15 interesantes ideas de proyectos de Machine Learning para principiantes
Ideas de proyectos de Machine Learning
Regístrate en la Masterclass online de manera gratuita y conoce más de las técnicas y las tendencias del Procesamiento Digital de Imágenes con Inteligencia Artificial. El evento será el jueves 9 de diciembre de 2021 a las 19:00 horas CDMX.
A medida que la inteligencia artificial (IA) continúa progresando rápidamente en 2021, lograr el dominio del Machine Learning (ML) se vuelve cada vez más importante para todos los jugadores en este campo. Esto se debe a que tanto la IA como el ML se complementan. Entonces, si eres un principiante, lo mejor que puedes hacer es trabajar en algunos proyectos de Machine Learning.
En este artículo, exploraremos algunos proyectos interesantes de Machine Learning en los que los principiantes pueden trabajar para poner a prueba sus conocimientos sobre ML. En este artículo, encontrará las 15 mejores ideas de proyectos de Machine Learning para que los principiantes adquieran experiencia práctica.
Pero primero, abordemos la pregunta más pertinente que debe estar al acecho en su mente: ¿por qué crear proyectos de Machine Learning?
Cuando se trata de carreras en desarrollo de software, es imprescindible para los aspirantes a desarrolladores trabajar en sus propios proyectos. Desarrollar proyectos del mundo real es la mejor manera de perfeccionar sus habilidades y materializar su conocimiento teórico en experiencia práctica. Cuanto más experimente con diferentes proyectos de Machine Learning , más conocimiento obtendrá.
Si bien los libros de texto y los materiales de estudio le brindarán todo el conocimiento que necesita sobre el ML , nunca podrá dominar el Machine Learning a menos que invierta su tiempo en experimentos prácticos de la vida real: proyectos de Machine Learning . A medida que comience a trabajar en ideas de proyectos de Machine Learning , no solo podrá probar sus fortalezas y debilidades, sino que también obtendrá una exposición que puede ser inmensamente útil para impulsar su carrera. En este tutorial, encontrará 15 ideas interesantes de proyectos de Machine Learning para que los principiantes adquieran experiencia práctica en el aprendizaje automático.
Aquí hay algunas ideas geniales de proyectos de Machine Learning para principiantes
Esta lista de ideas de proyectos de Machine Learning, es adecuada para principiantes y para aquellos que recién comienzan con el ML o la ciencia de datos en general. Estas ideas de proyectos de Machine Learning lo ayudarán a avanzar con todos los aspectos prácticos que necesita para tener éxito en su carrera como profesional del ML. El punto focal de estos proyectos de Machine Learning son los algoritmos de Machine Learning para principiantes , es decir, algoritmos que no requieren que tenga una comprensión profunda del aprendizaje automático y, por lo tanto, son perfectos para estudiantes y principiantes.
Además, si está buscando ideas de proyectos de Machine Learning para el último año , esta lista debería ayudarlo. Entonces, sin más preámbulos, pasemos directamente a algunas ideas de proyectos de Machine Learning que fortalecerán su base y le permitirán ascender en la escalera.
1. Predictor de precios de acciones
Una de las mejores ideas para comenzar a experimentar sus proyectos prácticos de Machine Learning para estudiantes es trabajar en el Predictor de precios de acciones. Las organizaciones comerciales y las empresas de hoy están en busca de software que pueda monitorear y analizar el desempeño de la empresa y predecir los precios futuros de varias acciones. Y con tantos datos disponibles en el mercado de valores, es un hervidero de oportunidades para los científicos de datos con inclinación por las finanzas.
Sin embargo, antes de comenzar, debe tener una buena cantidad de conocimientos en las siguientes áreas:
- Análisis predictivo: aprovechando varias técnicas de inteligencia artificial para diferentes procesos de datos, como la minería de datos, la exploración de datos, etc., para “predecir” el comportamiento de los posibles resultados.
- Análisis de regresión: el análisis regresivo es un tipo de técnica predictiva basada en la interacción entre una variable dependiente (objetivo) e independiente (predictor).
