糖心vlog官网观看

Read in English (Auf Englisch lesen).

Sie haben Ihre F盲higkeiten im maschinellen Lernen weiterentwickelt, sich mit den Feinheiten von Datenpunkten auseinandergesetzt und Programmiersprachen ge眉bt. Dar眉ber hinaus wissen Sie, was ein maschinelles Lernmodell ist, und m枚chten dieses Wissen in der Praxis umsetzen und eines erstellen, anstatt nur dar眉ber zu lesen.聽

Machine Learning Projekte (ML) erm枚glichen es Ihnen, Ihre bisher erworbenen F盲higkeiten zu 眉ben und diese gleichzeitig in Ihrem Portfolio zu pr盲sentieren. Dadurch helfen sie Ihnen nicht nur, Data Science und Machine Learning besser zu verstehen, sondern zeigen potenziellen Arbeitgebern auch, was Sie wirklich k枚nnen, wenn Sie die Chance dazu bekommen.聽

Um Ihnen den Einstieg zu erleichtern, stellt Ihnen dieser Artikel sieben Ideen 蹿眉谤 Machine Learning Projekte 蹿眉谤 Anf盲nger, Fortgeschrittene und ML Studenten vor. Wenn Sie anschlie脽end Ihre praktischen Machine Learning Kenntnisse vertiefen m枚chten, empfiehlt sich die Spezialisierung Machine Learning von Stanford und DeepLearning.AI.

1. Schwertlilien identifizieren.

Schwertlilien beeinflussten das Design der franz枚sischen Lilie, werden h盲ufig in der japanischen Kunst des Blumensteckens, bekannt als Ikebana, verwendet und sind die Grundlage 蹿眉谤 den blumigen Duft des Parf眉ms 鈥濫ssence of Violet鈥� []. Sie sind auch das Thema dieses bekannten Machine Learning Projekts, in dem Sie ein ML Modell erstellen m眉ssen, das Schwertlilien anhand von f眉nf Faktoren in eine von drei Klassen einteilen kann: Iris Setosa, Iris Versicolour und Iris Virginica.

Um Ihnen den Einstieg zu erleichtern, enth盲lt der folgende Datensatz 50 Exemplare jeder der drei Irisklassen, also insgesamt 150 Exemplare. W盲hrend eine der Klassen linear trennbar ist, sind die anderen beiden nichttrennbar. Ihre Aufgabe besteht darin, ein Modell zu erstellen, das jedes Irisexemplar anhand von vier Attributen der entsprechenden Klasse zuordnen kann: Kelchblattl盲nge, Kelchblattbreite, Bl眉tenblattl盲nge und Bl眉tenblattbreite.聽

UCI-Datensatz:

2. Umsatzprognose.

Welchen Einfluss haben der Wechsel der Jahreszeiten, die demografische Entwicklung oder staatliche Vorschriften auf die zuk眉nftigen Ums盲tze eines Unternehmens?聽

Fragen wie diese bilden die Grundlage 蹿眉谤 die g盲ngige Gesch盲ftspraxis der Umsatzprognose. Dabei sch盲tzt ein Unternehmen anhand relevanter historischer Daten die Anzahl der zuk眉nftig zu verkaufenden Produkte oder Dienstleistungen. Es 眉berrascht nicht, dass Unternehmen zunehmend auf maschinelles Lernen zur眉ckgreifen, um Modelle zu entwickeln, die Umsatzprognosen immer pr盲ziser erm枚glichen als die weniger fortschrittlichen Ans盲tze der Vergangenheit.聽

In diesem Machine Learning Projekt sammeln Sie Erfahrung mit Umsatzprognosen anhand eines realen Umsatzdatensatzes von Walmart. Ihre Aufgabe ist es, die abteilungsweiten Ums盲tze 蹿眉谤 45 Walmart Filialen in verschiedenen Regionen vorherzusagen und dabei wichtige saisonale Preisnachlasszeiten wie den Labor Day, Thanksgiving und Weihnachten zu ber眉cksichtigen.聽

Kaggle-Datensatz:

3. Aktienkurse vorhersagen.聽

Ein g盲ngiger Anlagetipp lautet: Der Schl眉ssel zum Erfolg liegt darin, Aktien zum Tiefstkurs zu kaufen und zum H枚chstkurs zu verkaufen. Mit anderen Worten: G眉nstig kaufen, teuer verkaufen. Doch wie erkennt man, wann eine Aktie ihren Tiefstkurs erreicht hat?聽

