Machine learning wordt de toekomst van talloze sectoren, wat goed nieuws is voor werkzoekenden. Het leren van de fijne kneepjes van deze innovatieve technologie kan een lucratieve investering in je carrière zijn.
Alleen de theorie bestuderen is een goed begin, maar het zal je nooit de expertise geven die je nodig hebt door praktijkervaring op te doen. De beste manier om de interne werking van machine learning te begrijpen, is door middel van individuele projecten.
Leren door middel van praktische methoden versnelt je machine learning-traject en is bovendien een prettige manier om een complex onderwerp te benaderen. Elk succesvol afgerond project zal je motiveren om te leren en tegelijkertijd je portfolio uit te breiden. Hier zijn 13 machine learning-projecten die beginners niet alleen de mogelijkheid bieden om in dit vakgebied te experimenteren, maar die ook nog eens leuk zijn. Filmaanbevelingssysteem: Je krijgt gepersonaliseerde aanbevelingen te zien wanneer je inlogt op je Netflix-account. Deze worden gegenereerd door machine learning-algoritmes die je kijkgeschiedenis gebruiken om te voorspellen welke andere series je leuk zult vinden. Aangezien de meesten van ons bekend zijn met deze systemen, is het maken van een algoritme voor filmaanbevelingen een eenvoudig project om mee te beginnen in machine learning. Zoals bij elk machine learning-project heb je een flinke dataset nodig om het algoritme te voeden. MovieLens biedt verschillende datasets die iedereen kan gebruiken. Hun nieuwste datasets worden sterk aanbevolen voor educatieve doeleinden en zijn populair onder beginners, omdat ze alles bevatten wat je nodig hebt voor je eerste aanbevelingssysteem. De volledige dataset bevat 27.000.000 beoordelingen van 58.000 films door 280.000 gebruikers.
Overleving van passagiers op de Titanic
Zou jij tot de 706 passagiers hebben behoord die de ondergang van het bekendste schip uit de geschiedenis hebben overleefd? Een algoritme kan je het antwoord geven. Als je op zoek bent naar een speels, spelachtig project, overweeg dan het Titanic-overlevingsproject.
Met dit machine learning-project bouw je een algoritme dat kan voorspellen of iemand de ramp zou hebben overleefd op basis van verschillende factoren. Je hebt een dataset nodig die informatie bevat over de passagiers die de ramp wel en niet hebben overleefd. De bovengenoemde dataset bevat gegevens zoals hun naam, geslacht, leeftijd, sociaaleconomische status en meer. De machine gebruikt deze informatie om te bepalen of iemand gered zou zijn tijdens de tragedie van 1912.
Voorspelling van huizenprijzen
De huizenmarkt kent vaak aanzienlijke schommelingen. Dit machine learning-project helpt je bij het bepalen van de verwachte prijsveranderingen van woningen op basis van eerder verzamelde gegevens. Dit project is volledig beginnersvriendelijk en maakt gebruik van een kleine dataset die het proces op een eenvoudige manier inzichtelijk maakt. U kunt deze dataset downloaden: deze dataset met informatie over huisvesting in Boston, die veelvuldig is gebruikt voor soortgelijke oefensessies. De gegevens zijn verzameld door het Amerikaanse Census Bureau en bevatten 506 gevallen.
Voorspelling van aandelenkoersen
Financiën is een geweldig vakgebied om te verkennen voor iedereen die zijn of haar machine learning-vaardigheden wil verbeteren. Er zijn zoveel soorten data beschikbaar dat je talloze projectideeën kunt bedenken. Dankzij korte feedbackcycli kun je de nauwkeurigheid van je voorspellingen ook snel daarna evalueren. Een beginnersvriendelijk, maar iets uitdagender projectidee met betrekking tot financiën heeft te maken met aandelenkoersen.
Het voorspellen van aandelenkoersen kan leuk zijn als je er geen geld mee verliest. Omdat de factoren die van invloed zijn op de aandelenwaarde doorgaans zeer dynamisch en volatiel zijn, kan dit project je flink aan het denken zetten. Je kunt de rapporten van elke organisatie gebruiken om de benodigde gegevens te verzamelen. Je kunt bijvoorbeeld de dataset met aandelenkoersen van Google over een periode van 5 jaar vinden op Kaggle. Sentimentanalyse is een onmisbaar instrument in het hedendaagse bedrijfsleven. Bedrijven kunnen het gebruiken om inzicht te krijgen in de publieke opinie over hun merk of producten. Machine learning kan helpen bij het analyseren van grote hoeveelheden data op sociale mediaplatformen om klantreacties te evalueren en te bepalen of er positief of negatief taalgebruik is in tekstuele communicatie. Sentimentanalyse is complex, maar dat maakt dit project juist zo boeiend.
Sentimentanalyse kan op veel gebieden worden toegepast. Je kunt een onderzoek uitvoeren op basis van Amazon-productrecensies of een eenvoudige dataset met filmrecensies gebruiken om de polariteit van meningen te bepalen. Voor een geavanceerder project kun je ook Twitter-data analyseren om de publieke opinie over bepaalde onderwerpen te onderzoeken.
Vergelijkbare afbeeldingen vinden
Als je meer visuele projecten wilt doen, zijn er tal van machine learning-uitdagingen om uit te kiezen die gebaseerd zijn op beeldanalyse. Een daarvan is een machine leren om nauwkeurig vergelijkbare afbeeldingen te vinden op basis van de invoer.