- Análisis de acciones: en este método, se analizan todas las acciones llevadas a cabo por las dos técnicas mencionadas anteriormente, luego de lo cual el resultado se ingresa en la memoria de aprendizaje automático.
- Modelado estadístico: Implica construir una descripción matemática de un proceso del mundo real y elaborar las incertidumbres, si las hay, dentro de ese proceso.
2. SportsPredictor
En Moneyball de Michael Lewis , el equipo de Oakland Athletics transformó la cara del béisbol al incorporar una técnica analítica de búsqueda de jugadores en su plan de juego. Y al igual que ellos, ¡tú también puedes revolucionar los deportes en el mundo real! Este es un excelente proyecto de Machine Learning para principiantes.
Dado que no hay escasez de datos en el mundo del deporte, puede utilizar estos datos para crear proyectos de Machine Learning divertidos y creativos, como el uso de estadísticas deportivas universitarias para predecir qué jugador tendría la mejor carrera en qué deporte en particular (búsqueda de talentos). También puede optar por mejorar la gestión del equipo analizando las fortalezas y debilidades de los jugadores de un equipo y clasificándolos en consecuencia.
Con la cantidad de estadísticas y datos deportivos disponibles, este es un escenario excelente para perfeccionar sus habilidades de exploración y visualización de datos. Para cualquier persona con habilidad en Python, Scikit-Learn será la opción ideal, ya que incluye una variedad de herramientas útiles para análisis de regresión, clasificaciones, ingestión de datos, etc. Mencionar proyectos de Machine Learning para el último año puede ayudar a que su currículum se vea mucho más interesante que otros.
3. Desarrolle un analizador de sentimientos
Esta es una de las ideas interesantes para proyectos de Machine Learning. Aunque la mayoría de nosotros usamos plataformas de redes sociales para transmitir nuestros sentimientos y opiniones personales para que el mundo los vea, uno de los mayores desafíos radica en comprender los ‘sentimientos’ detrás de las publicaciones en las redes sociales.
¡Y esta es la idea perfecta para su próximo proyecto de Machine Learning!
Las redes sociales están prosperando con toneladas de contenido generado por usuarios. Al crear un sistema de Machine Learning que pudiera analizar el sentimiento detrás de los mensajes de texto, o una publicación, sería mucho más fácil para las organizaciones comprender el comportamiento del consumidor. Esto, a su vez, les permitiría mejorar su servicio al cliente, proporcionando así el margen para una óptima satisfacción del consumidor.
Puede intentar extraer los datos de Twitter o Reddit para comenzar con su proyecto de Machine Learning de análisis de sentimientos. Este podría ser uno de esos raros casos de proyectos de Deep Learning que también pueden ayudarlo en otros aspectos.
4. Mejorar la atención médica
Las aplicaciones de IA y ML ya han comenzado a penetrar en la industria de la salud y también están transformando rápidamente la faz de la atención médica global. Los wearables para el cuidado de la salud, el monitoreo remoto, la telemedicina, la cirugía robótica, etc., son posibles gracias a los algoritmos de Machine Learning impulsados por IA. No solo están ayudando a los HCP (proveedores de atención médica) a brindar mejores y más rápidos servicios de atención médica, sino que también están reduciendo la dependencia y la carga de trabajo de los médicos en una medida significativa.
Entonces, ¿por qué no utilizar sus habilidades para desarrollar un impresionante proyecto de Machine Learning basado en la atención médica? Manejar un proyecto con algoritmos de Machine Learning para principiantes puede ser útil para construir su carrera con un buen comienzo.
La industria de la salud tiene enormes cantidades de datos a su disposición. Al aprovechar estos datos, puede crear:
- Sistemas de atención diagnóstica que pueden escanear automáticamente imágenes, radiografías, etc., y proporcionar un diagnóstico preciso de posibles enfermedades.
- Aplicaciones de atención preventiva que pueden predecir las posibilidades de epidemias como gripe, malaria, etc., tanto a nivel nacional como comunitario.
5. Prepare algoritmos ML – ¡Desde cero!
Esta es una de las excelentes ideas de proyectos de Machine Learning para principiantes. Escribir algoritmos de Machine Learning desde cero ofrecerá dos beneficios:
- Uno, escribir algoritmos ML es la mejor manera de comprender el meollo de su mecánica.