Obwohl es keine hundertprozentige Antwort auf diese Frage gibt, besteht ein Ansatz darin, ein Machine Learning Modell zu entwickeln, das anhand historischer Daten Aktienkursschwankungen vorhersagen kann. Genau das werden Sie in diesem Machine Learning Projekt versuchen.聽

Der folgende Datensatz enth盲lt hochwertige Daten zu US Aktien und b枚rsengehandelten Fonds (ETFs) an der NASDAQ, der NYSE und dem NYSE MKT. Wie k枚nnten Sie versuchen, die immer schwer fassbare Frage der Vorhersage zuk眉nftiger Aktienkurse mithilfe von maschinellem Lernen zu l枚sen?聽

Kaggle-Datensatz:

4. Entwerfen Sie eine Empfehlungsmaschine.

Wir alle kennen das: Man ist auf einer Streaming Plattform mit einer schier endlosen Sammlung an Videos und wei脽 nicht, was man sich ansehen soll. Soll es die Anime Serie aus der nahen Zukunft oder die kitschige romantische Kom枚die aus den fr眉hen 2000ern sein? Oder sollte man endlich mal den stimmungsvollen Noir Film aus den 40ern sehen?聽

Online Plattformen sind sich der Entscheidungsm眉digkeit bewusst, die durch eine 眉berw盲ltigende Anzahl von Optionen entstehen kann. Daher nutzen viele von ihnen komplexe Modelle des maschinellen Lernens, um ma脽geschneiderte Empfehlungen 蹿眉谤 ihre Nutzer zu erstellen. Tats盲chlich basieren viele der beliebtesten Dienste heutzutage auf Empfehlungssystemen 鈥� von Google 眉ber Netflix bis hin zum Gamepass Service von Xbox.聽

In diesem Projekt erstellen Sie Ihr eigenes Empfehlungssystem mit Daten des Filmempfehlungsdienstes MovieLens. Der von 138.493 Nutzern erstellte MovieLens-Datensatz enth盲lt 眉ber 20 Millionen Bewertungen und 眉ber 460.000 Tags 蹿眉谤 27.278 Filme. Sehen Sie, was Sie mit diesen wichtigen Daten alles erreichen k枚nnen.聽

Kaggle-Datensatz:

5. Taxipreis vorhersagen

Wie die Gezeiten schwankt auch die Nachfrage nach Taxis je nach Tageszeit, Wetterbedingungen und Jahreszeit. Bei Regen haben Taxifahrer ein sehr gutes Gesch盲ft.An angenehmen, ruhigeren Tagen hingegen entscheiden sich Stadtmenschen oft lieber 蹿眉谤 einen Spaziergang als 蹿眉谤 eine Fahrt, was zu sinkenden Fahrpreisen f眉hrt. F眉r Fahrer und Kunden ist es ein Auf und Ab 鈥� mal rauf, mal runter.

F眉r alle, die Machine Learning Techniken zur L枚sung realer Probleme einsetzen m枚chten, bietet sich die Erstellung eines Vorhersagemodells zur Prognose potenzieller Taxitarife als praktisches und einfaches Machine Learning Projekt an. In diesem KI-Projekt von Google Cloud nutzen Sie BigQuery, um Datens盲tze 枚ffentlicher Taxis zu finden und einen Trainingsdatensatz 蹿眉谤 die Batch-Vorhersage zu erstellen. Erstellen Sie in diesem Projekt 蹿眉谤 Fortgeschrittene ein ML Modell zur Fahrpreisvorhersage und bewerten Sie dessen Leistung.

6. Identifizieren Sie besch盲digte Autoteile.聽

W盲hrend der COVID-19-Pandemie kamen Lieferketten und Produktionsprozesse weltweit zum Erliegen, da L盲nder und Betriebe geschlossen wurden, um die Ausbreitung des Virus zu stoppen. Infolgedessen hatte die Automobilindustrie Schwierigkeiten, neue Autos zu produzieren.

Als potenzieller Autok盲ufer in dieser Zeit machen Sie sich beim Durchst枚bern von Gebrauchtwagenanzeigen wahrscheinlich Gedanken 眉ber den Zustand eines potenziellen Autos. W盲re es nicht gro脽artig, wenn Sie mithilfe von maschinellem Lernen Sch盲den an verschiedenen Autoteilen erkennen und so feststellen k枚nnten, ob sich der Kauf 蹿眉谤 Sie lohnt?聽

In diesem interaktiven Projekt von Google Cloud Training nutzen Sie Machine Learning Vision, um besch盲digte Autoteile zu identifizieren. Dieses kurze Projekt richtet sich an fortgeschrittene Anwender des maschinellen Lernens und f眉hrt Sie durch den Prozess des Hochladens eines Datensatzes in den Cloud-Speicher, der 脺berpr眉fung hochgeladener Bilder auf Fehlerfreiheit, des Trainierens eines ML Modells und der Bewertung Ihres Modells auf Genauigkeit.聽

