¿Cuáles son algunos proyectos de aprendizaje automático realmente interesantes para principiantes?

Answer 1

No estoy seguro de que esto se incluya en los “proyectos para principiantes” de aprendizaje automático, pero recuerdo haber realizado algunos laboratorios en un curso de inteligencia artificial que tomé en la universidad y tuvimos algunas tareas que podrían resultarle útiles. No puedo decir que fuera muy bueno con ellos, pero me pareció interesante.

Algunas áreas a considerar:

• Construye tu propia red neuronal y pruébala en algo como el reconocimiento de escritura a mano o el reconocimiento de voz (esta es una guía muy sencilla para principiantes de la teoría;

y esta es una guía muy detallada para codificar tu propia red neuronal en C #

• Usar algoritmos genéticos para resolver cosas como 3SAT y el problema Knapsack. Puede leer este documento para conocer algunas intuiciones sobre el problema de la mochila y para una introducción ligera a los algoritmos genéticos. http://www.micsymposium.org/mics…
• Aplicando el algoritmo Viterbi para construir una herramienta para dividir cadenas chinas en palabras. En realidad, este es un problema bastante difícil: a diferencia del inglés, donde hay espacios para separar palabras, no hay espacios en chino, y lo que la gente considera que comprende “unidades de palabras” varía debido a cuestiones como ambigüedad, contracciones, términos especializados, etc. Probablemente no sea la aplicación más sencilla del algoritmo, pero fue interesante a pesar de todo. Puede leer el ejemplo en Wikipedia para obtener más información: algoritmo de Viterbi – Wikipedia
• Utilizando CLIPS para construir un sistema experto. El ejemplo que nos mostraron en clase fue un programa que podría predecir qué animal crees basado en una serie de preguntas que hace y tus respuestas a ellos. Un sistema experto generalmente trata de emular la forma en que los expertos humanos toman decisiones, basándose en una base de conocimiento (hechos y reglas básicas conocidas por el sistema) y un motor de inferencia (donde el sistema deduce nuevos hechos). Fue una aplicación bastante interesante. Puede descargar CLIPS aquí: una herramienta para crear sistemas expertos, pero sugeriría consultar la Guía del usuario y la guía de programación básica aquí Documentación | CLIPS primero para ganar más intuición en cuanto a lo que es.

Esto es solo algunas de las cosas que cubrimos en clase, espero que esto sea un punto de partida para usted en el aprendizaje automático.

Answer 2

La mejor manera de aprender algo es implementando cosas. Es realmente la gran manera de aprender ML haciendo algunos proyectos. Aquí, ya tenemos excelentes respuestas, pero permítanme agregar algunos puntos.

Hay varias bibliotecas de Aprendizaje automático / Aprendizaje profundo disponibles, como scikit-learn: aprendizaje automático en Python, una biblioteca de software de código abierto para inteligencia de máquinas, documentación de bienvenida – Theano 0.8.2. Pero recomiendo implementar algoritmos sin usar ninguna biblioteca mientras estás en la fase de aprendizaje para que entiendas lo que sucede en cada línea de código.

Aquí hay algunos recursos, revísalo. La lectura / comprensión de diferentes proyectos podría darle una nueva idea de proyecto.

1. Proyectos estudiantiles
2. 10-701 Machine Learning :: Proyectos [ML]
3. Proyectos finales de aprendizaje automático CS 229, otoño de 2015 [ML]
4. CS224d: Aprendizaje profundo para procesamiento de lenguaje natural [DL para NLP]
5. Curso de Proyectos de Invierno 2016 [DL para Visión por Computadora]
6. Proyectos finales de CS224N / Ling284 [DL para NLP]

La belleza de Machine Learning es que, si tienes suficientes datos, puedes jugar con ellos. Puedes construir grandes cosas usando datos. Busque diferentes conjuntos de datos. Al analizar los conjuntos de datos, obtendrá una idea sobre qué puedo hacer con esto.

Conjuntos de datos :

• Conjuntos de datos • / r / conjuntos de datos
• Conjuntos de datos | Kaggle
• https://archive.ics.uci.edu/ml/d…
• Conjuntos de datos para minería de datos y ciencia de datos
• listado de directorios de stackexchange
• Algunos de los conjuntos de datos más utilizados son: conjuntos de datos ImageNet, CIFAR-10 y CIFAR-100, Objetos comunes en contexto, bAbI, Atributos CelebFaces a gran escala (CelebA), Conjunto de datos manuscritos MNIST, Yann LeCun, Corinna Cortes y Chris Burges, Treebank -3 – Consorcio de datos lingüísticos, investigación DeepMind – Cinética | DeepMind, rkadlec / ubuntu-ranking-dataset-creator.
• Para más, Google

¡¡Los mejores deseos!!