- Dos, aprenderá a transformar instrucciones matemáticas en código funcional. Esta habilidad será útil en su futura carrera en Machine Learning.
Puede comenzar eligiendo un algoritmo que sea sencillo y no demasiado complejo. Detrás de la creación de cada algoritmo, incluso los más simples, hay varias decisiones cuidadosamente calculadas. Una vez que haya alcanzado un cierto nivel de dominio en la creación de algoritmos ML simples, intente modificar y ampliar su funcionalidad. Por ejemplo, puede tomar un algoritmo de regresión logística de vainilla y agregarle parámetros de regularización para transformarlo en un algoritmo de regresión de lazo / cresta. Mencionar proyectos de Machine Learning puede ayudar a que su currículum luzca mucho más interesante que otros.
6. Desarrolle una red neuronal que pueda leer la escritura a mano
Una de las mejores ideas para comenzar a experimentar proyectos prácticos de Java para estudiantes es trabajar en redes neuronales. El Deep Learning y las redes neuronales son las dos palabras de moda en la IA. Estos nos han brindado maravillas tecnológicas como automóviles sin conductor, reconocimiento de imágenes, etc.
Entonces, ahora es el momento de explorar el campo de las redes neuronales. Comience su proyecto de Machine Learning de redes neuronales con el Desafío de clasificación de dígitos manuscritos de MNIST. Tiene una interfaz muy fácil de usar que es ideal para principiantes.
7. Sistema de precios de entradas para películas
Con la expansión de plataformas OTT como Netflix, Amazon Prime, la gente prefiere ver contenido según su conveniencia. Factores como los precios, la calidad del contenido y el marketing han influido en el éxito de estas plataformas.
El costo de hacer una película de larga duración se ha disparado exponencialmente en el pasado reciente. Solo el 10% de las películas que se hacen obtienen ganancias. La dura competencia de las plataformas de televisión y OTT, junto con el alto costo de las entradas, ha dificultado aún más que las películas ganen dinero. El costo creciente de la entrada al teatro (junto con el costo de las palomitas de maíz) deja la sala de cine vacía.
Un sistema avanzado de precios de entradas definitivamente puede ayudar a los creadores de películas y espectadores. El precio de las entradas puede ser más alto con el aumento de la demanda de entradas y viceversa. Cuanto antes el espectador reserve el boleto, menor será el costo para una película con una gran demanda. El sistema debería calcular inteligentemente los precios en función del interés de los espectadores, las señales sociales y los factores de oferta y demanda.
8. Proyecto ML de clasificación de flores de iris
Una de las mejores ideas para comenzar a experimentar sus proyectos prácticos de aprendizaje automático para estudiantes es trabajar en el proyecto ML de clasificación de Iris Flowers. El conjunto de datos de flores de iris es uno de los mejores conjuntos de datos para tareas de clasificación. Dado que las flores de iris son de especies variadas, se pueden distinguir en función de la longitud de los sépalos y pétalos. Este proyecto ML tiene como objetivo clasificar las flores entre las tres especies: Virginica, Setosa o Versicolor.
Este proyecto de Machine Learning en particular generalmente se conoce como el “Hola mundo” del ML. El conjunto de datos de flores de iris contiene atributos numéricos y es perfecto para que los principiantes aprendan sobre los algoritmos de Machine Learning supervisados, principalmente cómo cargar y manejar datos. Además, dado que se trata de un conjunto de datos pequeño, puede caber fácilmente en la memoria sin requerir transformaciones especiales o capacidades de escala. ¡Y esta es la idea perfecta para su próximo proyecto de Machine Learning!
9. Proyecto ML de predicción de ventas de BigMart
Esta es una excelente idea de proyecto ML para principiantes. Este proyecto ML es mejor para aprender cómo funcionan los algoritmos ML no supervisados. El conjunto de datos de ventas de BigMart comprende precisamente datos de ventas de 2013 para 1559 productos en diez puntos de venta en varias ciudades.
