每个远程连接到数据世界的人都在热衷于机器学习。与其仅仅知道什么是机器学习，为什么不更好地开始使用它呢？ 如果您想深入了解 ML 世界，但不知道从哪里开始，我策划了 12 个机器学习实践项目来帮助您开启旅程。这些项目范围从更简单的分类任务到自然语言处理和图像识别中更复杂的挑战。 无论您是正在寻找组合项目创意的数据分析新手，还是对机器学习实现感兴趣的中级编码员，这里都有适合您的东西。 当您阅读时，请查看我们关于机器学习模型、职业道路和基本机器学习工具的其他解释文章。 我们将介绍： 值得尝试的 12 个最佳机器学习项目 分类项目 自然语言处理项目 推荐项目 计算机视觉项目 包起来 12 个伟大的机器学习项目 分类项目 分类涉及根据数据的特征将数据分类到预定义的类或标签中。分类项目对于机器学习新手来说是一种很好的方式，因为它们可以帮助您通过现实问题理解基本概念。我们将看三个这样的机器学习项目。 机器学习可以预测这些东西有多好吃 1. 预测葡萄酒品质 酿酒学（或葡萄酒科学）为分类艺术提供了有趣的介绍。UCI 的葡萄酒质量数据集可用于区分红葡萄酒和白葡萄酒。 您可以使用 scikit-learn 或 Tensorflow 等库根据葡萄酒的 11 种理化特性（例如酸度、硫酸盐的存在和糖分）来预测葡萄酒的质量。
您将学习如何通过真实数据集了解特征重要性并处理不平衡数据集。虽然主要任务是分类，但您还可以扩展项目以运行回归分析来预测葡萄酒质量分数。 机器学习可以帮助识别所有这些树 2. 树种鉴定 UCI 的叶子数据集是理解图像预处理和特征提取的好方法。该项目着眼于如何根据树叶的形状和纹理对树种进行最佳分类。 为了获得额外的积分，您可以使用您自己邻居的叶子来扩充原始数据集，或者提取您自己的特征集。学习曲线比大多数初学者分类项目稍陡一些，但您将学习如何创建更强大的机器学习模型。 玩望远镜发现的系外行星 3. 系外行星发现 对于更倾向于外星人的人来说，加州理工学院的开普勒系外行星数据集提供了独特的 亚美尼亚 Whatsapp 数据 分类挑战。了解如何通过分析通过 NASA 太空望远镜观测到的光变曲线来探测系外行星（太阳系外的行星）。 您将面临挑战，通过对顺序数据应用高级时间序列分析来找到提高模型准确性的方法，并学习如何通过异常检测处理罕见事件。虽然该项目需要更深入的领域知识研究，但这也是一个展示您深入研究新学科领域并提出有用模型的能力的机会。 自然语言处理项目 自然语言处理处于语言学和机器学习的交叉点。对于有兴趣教授机器如何以新的、有用的方式理解、解释和生成人类语言的编码人员来说，这是一个很好的主题领域。
我列出了三个适用于各行业的引人注目的 NLP 项目。 1. 垃圾邮件检测 如果没有在后台运行的垃圾邮件检测算法来过滤掉未经请求的消息，电子邮件将无法使用。UCI 的 SMS 垃圾邮件收集数据集包含 5,574 条标记为垃圾邮件或非垃圾邮件（非垃圾邮件）的邮件。 您可以使用 Python 的自然语言工具包 (NLTK) 或 scikit-learn 库来学习如何预处理文本、提取特征以及运行预测模型。这是一个学习如何使用不平衡数据集的优秀项目（这在现实业务场景中很常见），因为垃圾邮件只占真实邮件的一小部分。 2. 情感分析 每天，数百万人在网上表达他们的意见，无论是通过产品评论还是社交媒体帖子。 由斯坦福大学研究人员小组发布的情感140数据集包含 160 万条推文，供您训练机器学习模型。它将推文标记为积极、消极或中立，这是对情绪分析艺术的相对简单的介绍。学习如何解读文本中的人类情感、处理俚语以及根据模棱两可或微妙的陈述做出决定。 您将学习如何使用词嵌入和循环神经网络等技术，这些技术在许多 NLP 应用程序中都有应用。 您可以在我们的情感分析完整指南中温习您的技能。 3.假新闻检测器 谷歌“假新闻检测”，你可能不会惊讶地发现有多少活跃的研究项目来解决这个问题。考虑到内容创建的速度，识别偏见和错误信息尤其困难。