Answer 3

Bueno, Scikit-learn (scikit-learn: aprendizaje automático en Python) es un excelente lugar para que los programadores de Python comiencen

Estaba buscando en Google y encontré estos 4 proyectos de autoaprendizaje de aprendizaje automático: dominio del aprendizaje automático.

Para los principiantes, creo que deberías comenzar con PNL y aprendizaje automático (Natural Language Toolkit) y scikit-learn: aprendizaje automático en Python.

Me gusta :

detección de spam

Detección de fraude de tarjeta de crédito

Reconocimiento de voz

Máquina traductora

Descubrimiento del conocimiento en textos.

sistema de recomendación

Y tal vez usted sepa la exageración de chatbot , este es uno de los mejores comienzos en el aprendizaje automático y la PNL ( UI de conversación inteligente): respuesta a preguntas

Y para ejemplos simples de Aprendizaje Automático puedes comenzar con

• Detección de rostro
• Detección de forma
• DigitRecognition
• sistema de recomendación

Tipos de problemas de aprendizaje automático

• Clasificación : los datos están etiquetados, lo que significa que se les asigna una clase, por ejemplo, spam / no spam o fraude / no fraude. La decisión que se está modelando es asignar etiquetas a nuevos datos sin etiquetar. Esto puede pensarse como un problema de discriminación, modelando las diferencias o similitudes entre los grupos.
• Regresión : los datos se etiquetan con un valor real (piense en coma flotante) en lugar de una etiqueta. Los ejemplos que son fáciles de entender son los datos de series de tiempo, como el precio de una acción a lo largo del tiempo. La decisión que se está modelando es qué valor predecir para nuevos datos impredecibles.
• Agrupamiento : los datos no están etiquetados, pero se pueden dividir en grupos según la similitud y otras medidas de estructura natural en los datos. Un ejemplo de la lista anterior sería organizar imágenes por caras sin nombres, donde el usuario humano tiene que asignar nombres a grupos, como iPhoto en la Mac.
• Extracción de reglas : los datos se utilizan como base para la extracción de reglas proposicionales (antecedente / consecuente, también conocido como if-then ). Dichas reglas pueden, pero generalmente no están dirigidas, lo que significa que los métodos descubren relaciones estadísticamente compatibles entre los atributos en los datos, que no necesariamente involucran algo que se está pronosticando. Un ejemplo es el descubrimiento de la relación entre la compra de cerveza y los pañales (esto es ley de extracción de datos, verdad o no, es ilustrativo del deseo y la oportunidad).

Y para los datos

Conjuntos de datos | Kaggle

Repositorio de aprendizaje automático de la UCI: conjuntos de datos

Conjuntos de datos para minería de datos y ciencia de datos

Answer 4

La mejor manera de aprender es implementarlo usted mismo. Cuando lees un tema en un libro de Aprendizaje automático, es muy fácil caer en la trampa de pensar que lo tienes. Pero si intenta volver a derivar la prueba a ese teorema trivial, o si implementa ese algoritmo simple, a menudo encontrará que no puede. Este proceso de ir y venir hasta que pueda llevarlo a una comprensión real. Así que mi sugerencia para un proyecto es: comience a escribir su propia pequeña biblioteca de Machine Learning. Alternativamente, puede revisar los documentos que le parezcan interesantes e intentar reproducir sus resultados.

Answer 5

Mucha gente ha dado algunas respuestas sorprendentes. El profesor Andrej Karpathy ha hablado correctamente sobre la importancia de implementar los conceptos básicos mientras aprende y trabaja en pruebas en lugar de una lectura pasiva. En mi propia experiencia, resolver problemas pequeños y luego pasar a los más grandes es la forma correcta de proceder en cualquier dominio. Durante la programación, primero aprende los conceptos básicos de las declaraciones de control y la sintaxis, antes de pasar a aprender sobre bases de datos y crear una aplicación web y móvil de pila completa.

De manera similar, si desea trabajar en un proyecto de aprendizaje automático realmente interesante y útil, primero debe crear una base sólida, conocer los diferentes componentes y su lugar en la imagen general, identificar un área problemática y luego comenzar a desarrollar una solución para ella. con tu conocimiento De esta manera, no solo resolverá un problema, sino que también aprenderá muchas cosas nuevas en el proceso.