El objetivo aquí es utilizar el conjunto de datos de ventas de BigMart para desarrollar un modelo de regresión que pueda predecir la venta de cada uno de los 1559 productos en el próximo año en los diez puntos de venta diferentes de BigMart. El conjunto de datos de ventas de BigMart contiene atributos específicos para cada producto y punto de venta, lo que le ayuda a comprender las propiedades de los diferentes productos y tiendas que influyen en las ventas generales de BigMart como marca.
10. Motores de recomendación con conjunto de datos MovieLens
Los motores de recomendación se han vuelto muy populares en los sitios de compras y transmisión en línea. Por ejemplo, las plataformas de transmisión de contenido en línea como Netflix y Hulu tienen motores de recomendación para personalizar su contenido de acuerdo con las preferencias individuales del cliente y el historial de navegación. Al adaptar el contenido para satisfacer las necesidades y preferencias de visualización de diferentes clientes, estos sitios han podido impulsar la demanda de sus servicios de transmisión.
Como principiante, puede intentar crear un sistema de recomendación utilizando uno de los conjuntos de datos más populares disponibles en la web: el conjunto de datos MovieLens. Este conjunto de datos incluye más de “25 millones de clasificaciones y un millón de aplicaciones de etiquetas aplicadas a 62.000 películas por 162.000 usuarios”. Puede comenzar este proyecto creando una visualización en la nube mundial de títulos de películas para crear un motor de recomendación de películas para MovieLens.
11. Predecir la calidad del vino utilizando un conjunto de datos de calidad del vino
Es un hecho bien establecido que la edad hace que el vino sea mejor: cuanto más viejo sea el vino, mejor sabrá. Sin embargo, la edad no es lo único que determina el sabor de un vino. Numerosos factores determinan la certificación de la calidad del vino, incluidas las pruebas fisicoquímicas como la cantidad de alcohol, la acidez fija, la acidez volátil, la densidad y el nivel de pH, por nombrar algunos.
En este proyecto ML, necesita desarrollar un modelo ML que pueda explorar las propiedades químicas de un vino para predecir su calidad. El conjunto de datos de calidad del vino que utilizará para este proyecto consta de aproximadamente 4898 observaciones, incluidas 11 variables independientes y una variable dependiente. Mencionar proyectos de Machine Learning para el último año puede ayudar a que su currículum se vea mucho más interesante que otros.
12. Clasificación de dígitos manuscritos del MNIST
Este es uno de los interesantes proyectos de Machine Learning. El Deep Learning y las redes neuronales han encontrado casos de uso en muchas aplicaciones del mundo real, como el reconocimiento de imágenes, la generación automática de texto, los automóviles sin conductor y mucho más. Sin embargo, antes de profundizar en estas áreas complejas de Deep Learning, debe comenzar con un conjunto de datos simple como el conjunto de datos MNIST. Entonces, ¿por qué no utilizar sus habilidades para desarrollar un impresionante proyecto de aprendizaje automático basado en MNIST?
El proyecto de clasificación de dígitos del MNIST está diseñado para capacitar a las máquinas para que reconozcan dígitos escritos a mano. Dado que a los principiantes generalmente les resulta difícil trabajar con datos de imágenes sobre datos relacionales planos, el conjunto de datos MNIST es el mejor para los principiantes. En este proyecto, utilizará los conjuntos de datos de MNIST para entrenar su modelo de Machine Learning mediante redes neuronales convolucionales (CNN). Aunque el conjunto de datos MNIST puede caber perfectamente en la memoria de su PC (es muy pequeño), la tarea del reconocimiento de dígitos escritos a mano es bastante desafiante.
13. Reconocimiento de actividad humana mediante el conjunto de datos de teléfonos inteligentes
Esta es una de las ideas de proyectos de Machine Learning más populares. El conjunto de datos del teléfono inteligente incluye el registro de actividad física y la información de 30 personas. Estos datos se capturaron a través de un teléfono inteligente equipado con sensores de inercia.
Este proyecto ML tiene como objetivo construir un modelo de clasificación que pueda identificar las actividades de acondicionamiento físico humano con un alto grado de precisión. Al trabajar en este proyecto de ML, aprenderá los conceptos básicos de la clasificación y también cómo resolver problemas de clasificación múltiple.
