이번 주말에 완료 할 초보자 기계 학습 프로젝트

편집자에 의한 이미지 | chatgpt

틀 소개

머신 러닝은 우리 시대의 가장 혁신적인 기술 중 하나이며, 의료 및 금융에서 엔터테인먼트 및 전자 상거래에 이르기까지 모든 혁신을 주도합니다. 알고리즘의 기본 이론을 이해하는 것이 중요하지만, 머신 러닝의 핵심은 실습 응용 프로그램에 있습니다. 야심 찬 데이터 과학자와 기계 학습 엔지니어의 경우 실용적인 프로젝트 포트폴리오를 구축하는 것이 학업 지식과 실제 문제 해결 사이의 격차를 해소하는 가장 효과적인 방법입니다. 이 프로젝트 기반 접근 방식은 관련 개념에 대한 귀하의 이해를 강화할뿐만 아니라 잠재적 인 고용주에 대한 기술과 이니셔티브를 보여줍니다.

이 기사에서는 초보자를 위해 특별히 선택된 7 개의 기초 기계 학습 프로젝트를 안내합니다. 각 프로젝트는 예측 모델링 및 자연어 처리에서 컴퓨터 비전에 이르기까지 다양한 영역을 다루며,이 흥미 진진한 분야에서 경력을 발전시킬 수있는 능력과 자신감을 제공합니다.

틀 1. 타이타닉 생존 예측

그만큼 타이타닉 데이터 세트 데이터는 이해하기 쉽기 때문에 초보자에게는 고전적인 선택입니다. 목표는 승객이 재난에서 살아남은지 여부를 예측하는 것입니다. 연령, 성별 및 승객 수업과 같은 기능을 사용하여 이러한 예측을합니다.

이 프로젝트는 데이터 정리 및 결 측값 처리와 같은 필수 데이터 준비 단계를 가르칩니다. 또한 데이터를 교육 및 테스트 세트로 나누는 방법을 배웁니다. 로지스틱 회귀와 같은 알고리즘을 적용 할 수 있으며, 이는 두 가지 결과 중 하나를 예측하는 데 적합하거나 의사 결정 트리를 예측하는 데 적합하며 일련의 질문을 기반으로 예측을합니다.

모델을 교육 한 후 정확도 나 정밀도와 같은 메트릭을 사용하여 성능을 평가할 수 있습니다. 이 프로젝트는 실제 데이터 및 기본 모델 평가 기술을 사용하는 데 큰 소개입니다.

틀 2. 주가 예측

주가 예측은 과거 데이터를 사용하여 향후 주가 가치를 예측하는 일반적인 기계 학습 프로젝트입니다. 데이터 포인트가 시간 순서대로 인덱싱되므로 시계열 문제입니다.

시계열 데이터를 분석하여 향후 추세를 예측하는 방법을 배웁니다. 이 작업의 일반적인 모델에는 ARIMA (Autoregressive Integrated Moving Average) 또는 LSTM (Long Inter-Term Memory)이 포함됩니다. 후자는 순차적 데이터에 적합한 신경망의 한 유형입니다.

또한 지연 값 및 이동 평균과 같은 새로운 기능을 만들어 모델 성능을 향상시켜 기능 엔지니어링을 연습합니다. 같은 플랫폼에서 재고 데이터를 공급할 수 있습니다 야후 금융. 데이터를 분할 한 후에는 MSE (Mean Squared Error)와 같은 메트릭을 사용하여 모델을 교육하고 평가할 수 있습니다.

틀 3. 이메일 스팸 분류기 구축

이 프로젝트에는 이메일이 스팸인지 자동으로 식별하는 이메일 스팸 분류기를 구축하는 것이 포함됩니다. AI의 분야는 컴퓨터가 인간 언어를 이해하고 처리 할 수 ​​있도록하는 데 중점을 둔 자연 언어 처리 (NLP)에 대한 훌륭한 소개 역할을합니다.

토큰 화, 스템 밍 및 레마 화를 포함한 필수 텍스트 전처리 기술을 배웁니다. 또한 기계 학습 모델이 텍스트 데이터와 함께 작동 할 수 있도록하는 용어 주파수 inverse documb

텍스트 분류에 특히 효과적인 Naive Bayes 또는 고차원 데이터에 강력한 SVM (Support Vector Machines)과 같은 알고리즘을 구현할 수 있습니다. 이 프로젝트에 적합한 데이터 세트는입니다 Enron 이메일 데이터 세트. 훈련 후 정확도, 정밀, 리콜 및 F1 스코어와 같은 메트릭을 사용하여 모델의 성능을 평가할 수 있습니다.

틀 4. 필기 숫자 인식

필기 숫자 인식은 컴퓨터 비전에 대한 훌륭한 소개를 제공하는 고전적인 기계 학습 프로젝트입니다. 목표는 잘 알려진 것을 사용하여 이미지에서 필기 숫자 (0-9)를 식별하는 것입니다. MNIST 데이터 세트.