Puede haber una variedad de formas para lograr esto y el Internet de hoy está lleno de recursos de lectura y video que pueden ayudarlo en su viaje. Personalmente, tuve que pasar por muchos de estos recursos y hacer muchas de mis propias investigaciones y proyectos antes de poder ser útil para cualquier persona en calidad profesional y digno de que me paguen por hacer mi trabajo. Hice un uso intensivo de muchos cursos MIT OCW, competiciones Kaggle, conferencias de Stanford y CMU en YouTube e investigación personal en mi viaje (todavía los analizo hoy).

Hace unos meses, me había encontrado con un gran conjunto de Nano-grados de Udacity que parecen haber sido meticulosamente diseñados y organizados. El gran aspecto que encontré sobre ellos fue que enumeran todos los requisitos previos para una experiencia inmersiva en lugar de simplemente apresurarse en los conceptos. Todos los requisitos previos pueden completarse a través de los cursos gratuitos de Udacity. Esto cuida con éxito una de las partes principales que faltan en una serie de otros recursos, donde simplemente asumen la competencia y no dicen cómo cumplirlos.

Es posible que esté especialmente interesado en el Nano grado de aprendizaje automático y el Nano grado de aprendizaje profundo.

Algunos de los proyectos interesantes que listan son:

Aprendizaje automático ND: entrene una cabina inteligente para conducir con el aprendizaje reforzado; Crear segmentos de clientes utilizando aprendizaje no supervisado; un proyecto final de su elección, etc.

Deep Learning ND: Genere guiones de TV utilizando redes neuronales recurrentes; Generar rostros con redes de publicidad generativas; Diseñe un agente de aprendizaje de refuerzo profundo para controlar varias tareas de vuelo de quadcopter, que incluyen despegue, vuelo y aterrizaje, etc.

El hecho de que algunos de los pioneros, académicos y expertos en este campo, como Sebastian Thrun, Ian Goodfellow, Andrew Trask, etc. estén involucrados en el diseño del curso hace que estos nano grados valgan la pena en mi opinión. El apoyo de mentores y compañeros, junto con una célula dedicada a la carrera, son ventajas adicionales.

Te deseo toda la suerte en tu viaje para convertirte en un experto.

Answer 6

Para los principiantes, los proyectos básicos estarían resolviendo problemas de predicción simples sin tener muchas peculiaridades en los datos o la solución.

(I) Puede aprovechar los conjuntos de datos básicos que la biblioteca scikit-learn ya proporciona. (Por ejemplo, Boston e Iris Dataset)

(II) También puede visitar el repositorio de aprendizaje automático de UCI: conjuntos de datos para resolver problemas, esto también aumentaría su curva de aprendizaje, ya que cuanto más tiempo dedique a jugar con los datos y al diseño de modelos, aprenderá más y más.

Para problemas de principiantes, use algunos filtros en estos conjuntos de datos, para simplificar su problema.
Tipo de datos – Univariado / Multivariado
Atributos – Menos de 10
Tipo de atributo – Numérico
Área : elija un área de su experiencia, porque a veces necesita tener una mejor comprensión del dominio para hacer mejores modelos.

(III) Aquí hay otros sitios que ofrecen conjuntos de datos gratis, también puede ver qué algoritmos funcionan mejor en estos conjuntos de datos y también la descripción de los datos.
MLcomp – Inicio
Página de Análisis de Imagen Mamográfica
autonweb: descargas: datasets.html []
Documentación

Answer 7

• ¿Cuáles son algunos problemas de juguetes buenos (se pueden hacer durante un fin de semana con un solo programador) en ciencia de datos? Estoy estudiando el aprendizaje automático y las estadísticas, y estoy buscando algo socialmente relevante utilizando conjuntos de datos / API disponibles públicamente.
• ¿Cuáles son algunos buenos proyectos de clase para el aprendizaje automático utilizando MapReduce? Debe: ser paralelo a ~ 3 personas, ~ 2–3 horas a la semana, tener un sub-resultado verificable (s).
• ¿Cómo aprendo el aprendizaje automático?
• ¿Cuáles son algunos recursos introductorios para aprender sobre el aprendizaje automático a gran escala? ¿Por qué?
• ¿Cuáles son algunos buenos métodos para el preprocesamiento de datos en el aprendizaje automático?
• ¿Dónde puedo encontrar grandes conjuntos de datos abiertos al público?