14. Detección de objetos con Deep Learning
Este es uno de los proyectos de Machine Learning interesantes para crear. Cuando se trata de clasificación de imágenes, las redes neuronales profundas (DNN) deberían ser su opción preferida. Si bien los DNN ya se utilizan en muchas aplicaciones de clasificación de imágenes del mundo real, este proyecto ML tiene como objetivo mejorarlo.
En este proyecto de ML, resolverá el problema de la detección de objetos aprovechando los DNN. Tendrá que desarrollar un modelo que pueda clasificar objetos y también localizar con precisión objetos de diferentes clases. Aquí, tratará la tarea de detección de objetos como un problema de regresión a las máscaras del cuadro delimitador de objetos. Además, definirá un procedimiento de inferencia de múltiples escalas que puede generar detecciones de objetos de alta resolución a un costo mínimo.
15. Detección de noticias falsas
Esta es una de las excelentes ideas de proyectos de Machine Learning para principiantes, especialmente cómo las noticias falsas se están extendiendo como la pólvora ahora. Las noticias falsas tienen la habilidad de propagarse como la pólvora. Y con las redes sociales dominando nuestras vidas en este momento, se ha vuelto más crítico que nunca distinguir las noticias falsas de los eventos de noticias reales. Aquí es donde el Machine Learning puede ayudar. Facebook ya utiliza inteligencia artificial para filtrar historias falsas y con contenido no deseado de los feeds de los usuarios.
Este proyecto ML tiene como objetivo aprovechar las técnicas de NLP (procesamiento del lenguaje natural) para detectar noticias falsas e historias engañosas que surgen de fuentes no acreditadas. También puede utilizar el enfoque clásico de clasificación de texto para diseñar un modelo que pueda diferenciar entre noticias reales y falsas. En el último método, puede recopilar conjuntos de datos para noticias reales y falsas y crear un modelo de Machine Learning utilizando el clasificador Naive Bayes para clasificar una noticia como fraudulenta o real en función de las palabras y frases utilizadas en ella.
16. Inscribir proyecto de correo electrónico
El conjunto de datos de correo electrónico de Enron contiene casi 500.000 correos electrónicos de más de 150 usuarios. Es un conjunto de datos extremadamente valioso para el procesamiento del lenguaje natural. Este proyecto implica la construcción de un modelo ML que utiliza el algoritmo de agrupación en clústeres k-means para detectar acciones fraudulentas. El modelo separará las observaciones en ‘k’ números de grupos de acuerdo con patrones similares en el conjunto de datos.
17. Proyecto de Parkinson
El conjunto de datos de Parkinson incluye 195 registros biomédicos de personas con 23 características variadas. La idea detrás de este proyecto es diseñar un modelo ML que pueda diferenciar entre personas sanas y aquellas que padecen la enfermedad de Parkinson. El modelo utiliza el algoritmo XGboost (aumento de gradiente extremo) basado en árboles de decisión para realizar la separación.
18. Proyecto Flickr 30K
El conjunto de datos de Flickr 30K consta de más de 30.000 imágenes, cada una con una leyenda única. Utilizará este conjunto de datos para crear un generador de subtítulos de imágenes. La idea es construir un modelo de CNN que pueda analizar y extraer características de una imagen de manera efectiva y crear una leyenda adecuada que describa la imagen en inglés.
19. Proyecto de clientes del centro comercial
Como sugiere el nombre, el conjunto de datos de los clientes del centro comercial incluye los registros de las personas que visitaron el centro comercial, como el sexo, la edad, la identificación del cliente, los ingresos anuales, la puntuación de gastos, etc. Construirá un modelo que utilizará estos datos para segmentar a los clientes. en diferentes grupos según sus patrones de comportamiento. Dicha segmentación de clientes es una táctica de marketing muy útil utilizada por las marcas y los especialistas en marketing para impulsar las ventas y los ingresos, al mismo tiempo que aumenta la satisfacción del cliente.