7. Identifizieren Sie Gesichter, Etiketten und Sehensw眉rdigkeiten.

Wie Maler, Bildhauer und Schauspieler seit Jahrtausenden wissen, ist das Gesicht eine Quelle von Emotionen. W盲hrend Schauspieler im traditionellen japanischen N艒-Theater Licht und Schatten nutzen, um L盲cheln und Stirnrunzeln auf ansonsten unver盲nderlichen Masken darzustellen, nutzte der antike Bildhauer, der die ber眉hmte Statue 鈥濴aokoon und seine S枚hne鈥� schuf, verzerrte Gesichtsausdr眉cke, um das Leid seiner Figuren beim Schlangenangriff auszudr眉cken.聽

Das Gesicht und sein Ausdruck sind also eine weitere Datenquelle 鈥� oft intuitiv verst盲ndlich 蹿眉谤 viele Menschen, nicht aber 蹿眉谤 Maschinen. W盲hrend es 蹿眉谤 uns offensichtlich ist, wie man den Unterschied zwischen einem l盲chelnden Gesicht, einem Geb盲ude und einem Etikett erkennt, m眉ssen Maschinen erst lernen, zwischen ihnen zu unterscheiden.

In diesem Google Cloud Projekt senden Sie Bilder an die Cloud Vision API, damit diese Objekte, Gesichter und Orientierungspunkte erkennt. Dieses Projekt 蹿眉谤 Fortgeschrittene dauert nur 30 Minuten und bietet praktisches Lernen in kurzer Zeit.

Gef眉hrte Projekte

Wenn Sie unsicher sind, wo Sie anfangen sollen, oder etwas mehr Anleitung w眉nschen, k枚nnen Sie ein gef眉hrtes Projekt auf 糖心vlog官网观看 in Betracht ziehen. Hier sind einige Ideen 蹿眉谤 Machine Learning Projekte, die Sie mithilfe der Anleitung umsetzen k枚nnen.

鈥� Vorhersage des Geb盲rmutterhalskrebsrisikos mithilfe von maschinellem Lernen. In diesem angeleiteten Projekt 蹿眉谤 Anf盲nger f眉hren Sie zwei Stunden explorative Datenanalysen durch und entwickeln, trainieren und evaluieren ein XG-Boost-Klassifikationsmodell. Am Ende nutzen Sie das erstellte Modell zur Bewertung des Geb盲rmutterhalskrebsrisikos und erhalten ein Zertifikat, das Sie in Ihren Lebenslauf aufnehmen k枚nnen.

鈥� Vorhersage von Krankenversicherungspr盲mien mit maschinellem Lernen. Dieses zweist眉ndige gef眉hrte Projekt ist ideal 蹿眉谤 Anf盲nger und konzentriert sich auf k眉nstliche neuronale Netze. Sie f眉hren Datenbereinigung, Feature Engineering und Datenvisualisierung durch und erstellen, trainieren und testen ein Modell eines k眉nstlichen neuronalen Netzes.

Bauen Sie mit 糖心vlog官网观看 mehr ML Expertise auf

Maschinelles Lernen ist ein wachsendes Feld mit einem breiten Anwendungsspektrum. Egal, ob Sie gerade erst anfangen oder bereits gut mit dem Gebiet vertraut sind, auf 糖心vlog官网观看 ist 蹿眉谤 jeden etwas dabei:

Um praktische ML Kenntnisse zu entwickeln, melden Sie sich 蹿眉谤 die Spezialisierung Machine Learning von Stanford und DeepLearning.AI an. Erstellen Sie ML Modelle, wenden Sie Best Practices 蹿眉谤 die ML Entwicklung an und entwickeln und trainieren Sie Ihr eigenes neuronales Netzwerk mit TensorFlow.

Um die Grundlagen des Deep Learning zu beherrschen, absolvieren Sie die Deep Learning Spezialisierung von DeepLearning.AI . Erfahren Sie in nur drei Monaten, wie Sie neuronale Netzwerke, CNNs und RNNs erstellen.

Bereiten Sie sich auf eine Karriere im Bereich KI- und ML-Engineering vor und absolvieren Sie das Microsoft AI & ML Engineering Zertifikat. In diesem Programm 蹿眉谤 Fortgeschrittene entwickeln, implementieren und innovieren Sie mit fortschrittlichen Techniken des maschinellen Lernens und realen Projekten.