Algunos recursos de programación que te pueden resultar útiles:

• http://software-carpentry.org/
• http://cran.r-project.org/web/vi …
• ¿Cuáles son algunos consejos para ahorrar tiempo que todos los usuarios de Linux deben saber?
• ¿Cómo te conviertes en un ninja de línea de comando?
• ¿Cuáles son los recursos más fáciles de aprender para aprender sobre algoritmos?

• Awk: http://www.amazon.com/AWK-Progra…
• R: ¿Cuáles son las referencias esenciales para R?

• Python: ¿Cómo aprendo Python?
• Perl: ¿Cuál es la mejor manera de aprender Perl?
• Minería de datos con R: http://www.stat.cmu.edu/~cshaliz… , http://www.stat.cmu.edu/~cshaliz…
• Stanford CS Education Library: http://cslibrary.stanford.edu/
• Recetas Numéricas: http://www.nr.com/
• Ejercicios de juguete en ML: http://stackoverflow.com/questio …

Answer 8

Estoy trabajando en un proyecto de ML, en el que predigo el desempeño del Equipo de Cricket de la India en la Copa Mundial 2015.

Para esto, he estado rastreando datos de algunos de los mejores sitios de cricket como cricbuzz, cricinfo, etc. Luego, se analizan los datos y se toma el tipo de bateador, jugador de bolos, cancha, posición de bateo / bolos, lugar, oposición, etc. predictores

En este análisis, la mejor composición del equipo frente a una oposición, un lugar, las fortalezas y debilidades del equipo de oposición también se determina al seleccionar el mejor grupo de jugadores.
Ej .: Rohit y Dhawan serían el mejor par de apertura en sub-continente como lanzamientos, pero ¿serían tan efectivos si la oposición es Sri Lanka?

He escrito el raspador en Python y planeo usar redes neuronales de múltiples capas (o aprendizaje profundo) para el problema. Me encantaría tener colaboradores en este proyecto.

Answer 9

“Dime y me olvido. Enséñame y me acuerdo. Involucrarme y aprendo”

-Benjamin Franklin

En cualquier área de aprendizaje esto se aplica al cien por cien. Lo que es más importante en los proyectos de aprendizaje automático son los datos. Conseguir que los datos estén bien etiquetados para jugar es la receta más importante para cualquier proyecto de aprendizaje automático. El repositorio de aprendizaje automático de UCI es, con mucho, la biblioteca de conjuntos de datos mejor, exhaustiva y bien mantenida que he visto desde el principio. También puede echar un vistazo a los conjuntos de datos de Kaggle en los que, como parte de las competiciones y sus conjuntos de datos de colaboración, se siguen agregando.

Tienes los datasets listos. Excelente !!! Ahora que ???

Ahora necesitas:

1. Analice los datos: lea su descripción, atributos, lo que dice el conjunto de datos.

2. Identificar la clase que se va a predecir: cada conjunto de datos tiene una clase que se debe predecir o algunos grupos que deben crearse.

3.Identifique el tipo de aprendizaje: cada problema de acuerdo con el conjunto de datos tiene un tipo de aprendizaje. Si los datos consisten en etiquetas de clase que puede usar aprendizaje supervisado, pero las etiquetas de clase no están presentes, tiene que usar aprendizaje no supervisado o tal vez aprendizaje de refuerzo si está tratando con Agente del mundo real.

4. Distribución de los datos: cómo es la distribución de los datos. ¿Es una serie de tiempo o un conjunto de datos de valores? ¿Cuáles son los valores mínimos máximos, cuál es la varianza y la media?

5. Limpieza y reorganización de los datos: los datos pueden estar desordenados o pueden contener algunos atributos que son nulos, 0 o irrelevantes. Sin embargo, los conjuntos de datos de estos depósitos mantenidos generalmente están limpios, pero aún así es una habilidad para limpiar los datos y conservar lo que se requiere.

Y hay mucho más después de esto. Ahora, ¿cómo puedo saber dónde comenzar qué hacer y qué pasos seguir? ¿Hay algún paso predefinido a seguir?

A menudo me encuentro con personas que están atascadas con los datos y se rascan la cabeza qué hacer a continuación. Para comenzar a trabajar con el aprendizaje automático, debe comenzar con un pequeño conjunto de datos de exploración, aprender habilidades para explorar datos y luego pasar a los grandes que realmente hacen el truco.

Un enfoque de este tipo es seguido por el Nanodegree de aprendizaje automático de Udacity, donde en realidad comienza a trabajar en proyectos desde el primer día. Desde proyectos iniciales sencillos hasta un proyecto final único, un total de 6 proyectos más en el plazo. Allí obtendrá el código de inicio de Jupyter para comenzar rápidamente con Todas las explicaciones y guía paso a paso.