20. Proyecto de cinética
Para este proyecto, utilizará un extenso conjunto de datos que incluye tres conjuntos de datos separados, Kinetics 400, Kinetics 600 y Kinetics 700, que contienen enlaces URL de más de 6.5 millones de videos de alta calidad. Su objetivo es crear un modelo que pueda detectar e identificar las acciones de un humano mediante el estudio de una serie de observaciones diferentes.
21. Proyecto de sistema de recomendaciones
Se trata de una rica colección de conjuntos de datos que contiene una amplia gama de conjuntos de datos recopilados de sitios web populares como reseñas de libros de Goodreads, reseñas de productos de Amazon, redes sociales, etc. Su objetivo es crear un motor de recomendaciones (como los que utilizan Amazon y Netflix) que pueda generar recomendaciones personalizadas de productos, películas, música, etc., basadas en las preferencias, necesidades y comportamiento en línea del cliente.
22. El proyecto de vivienda de Boston
El conjunto de datos de viviendas de Boston consta de los detalles de diferentes casas en Boston en función de factores como la tasa de impuestos, la tasa de delincuencia, el número de habitaciones en una casa, etc. Es un conjunto de datos excelente para predecir los precios de diferentes casas en Boston. En este proyecto, creará un modelo que puede predecir el precio de una casa nueva mediante regresión lineal. La regresión lineal es la más adecuada para este proyecto, ya que se utiliza cuando los datos tienen una relación lineal entre los valores de entrada y salida y cuando la entrada es desconocida.
23. Proyecto de paisajes urbanos
Este conjunto de datos de código abierto incluye anotaciones de alta calidad a nivel de píxeles de secuencias de video recopiladas de las calles en 50 ciudades diferentes. Es inmensamente útil para el análisis semántico. Puede utilizar este conjunto de datos para entrenar redes neuronales profundas para analizar y comprender el paisaje urbano. El proyecto consiste en diseñar un modelo que pueda realizar la segmentación de imágenes e identificar varios objetos (automóviles, autobuses, camiones, árboles, carreteras, personas, etc.) a partir de una secuencia de video de la calle.
24. Proyecto YouTube 8M
Youtube 8M es un gran conjunto de datos que tiene 6,1 millones de ID de vídeo de YouTube, 350.000 horas de vídeo, 2,6 mil millones de audio / visuales, 3862 clases, y un promedio de 3 etiquetas para cada vídeo. Es ampliamente utilizado para proyectos de clasificación de videos. En este proyecto, creará un sistema de clasificación de videos que pueda describir con precisión un video. Considerará una serie de entradas diferentes y clasificará los videos en categorías separadas.
25. Sonido urbano 8K
El conjunto de datos de sonido urbano 8K se utiliza para la clasificación de sonido. Incluye una colección diversa de 8732 sonidos urbanos pertenecientes a diferentes clases como sirenas, música callejera, ladridos de perros, pájaros cantando, gente hablando, etc. Diseñarás un modelo de clasificación de sonido que pueda detectar automáticamente qué sonido urbano se está reproduciendo en el
26. Proyecto IMDB-Wiki
Este conjunto de datos etiquetado es probablemente una de las colecciones más extensas de imágenes faciales recopiladas en IMDB y Wikipedia. Tiene más de 5 millones de imágenes de rostros etiquetadas con edad y género. con el género y la edad etiquetados. Creará un modelo que puede detectar rostros y predecir su edad y sexo con precisión. Puede hacer diferentes segmentos / rangos de edad como 0-10, 10-20, 30-40, etc.
27. Proyecto Librispeech
El conjunto de datos librispeech es una colección masiva de discursos en inglés derivados del proyecto LibriVox. Contiene discursos leídos en inglés en varios acentos que abarcan más de 1000 horas y es la herramienta perfecta para el reconocimiento de voz. El objetivo de este proyecto es crear un modelo que pueda traducir automáticamente audio en texto. Construirá un sistema de reconocimiento de voz que puede detectar el habla en inglés y traducirla a formato de texto.