이 문제를 해결하기 위해 딥 러닝 및 컨볼 루션 신경망 (CNN)을 탐색하게됩니다. CNN은 컨볼 루션 및 풀링 레이어와 같은 레이어를 사용하여 이미지 데이터를 처리하기 위해 특별히 설계되어 이미지에서 기능을 자동으로 추출합니다.

워크 플로에는 숫자를 인식하기 위해 CNN 모델을 훈련시키기 전에 이미지의 크기 조정 및 정규화가 포함됩니다. 훈련 후, 보이지 않는 새로운 이미지에서 모델을 테스트 할 수 있습니다. 이 프로젝트는 이미지 데이터와 딥 러닝의 기본 사항에 대해 배우는 실용적인 방법입니다.

틀 5. 영화 추천 시스템 구축

Netflix 및 Amazon과 같은 플랫폼에서 사용하는 영화 추천 시스템은 기계 학습의 인기있는 응용 프로그램입니다. 이 프로젝트에서는 선호도에 따라 사용자에게 영화를 제안하는 시스템을 구축하게됩니다.

공동 필터링 및 컨텐츠 기반 필터링의 두 가지 주요 유형의 추천 시스템에 대해 배웁니다. 협업 필터링은 유사한 사용자의 선호도를 기반으로 권장 사항을 제공하는 반면, 콘텐츠 기반 필터링은 과거에 사용자가 좋아했던 항목의 속성을 기반으로 한 영화를 제안합니다.

이 프로젝트의 경우 SVD (Singular Value Decomposition)와 같은 기술을 사용하여 예측을 단순화하는 데 도움이되는 협업 필터링에 중점을 둘 것입니다. 이것에 대한 훌륭한 자원은입니다 Movielens 데이터 세트영화 등급 및 메타 데이터가 포함되어 있습니다.

시스템이 구축되면 루트 평균 제곱 오차 (RMSE) 또는 정밀 기록과 같은 메트릭을 사용하여 성능을 평가할 수 있습니다.

틀 6. 고객 이탈 예측

고객 이탈 예측은 고객을 유지하려는 비즈니스를위한 귀중한 도구입니다. 이 프로젝트에서는 서비스를 취소 할 고객이 어떤 고객을 예측할 것입니다. 이진 분류에 적합한 로지스틱 회귀와 같은 분류 알고리즘 또는 임의의 숲을 사용하여 종종 더 높은 정확도를 달성 할 수 있습니다.

이 프로젝트의 주요 과제는 불균형 데이터로 작업하는 것입니다. 불균형 데이터 (예 : 휘젓는 고객)가 다른 클래스보다 훨씬 작을 때 발생합니다. 오버 샘플링 또는 언더 샘플링과 같은이 문제를 해결하는 기술을 배웁니다. 또한 결 측값 처리 및 범주 형 기능 인코딩과 같은 표준 데이터 전처리 단계를 수행합니다.

모델을 교육 한 후 혼란 매트릭스와 같은 도구 및 F1- 점수와 같은 메트릭을 사용하여 평가할 수 있습니다. 공개적으로 사용 가능한 데이터 세트를 사용할 수 있습니다 통신 고객 이탈 데이터 세트 Kaggle에서.

틀 7. 이미지의 얼굴 감지

Face Detection은 보안 시스템에서 소셜 미디어 앱에 이르는 응용 프로그램을 사용하여 컴퓨터 비전의 기본 작업입니다. 이 프로젝트에서는 이미지 내에서 얼굴의 존재와 위치를 감지하는 방법을 배웁니다.

Haar Cascades와 같은 객체 감지 방법을 사용합니다. Opencv 컴퓨터 비전을위한 널리 사용되는 도구 인 라이브러리. 이 프로젝트는 필터링 및 에지 감지와 같은 이미지 처리 기술을 소개합니다.

OpenCV는 미리 훈련 된 분류기를 제공하여 이미지 나 비디오의 얼굴을 감지 할 수 있도록 간단하게 만듭니다. 그런 다음 매개 변수를 조정하여 시스템을 미세 조정할 수 있습니다. 이 프로젝트는 이미지의 얼굴과 다른 객체를 감지하는 데 큰 진입 점입니다.

틀 결론

이 7 개의 프로젝트는 기계 학습의 기본 사항에서 탄탄한 기초를 제공합니다. 각각은 다양한 기술, 분류, 회귀 및 컴퓨터 비전을 다루는 데 중점을 둡니다. 이를 통해 작업함으로써 실제 문제를 해결하기 위해 실제 데이터와 일반적인 알고리즘을 사용하여 실습 경험을 얻게됩니다.

이 프로젝트를 완료하면 포트폴리오 및 이력서에 추가하여 잠재적 인 고용주에게 눈에 띄는 데 도움이 될 수 있습니다. 간단하지만이 프로젝트는 머신 러닝에 매우 효과적이며 기술과 분야에 대한 자신감을 모두 구축하는 데 도움이됩니다.

Jayita Gulati 기계 학습 애호가이자 기계 학습 모델 구축에 대한 열정으로 인해 기계 학습 애호가이자 기술 작가입니다. 그녀는 리버풀 대학교에서 컴퓨터 과학 석사 학위를 취득했습니다.