¡Así es como empecé! 🙂

Answer 10

Dado que el aprendizaje automático se implementa en gran medida junto con las tecnologías de Big Data como Haadoop y spark, estoy dando algunos casos de uso en el aprendizaje automático con Spark.

Enlace: Caso de uso de Spark SQL – 911 – Análisis de datos de números de la línea de ayuda de emergencia

Enlace: Análisis de datos de Pokémon utilizando Apache Hive

Enlace: Aprendizaje de máquina con chispa – Parte 1

Enlace: Aprendizaje de máquina con chispa – Parte 2

Enlace: Aprendizaje automático con chispa en el caso de uso del banco – Parte 3

Satyam Kumar | Desarrollador Hadoop en Acadgild

Answer 11

Antes de iniciar proyectos, le sugiero que primero implemente algunos algoritmos básicos de aprendizaje automático. Eso te dará 10.000 libras de intuición, que seguramente necesitarás cuando las cosas no vayan como esperas. Aquí hay algunos buenos:

1) k vecinos más cercanos con unas medidas de distancia diferentes. (Distancia euclidiana y L1.)

2) Análisis discriminante cuadrático: este es un nombre elegante para ajustar un gaussiano a cada clase. Vea qué hace la regularización de la matriz de covarianza con respecto a su precisión de clasificación cuando los datos de entrada son de alta dimensión (d> 25). (PS: Regularizar es simplemente agregar una matriz de identidad escalada a su estimación de máxima probabilidad).

3) Bayes ingenuo multinomial para datos categóricos.

4) Regresión de la cresta. Soluciones de forma cerrada! Esto es más fácil de hacer para problemas de 2 clases.

5) Un árbol de decisión. ¡Esto es relativamente avanzado! También, si logras hacer esto, intenta un bosque aleatorio. ooooo, elegante

6) Un SVM lineal. Esto es aún más avanzado. Es una especie de dolor de cabeza, así que no lo intentes sin un tutorial.

Answer 12

Entrenamiento de aprendizaje automático en Hyderabad:

El entrenamiento de aprendizaje automático en Hyderabad ha sido diseñado para impartir un conocimiento profundo de las diversas técnicas de aprendizaje automático que se pueden realizar utilizando R y cubre una comprensión profunda del lenguaje R. El curso está repleto de proyectos de la vida real, estudios de caso e incluye R Cloud Labs para la práctica y también dominarás los conceptos como agrupamiento, regresión, clasificación y predicción.

El alcance del entrenamiento de Data Science en Hyderabad:

La capacitación en aprendizaje automático en Hyderabad, que proporciona una ruta analítica, sería una opción optimista para quienes se inscriban en este curso.

• En este mundo empresarial y de programación, siempre que haya datos, se necesitará un ingeniero de Aprendizaje automático.
• Este curso de aprendizaje automático en Hyderabad hará que los solicitantes sean científicos preparados para la industria, que puedan almacenar datos relevantes y comunicar claramente los resultados analíticos.
• Se espera que el tamaño del mercado del programa de aprendizaje automático aumente más en 2020.
• En la India ahora hay grandes oportunidades de trabajo para los ingenieros de aprendizaje automático en muchos MNC, ya que hay una falta de expertos en aprendizaje automático.

Objetivos de la Capacitación de Aprendizaje Automático:

Este curso de aprendizaje automático en Hyderabad te permitirá:

• Obtenga una comprensión básica de análisis de negocios
• Instale R, R-studio, y la configuración del espacio de trabajo.
• Comprender varias declaraciones que se ejecutan en R
• Obtenga una comprensión profunda de la administración de la ciencia de datos y aprenda cómo importar / exportar datos en R
• Comprender y usar los diferentes gráficos en la visualización de datos R

La demanda de la formación de aprendizaje automático en Hyderabad:

Existe una gran demanda de todos los científicos expertos en datos o ingenieros de aprendizaje automático y desarrolladores en todas las industrias, lo que hace que este curso sea beneficiado para los aspirantes en todos los niveles de experiencia. Por eso recomendamos este Aprendizaje automático en Hyderabad , especialmente para los siguientes profesionales:

• Los profesionales de TI y los desarrolladores de software que están buscando una carrera pueden cambiar a Data Science y análisis.
• Profesionales que trabajan con datos y análisis de negocios.
• Los graduados que buscan construir una carrera en análisis y ciencia de datos.
• Cualquier persona con un interés genuino en el campo del aprendizaje automático de la ciencia de datos.

¿Quién puede tomar este curso?