28. Proyecto de referencia de reconocimiento de señales de tráfico en Alemania (GTSRB)
Este conjunto de datos contiene más de 50.000 imágenes de señales de tráfico segmentadas en 43 clases y que contienen información sobre el cuadro delimitador de cada señal de tráfico. Es ideal para la clasificación multiclase, que es exactamente en lo que se centrará aquí. Construirá un modelo utilizando un marco de aprendizaje profundo que puede reconocer el cuadro delimitador de las señales y clasificar las señales de tráfico. El proyecto puede resultar de gran utilidad para los vehículos autónomos, ya que detecta señales y ayuda a los conductores a tomar las medidas necesarias.
29. Resumen de texto de video de partidos deportivos
Este proyecto es exactamente como parece: obtener un resumen preciso y conciso de un video deportivo. Es una herramienta útil para sitios web deportivos que informan a los lectores sobre los aspectos más destacados del partido. Dado que las redes neuronales son las mejores para el resumen de texto, creará este modelo utilizando redes de aprendizaje profundo como 3D-CNN, RNN y LSTM . Primero, fragmentará un video deportivo en varias secciones mediante el uso de los algoritmos ML apropiados y luego usará una combinación de SVM (máquinas de vectores de soporte), redes neuronales y algoritmo k-means.
30. Generador de resumen de reuniones de negocios
El resumen implica extraer los bits de información más significativos y valiosos de conversaciones, archivos de audio / video, etc., de manera breve y concisa. Generalmente se realiza mediante la captura de características de los rasgos estadísticos, lingüísticos y sentimentales con la estructura de diálogo de la conversación en cuestión. En este proyecto, utilizará técnicas de procesamiento de lenguaje natural y aprendizaje profundo para crear resúmenes precisos de reuniones de negocios mientras mantiene el contexto de toda la conversación.
31. Análisis del sentimiento de depresión
La depresión es un problema de salud importante a nivel mundial. Cada año, millones de personas se suicidan debido a la depresión y la mala salud mental. Por lo general, el estigma asociado a los problemas de salud mental y la demora en el tratamiento son las dos causas principales detrás de esto. En este proyecto, aprovechará los datos recopilados de diferentes plataformas de redes sociales y analizará los marcadores lingüísticos en las publicaciones de las redes sociales para comprender la salud mental de las personas. La idea es crear un modelo de aprendizaje profundo que pueda ofrecer información valiosa y precisa sobre la salud mental mucho antes que los métodos convencionales.
32. Solucionador de ecuaciones manuscritas
El reconocimiento de expresiones matemáticas escritas a mano es un campo de estudio crucial en la investigación de la visión por computadora. Construirá un modelo y lo entrenará para resolver ecuaciones matemáticas escritas a mano utilizando redes neuronales convolucionales. El modelo también hará uso de técnicas de procesamiento de imágenes. Este proyecto consiste en entrenar el modelo con los datos correctos para hacerlo experto en la lectura de dígitos escritos a mano, símbolos, etc., para entregar resultados correctos para ecuaciones matemáticas de diferentes niveles de complejidad.
33. Reconocimiento facial para detectar el estado de ánimo y recomendar canciones
Es un hecho conocido que las personas escuchan música en función de su estado de ánimo y sentimientos actuales. Entonces, ¿por qué no crear una aplicación que pueda detectar el estado de ánimo de una persona por sus expresiones faciales y recomendar canciones en consecuencia? Para ello, utilizará elementos y técnicas de visión artificial. El objetivo es crear un modelo que pueda aprovechar eficazmente la visión por computadora para ayudar a las computadoras a obtener una comprensión de alto nivel de imágenes y videos.
34. Generador de música
Una composición musical no es más que una combinación melodiosa de diferentes niveles de frecuencia. En este proyecto, diseñarás un generador de música automático que puede componer piezas musicales cortas con una mínima intervención humana. Utilizará algoritmos de aprendizaje profundo y redes LTSM para construir este generador de música.
35. Sistema de predicción de enfermedades
Este proyecto ML está diseñado para predecir enfermedades. Creará este modelo utilizando R and R Studio y el conjunto de datos de diagnóstico de cáncer de mama de Wisconsin . Este conjunto de datos incluye dos clases de predictores: masa mamaria benigna y maligna. Es fundamental tener un conocimiento básico de bosques aleatorios y XGBoost para trabajar en este proyecto.
