشار دهند. در فصل اوج مانند کریسمس یا سال نو قیمت ها حتی بالاتر می رود.
تیم AltexSoft ابزاری برای پیش‌بینی قیمت برای Fareboom، یک آژانس مسافرتی آنلاین مستقر در ایالات متحده، ارائه کرده است که به مشتریان حساس قیمت در مورد زمان بهینه برای خرید معاملات پرواز توصیه می‌کند. الگوریتم آن تغییرات قیمت در آینده را بر اساس داده های تاریخی و مدل های یادگیری ماشین پیش بینی می کند.
پیش بینی قیمت یک موتور جستجو است که در قالب یک پنجره بازشو به زیر مجموعه کاربران نشان داده می شود. هنگامی که مسافران پروازها را جستجو می کنند، نمودارهایی را می بینند که نشان می دهد تاریخ های سفر انتخابی قیمت مناسبی دارند یا خیر. بر اساس نتایج به‌دست‌آمده، کاربران توصیه‌هایی دریافت می‌کنند که هم اکنون خرید کنند یا منتظر بمانند. حتی پیش بینی هایی از تغییرات قیمت در آینده یا روزهای سفر جایگزین ارائه می دهد.
کلمات پایانی
همه این ایده‌های پروژه یادگیری ماشینی که در این نوشته ارائه کرده‌ام، گزینه‌های عالی هستند، به‌ویژه زمانی که تازه شروع به یادگیری ماشین (ML) کرده‌اید. از طرف دیگر، اگر اصول اولیه را می دانید و می خواهید بیشتر تمرین کنید، این پروژه های یادگیری ماشینی را برای دانش آموزان امتحان کنید.
مقاله های مرتبط:
1- معرفی Rattle AI – داده کاوی و ابزار یادگیری ماشین
2- چگونه یادگیری ماشینی می تواند در داده کاوی مفید باشد
3- کدام پایگاه داده برای یادگیری ماشینی بهتر است؟
4-داشبورد سازی در نرم افزار تبلو و تجسم داده ها