Existe una gran y creciente demanda de expertos cualificados de ingenieros de aprendizaje automático en todas las grandes industrias. Por eso recomendamos este curso para los siguientes profesionales:

• Desarrolladores
• Gerentes analíticos
• Analistas de negocios
• Arquitectos de TI
• Arquitectos de la informacion
• Recién llegados y graduados

Institutos de formación de aprendizaje automático en Hyderabad:

En Hyderabad, el entrenamiento de Analytics Path Machine Learning se centra especialmente en aquellos aspirantes que realmente sienten pasión por los MNC como ingenieros de aprendizaje automático, luego Analytics Path sería la gran plataforma para mejorar el crecimiento profesional en el campo de las herramientas y técnicas de aprendizaje automático.

Haga clic aquí para inscribirse ahora

Answer 13

100 ideas de proyectos de aprendizaje a máquina para estudiantes de último año. Apreciará el aprendizaje, permanecerá estimulado y ganará terreno más rápido.

Estos proyectos le permiten mejorar sus habilidades de ML conectadas rápidamente, mientras que le permiten investigar un punto interesante.

Si usted es un principiante de aprendizaje automático y desea comenzar a trabajar en Proyectos de Aprendizaje Automático, le sugeriría que lo vea aquí .

Debajo están

Lista de proyectos finales de aprendizaje a máquina de más de 100 años. Ideas o sugerencias para estudiantes de último año.

puede completar cualquiera de ellos o ampliarlos a proyectos más largos si los disfruta.

Reconstrucción no lineal de redes genéticas implicadas en la AML. Aaron Goebel, Mihir Mongia . [pdf]

Can Machines Learn Genres.Aaron Kravitz, Eliza Lupone, Ryan Diaz. [pdf]

Identificando el género a partir de las características faciales .Abhimanyu Bannerjee, Asha Chigurupati . [pdf]

Ecuación a LaTeX.Abhinav Rastogi, Sevy Harris. [pdf]

Predicción de intensidad utilizando DYFI.Abhineet Gupta. [pdf]

Inteligencia Artificial en la Frontera Final – Usando el Aprendizaje Automático para Encontrar Nuevas Tierras. Abraham Botros. [pdf]

Expectativa de vida después de la cirugía torácica. Adam Abdulhamid, Ivaylo Bahtchevanov, Peng Jia. [pdf]

Entendiendo el caos, el aprendizaje automático y la locura de marzo. Adam Ginzberg, Alex Tran. [pdf]

Mejores niveles de lectura a través del aprendizaje automático .AdamGall. [pdf]

Qué dicen las personas sobre la neutralidad de la red .Adison Wongkar, Christoph Wertz. [Pdf]

Identificación de especies de aves a partir de una imagen .Aditya Bhandari, Ameya Joshi, Rohit Patki. [pdf]

Manténgase alerta.Aditya Sarkar, Quentin Perrot, Julien Kawawa. [pdf]

Una extensión de bigrama para la representación de vectores de palabras. Adrian Sanborn, Jacek Skryzalin. [pdf]

Mining for Confusion – Clasificando el Afecto en los Mensajes del Foro de Discusión de los Aprendices de MOOC .Akshay Agrawal, Shane Leonard. [pdf]

Pacientes con arritmias cardíacas. AlGharbi Fatema, Fazel Azar, Haider Batool. [pdf]

Predicción de la polaridad promedio y percibida en el periodismo en línea. Albert Chu, Kensen Shi, Catherine Wong. [pdf]

Detección de disritmias cardíacas con redes neuronales aceleradas por GPU . Albert Haque. [pdf]

Nicolas Sanchez Ruck esas estadísticas! .Alejandro Sanchez. [ Pdf]

Clasificación de la gente de Wikipedia en ocupaciones.Aleksandar Gabrovski. [pdf]

Clasificación de la contaminación del suelo .Aleo Mok. [Pdf]

Clasificación de ensayos automatizada .Alex Adamson, Andrew Lamb, Ralph Ma. [Pdf]

Predicción relativa y de rentabilidad absoluta mediante aprendizaje supervisado .Alex Alifimoff, Axel Sly. [Pdf]

Predicción de ataques a partir de grabaciones de EEG intracraneal .Alex Fu, Spencer Gibbs, Yuqi Liu. [Pdf]

Predicción del inicio de convulsiones con datos de electroencefalograma intracraneal (EEG) .Alex Greaves, Arushi Raghuvanshi, Kai-Yuan Neo. [Pdf]

Clasificación de documentos legales complejos .Alex Ratner. [Pdf]