36. Encontrar un exoplaneta habitable
En la última década, hemos tenido éxito en la identificación de muchos planetas en tránsito y exoplanetas. Dado que la interpretación manual de exoplanetas potenciales es bastante desafiante y requiere mucho tiempo (sin olvidar que también está sujeta a errores humanos), es mejor utilizar Deep Learning para identificar exoplanetas. Este proyecto tiene como objetivo averiguar si hay exoplanetas habitables a nuestro alrededor utilizando CNN y datos ruidosos de series de tiempo. Este método puede identificar exoplanetas habitables con más precisión que el método de mínimos cuadrados.
37. Regeneración de imagen para carretes viejos y dañados
Restaurar rollos de imágenes viejos o dañados es una tarea desafiante. Casi siempre es imposible restaurar fotos antiguas a su estado original. Sin embargo, el Deep Learning puede resolver este problema. Construirá un modelo de aprendizaje profundo que puede identificar los defectos en una imagen (marcas, agujeros, pliegues, decoloración, etc.) y usará algoritmos de Inpainting para restaurarla. Incluso puede colorear imágenes antiguas en blanco y negro.
Proyectos de la industria del mundo real
Magenta
Este proyecto de investigación se centra en explorar las aplicaciones del Machine Learning en el proceso de creación de arte y música. Desarrollará algoritmos únicos de aprendizaje por refuerzo y Deep Learning que pueden generar imágenes, canciones, música y mucho más. Es el proyecto perfecto para mentes creativas apasionadas por el arte y la música.
BluEx
BluEx es una de las empresas de logística líder en la India que ha desarrollado una gran base de seguidores, gracias a sus entregas oportunas y eficientes. Sin embargo, como ocurre con todos los proveedores de logística, BluEx se enfrenta a un desafío particular que cuesta tiempo y dinero: sus conductores no frecuentan las rutas de entrega óptimas, lo que causa retrasos y conduce a mayores costos de combustible. Creará un modelo de Machine Learning mediante el aprendizaje por refuerzo que puede encontrar la ruta más eficiente para una ubicación de entrega en particular. Esto puede ahorrar hasta un 15% del costo de combustible para BluEx.
Estudios de movimiento
Motion Studios se jacta de ser la productora de radio más grande de Europa con ingresos que superan los mil millones de dólares. Desde que la compañía de medios lanzó su reality show, RJ Star, han recibido una respuesta fenomenal y están inundados de clips de voz. Al ser un reality show, hay una ventana de tiempo limitada para elegir candidatos. Construirá un modelo que pueda diferenciar entre voces masculinas y femeninas y clasificar clips de voz para facilitar una filtración más rápida. Esto ayudará a una selección más rápida, facilitando la tarea de los ejecutivos del espectáculo.
LithionPower
Lithionpower fabrica baterías para vehículos eléctricos. Por lo general, los conductores alquilan las baterías de la empresa por un día y las reemplazan por una batería cargada. La duración de la batería depende de factores como la distancia recorrida / día, exceso de velocidad, etc. LithionPower emplea un modelo de precio variable basado en el historial de conducción del conductor. El objetivo de este proyecto es crear un modelo de clúster que agrupe a los conductores de acuerdo con su historial de conducción e incentive a los conductores en función de esos clústeres. Si bien esto aumentará las ganancias en un 15-20%, también cobrará más a los conductores que tengan un historial de conducción deficiente.
Conclusión
Aquí hay una lista completa de ideas de proyectos de Machine Learning. El ML aún se encuentra en una etapa temprana en todo el mundo. Hay muchos proyectos por hacer y mucho por mejorar. Con mentes inteligentes e ideas agudas, los sistemas con soporte empresarial se vuelven mejores, más rápidos y rentables. Si desea sobresalir en el Machine Learning , debe adquirir experiencia práctica con dichos proyectos de ML.
Solo trabajando con herramientas de ML y algoritmos de ML puede comprender cómo funcionan en realidad las infraestructuras de ML. ¡Ahora continúe y ponga a prueba todo el conocimiento que ha reunido a través de nuestra guía de ideas de proyectos de Machine Learning para crear sus propios proyectos de ML!