Deze technologie kan een revolutie teweegbrengen in e-commerce door de browse-ervaring van klanten te verbeteren. Met slimme beeldaanbevelingen kunnen klanten de producten vinden waarnaar ze op zoek zijn, zelfs als ze de namen niet meer weten. Beeldgelijkenis kan er ook voor zorgen dat archieven gemakkelijker te doorzoeken zijn. Je kunt deze dataset voor productherkenning downloaden om in je project te gebruiken.
Verkoopvoorspellingen
Dankzij machine learning kunnen winkels hun voorraden nu beter beheren dan ooit. Een systeem dat verkoopvolumes voorspelt, kan helpen bij het optimaliseren van de aanvulling van voorraden, zodat er geen verstoringen in de levering ontstaan.
Je kunt zelf verkoopvoorspellingen uitproberen met dit eenvoudige project, waarbij je gebruikmaakt van de gegevens van een supermarktketen.
De BigMart-verkoopdataset bevat de jaarlijkse verkoopgegevens van 1559 producten in 10 verschillende winkels uit 2013. Het doel van het project is om de verkooptrends voor het volgende jaar te voorspellen op basis van deze gegevens.Handschriftherkenning
Het digitaliseren van tekst heeft tegenwoordig vele toepassingen, maar handschrift vormt een uitdaging, zelfs voor de beste optische tekenherkenningssystemen
. (OCR) programmaʼs. Het trainen van een machine om handschrift te herkennen door middel van computervisie en machine learning biedt een oplossing voor dit probleem. Als je meer wilt leren over neurale netwerken en geavanceerdere, diepgaande machine learning, dan is dit handschriftherkenningsproject iets voor jou. Omdat projecten gebaseerd op afbeeldingen vaak complexer zijn, is het aan te raden te beginnen met een kleine en beheersbare dataset, zoals cijfers. De MNIST-dataset bevat 70.000 afbeeldingen van handgeschreven cijfers. De afbeeldingen zijn gelabeld, waardoor het algoritme verschillende handgeschreven variaties van dezelfde getallen kan leren. Classificatie van plantensoorten: Machine learning kan helpen bij efficiënte classificatie, of het nu gaat om gezichtsuitdrukkingen, muziekgenres of plantensoorten. Dit eenvoudige maar populaire project is een geweldige introductie voor iedereen die geïnteresseerd is in computervisie. Het project heeft als doel een systeem te creëren dat verschillende soorten irissen effectief kan herkennen en categoriseren. De kleine dataset maakt dit project beheersbaar, zelfs voor complete beginners. Deze dataset bevat 150 instanties die in drie categorieën worden ingedeeld. Zodra u zich zelfverzekerd voelt, kunt u een soortgelijk project met een grotere dataset proberen.Kredietgeschiktheid
Het proces om iemands kredietwaardigheid te bepalen kan streng en tijdrovend zijn. Banken nemen geen risicoʼs, wat vaak leidt tot teleurstelling bij klanten. Tegenwoordig kan machine learning iedereen helpen om zijn of haar kansen op een lening te bepalen. Het kan hen ook aanwijzingen geven over het bedrag dat ze kunnen lenen op basis van een groot aantal verschillende factoren. Via dit project ga je een systeem creëren dat precies dat doet. Je hebt een dataset nodig die essentiële gegevens bevat over leningaanvragers, zoals hun geslacht, burgerlijke staat, opleidingsniveau, aantal gezinsleden ten laste, inkomen en andere factoren. Een ander machine learning-project met betrekking tot de woningmarkt onderzoekt de verwachte woningwaarde van een woning. Zillow gebruikt deze technologie in hun Zestimate-tool, die dankzij een grote hoeveelheid beschikbare data een hoge nauwkeurigheid kan bereiken.
Dit project is complexer, maar nog steeds beginnersvriendelijk. Je gebruikt de Zillowʼs Economics-dataset om een model te maken voor het voorspellen van huizenprijzen.
Detectie van nepnieuws
Het internet is een geweldige informatiebron geworden, maar het creëert ook de perfecte omgeving voor nepnieuws. Deze verhalen kunnen zich razendsnel verspreiden via sociale media, en weinig mensen nemen de moeite om de authenticiteit ervan te controleren. Een machine learning-model dat is ontwikkeld om nepnieuws te herkennen, kan helpen om sociale media vrij te houden van desinformatie. Je leert hoe je een detector voor nepnieuws maakt met dit project.
Het model gebruikt natuurlijke taalverwerking om nepnieuws en echt nieuws te classificeren. Er zijn verschillende datasets die geschikt zijn voor het project beschikbaar op Kaggle.
Muziekaanbevelingen
Om deze lijst af te sluiten met nog een leuk en luchtig project: het ontwikkelen van een systeem voor muziekaanbevelingen is een populair machine learning-project voor beginners in deze technologie. Het project is vergelijkbaar met het eerdergenoemde project voor filmaanbevelingen. Net als bij e-commerce en websites voor het streamen van films, is het ook mogelijk om aanbevelingen te genereren op basis van muzieksmaak. Diensten zoals Spotify en YouTube gebruiken algoritmes om hun klanten te boeien, en je zult het geheim daarachter ontdekken via dit project. Je kunt de dataset van KKBox gebruiken, die meer dan 30 miljoen nummers bevat. Omdat classificatie essentieel is voor dit project, krijg je de kans om je te verdiepen in neurale netwerken.
Start vandaag nog met je eerste machine learning-project
Leuke projecten zijn de perfecte manier om kennis te maken met een complex vakgebied zoals machine learning. De 13 projecten die hierboven worden genoemd, zijn allemaal geschikt voor beginners en kunnen binnen een weekend worden afgerond. Zodra je een paar van deze projecten hebt afgerond, kun je je eigen projecten bedenken en unieke problemen oplossen met de ervaring die je hebt opgedaan.