Aprendizaje automático aplicado a la detección de vasos sanguíneos de la retina .Alex Yee. [Pdf]

Predicción de resultados de supervivencia para pacientes con cáncer. Alexander Herrmann. [Pdf]

Prediciendo fallas de enlace celular para mejorar la experiencia del usuario en teléfonos inteligentes .Alexander Tom, Srini Vasudevan. [Pdf]

Yelp Opiniones personalizadas .Alexis Weill, Thomas Palomares, Arnaud Guille. [Pdf]

KMeansSL .Alfred Xue, Colin Wei. [Pdf]

Fuerza en números_ Modelando el impacto de las empresas entre sí. Amir Sadeghian, Hakan Inan, Andres Noetzli. [Pdf]

Vea para otros detalles aquí

Answer 14

appliedaicourse.com es un curso en línea dirigido a estudiantes universitarios (BTech / BS) o graduados (MS / MTech / MCA) que desean realizar un proyecto de AI / ML para su proyecto de último año o curso-proyecto.

En este curso, brindan más de 70 horas de contenido de video que cubre todos los aspectos básicos, la programación (Python) y las técnicas necesarias para hacer bien su proyecto.

Todos los proyectos se resuelven a un nivel de rigor y profundidad que normalmente se espera de los pasantes de nivel 1, empresas basadas en productos como Amazon, Google o Facebook.

Para los estudiantes participantes, brindan servicio al cliente para atender cualquiera de sus preguntas / consultas. También otorgan una certificación de finalización del proyecto para los estudiantes registrados que completen el proyecto con éxito.

Algunos de los proyectos son:

1. https://www.appliedaicourse.com/…
2. https://www.appliedaicourse.com/…
3. https://www.appliedaicourse.com/…
4. https://www.appliedaicourse.com/…
5. https://www.appliedaicourse.com/…
6. https://www.appliedaicourse.com/…
7. https://www.appliedaicourse.com/…
8. https://www.appliedaicourse.com/…
9. https://www.appliedaicourse.com/…
10. https://www.appliedaicourse.com/…
11. https://www.appliedaicourse.com/…

Answer 15

Si usted es un principiante de aprendizaje automático y busca comenzar a trabajar en Proyectos de Aprendizaje Automático, le sugiero que primero realice experimentos de inteligencia artificial de Google, que no debe perderse.

Google lanza experimentos de inteligencia artificial para presentar proyectos de aprendizaje automático

Google informó otro sitio llamado AI Experiments que funcionará de manera correspondiente a cómo funciona el sitio de Android Experiments. En este sentido, en el caso de que haya necesitado en algún momento un reto en el proceso de la máquina, puede echar un vistazo a proyectos singulares y ver cómo utilizan la tecnología. Desde ahora tienen varios proyectos hasta el momento presente que muestran cosas como visualizar sonidos de aves , un juego que permitirá a la computadora pensar en lo que estás dibujando, una aplicación que toma las cosas que ve y las transforma en letras de una melodía. Y el cielo es el límite desde allí.

Cada uno de estos proyectos tiene un video para mostrarle una demostración de lo que hace. En ese punto, en la parte superior de ese punto hay una trampa para impulsar el examen junto con una captura que te lleva a la página de GitHub. Por lo tanto, puede obtener este código de fuente abierta y comenzar a analizar cómo lo lograron estos ingenieros. Entonces podrá percibir qué recursos utilizaron y comenzar a implementar esta tecnología en un proyecto propio.

Es un momento extremadamente energizante y el mejor momento para ser ingeniero hoy en día y estamos viendo esta innovación de aprendizaje automático utilizada como parte de una amplia gama de regiones como el idioma, la música, la naturaleza y más. Google está encontrando más formas de utilizar la inteligencia artificial y las redes neuronales para mejorar sus servicios, y solo será más impresionante a medida que pase el tiempo.

AI Tests es una tribuna para pruebas básicas que hacen que sea menos exigente para cualquiera que comience a investigar el aprendizaje automático, a través de imágenes, dibujos, lenguaje, música y más.

Consulte aquí 40 proyectos divertidos de aprendizaje a máquina para principiantes en aprendizaje automático.

Cuando termine, puede echar un vistazo a los 35 principales proyectos de aprendizaje automático en Github para obtener más inspiración.

Answer 16

Aquí hay algunos proyectos interesantes sobre ML, implementados como estrategias comerciales en operaciones algorítmicas:

https://www.quantinsti.com/blog/ …

https://www.quantinsti.com/blog/ …

https://www.quantinsti.com/blog/ …

https://www.quantinsti.com/blog/ …

https://www.quantinsti.com/blog/ …

Recursos gratuitos para aprender el aprendizaje automático para el comercio

Answer 17

Consultar Neuroevolución de topologías aumentadas. Hay ejemplos escritos en muchos idiomas diferentes en la página de inicio de Ken.

Ken Stanley hizo un avance revolucionario en la IA: encontró una forma de utilizar algoritmos evolutivos para construir redes neuronales. Vale la pena leer su página por qué fue difícil y cómo resolvió el problema.

Las redes neuronales producidas por el sistema de Ken son bastante extraordinarias. A diferencia de los sistemas de topología fija, que tienen capacidades de resolución de problemas muy limitadas, las redes NEAT rara vez pasan por alto: tienen una capacidad casi única para palpar el problema, agregando lentamente estructura y complejidad hasta que convergen en una solución.

El siguiente video también es muy interesante: Ken explica por qué el establecimiento de objetivos tradicionales para las IA no funciona y propone una solución extraordinaria para este problema.

Answer 18

El conjunto de datos de correo electrónico de Enron! (Tomó esto de un curso de Udacity, pero es realmente fascinante)

• En 2000, Enron fue una de las compañías más grandes de los Estados Unidos. Para el año 2002, se había derrumbado en bancarrota debido al fraude corporativo generalizado. En la investigación federal resultante, hubo una cantidad significativa de información típicamente confidencial que se ingresó en el registro público, incluidos decenas de miles de correos electrónicos y datos financieros detallados para altos ejecutivos.
• En el proyecto, jugará a ser detective y utilizará sus nuevas habilidades al crear una persona de identificación de interés basada en datos financieros y de correo electrónico hechos públicos como resultado del escándalo de Enron. Para ayudarlo en su trabajo de detective, hemos combinado estos datos con una lista generada a mano de personas de interés en el caso de fraude, lo que significa que las personas que fueron acusadas, llegaron a un acuerdo o declararon un acuerdo con el gobierno, o declararon en Canje por inmunidad procesal.
• Aquí hay un ejemplo del producto final: DariaAlekseeva / Enron_Dataset.
• Al final, averigüe si pudo identificar con precisión a las personas que el FBI persiguió en este caso.
• PERTINENCIA BONUS: El líder de la investigación de Enron, Robert Mueller – Wikipedia, actualmente está liderando la investigación de Donald J. Trump.

De todos modos, muy buen lugar para empezar. También recomendaría el podcast, Linear Digressions, donde un par de científicos de datos hablan sobre diferentes proyectos y temas de interés de Machine Learning.

Answer 19

He pasado mucho tiempo tratando de encontrar buenos recursos, y me sorprendió descubrir que este conjunto de conferencias es increíble para aprender algunos de los conceptos básicos (Naive Bayes, SVM, Clustering, PCA, etc.):

http://www.dcs.gla.ac.uk/~girola …

Código / Datos se proporciona en los scripts de MATLAB

Además, el libro de Bishop está disponible para descargar (en algún lugar, aunque no tenga el enlace), y sus conjuntos de datos se encuentran en el sitio web:

http://research.microsoft.com/en …

Así que podrías intentar implementar los algoritmos desde cero y luego intentar obtener los mismos resultados.

Answer 20

Antes de iniciar proyectos, le sugiero que primero implemente algunos algoritmos básicos de aprendizaje automático. Eso te dará 10.000 libras de intuición, que seguramente necesitarás cuando las cosas no vayan como esperas. Aquí hay algunos buenos:

1) k vecinos más cercanos con unas medidas de distancia diferentes. (Distancia euclidiana y L1.)

2) Análisis discriminante cuadrático: este es un nombre elegante para ajustar un gaussiano a cada clase. Vea qué hace la regularización de la matriz de covarianza con respecto a su precisión de clasificación cuando los datos de entrada son de alta dimensión (d> 25). (PS: Regularizar es simplemente agregar una matriz de identidad escalada a su estimación de máxima probabilidad).

3) Bayes ingenuo multinomial para datos categóricos.

4) Regresión de la cresta. Soluciones de forma cerrada! Esto es más fácil de hacer para problemas de 2 clases.

5) Un árbol de decisión. ¡Esto es relativamente avanzado! También, si logras hacer esto, intenta un bosque aleatorio. ooooo, elegante

6) Un SVM lineal. Esto es aún más avanzado. Es una especie de dolor de cabeza, así que no lo intentes sin un tutorial.

Aprendizaje automático con libro de redes neuronales