تازه‌های فناوری

از آنجایی که هوش مصنوعی (AI) در سال 2020 به سرعت پیشرفت می کند و چون یادگیری ماشین و هوش مصنوعی مکمل یکدیگرهستند، تسلط یافتن بر یادگیری ماشین در عصر دیجیتال همیت ویژه ای دارد.
اگر چه با وجود کتاب های درسی و مقالات متعدد میتوانید دانش مورد نیاز خود را در این حوزه کسب نمایید، اما تا زمانی که وقت خود را صرف انجام آزمایش و پروژه های واقعی ماشین لرنینگ نکنید هرگزنمی توانید بر یادگیری ماشین مسلط شوید چرا که شما صرفا با کار با ابزارها و الگوریتم های ماشین لرنینگ می توانید درک کنید که زیر ساخت های آن در واقعیت چگونه کار می کنند.
در این مقاله ما سعی کردیم لیستی از پروژه های برتر یادگیری ماشین را برای مبتدیان، با در نظر گرفتن جنبه های اصلی ماشین لرنینگ ( یادگیری نظارت شده ، یادگیری بدون نظارت و یادگیری عمیق و شبکه های عصبی) را با دقت انتخاب کرده ایم.

در تمام این پروژه های یادگیری ماشین، شما با مجموعه داده های دنیای واقعی که در دسترس عموم است شروع به حرکت در مسیر هوش مصنوعی می‌کنید.
اگر می خواهید در ماشین لرنینگ حرفه ای شوید، برای شروع باید تجاربتان را با چنین پروژه هایی به دست آورید. اکنون زمان آن رسیده تا تمام دانشی را که از طریق کتاب ها و آموزش های خود جمع آوری کرده اید آزمایش کرده و پروژه ی یادگیری ماشین شخصی خود را بسازید!

1. پیش بینی قیمت سهام

یکی از بهترین ایده ها برای شروع آزمایش در مورد پروژه های یادگیری ماشینی برای مبتدیان ، کار در پیش بینی قیمت سهام است. سازمان های تجاری و شرکت ها امروزه در جستجوی نرم افزاری هستند که بتوانند عملکرد شرکت را نظارت و تحلیل کنند و قیمت های آینده سهام های مختلف را پیش بینی کنند.

با داده های بسیار زیادی که در بازار بورس موجود است ، این کانون فرصت مناسبی برای دانشمندان داده که تمایل به امور مالی دارند میباشد .
با این حال ، قبل از شروع کار ، شما باید دانش نسبتاً خوبی را در زمینه های زیر داشته باشید:

تجزیه و تحلیل پیش بینی: با استفاده از تکنیک های مختلف هوش مصنوعی برای فرآیندهای مختلف داده مانند کاوی داده ها ، اکتشاف داده ها و غیره برای پیش بینی رفتار نتایج احتمالی.
تحلیل رگرسیون: تحلیل رگرسیون نوعی تکنیک پیش بینی است که براساس تعامل بین متغیر / متغیر وابسته (هدف) و مستقل (پیش بینی کننده) میباشد .
آنالیز عمل: در این روش کلیه اقدامات انجام شده توسط دو روش ذکر شده در بالا مورد تجزیه و تحلیل قرار می گیرد که پس از آن نتیجه در حافظه یادگیری ماشین تغذیه می شود.
مدل سازی آماری: فرایندی شامل ساخت توضیحات ریاضی یک فرآیند در دنیای واقعی و توضیح عدم قطعیت ها در صورت وجود.

2. پیش بینی مسابقات ورزشی توسط یادگیری ماشین

2. درکتاب Moneyball از مایکل لوئیس ، تیم دو و میدانی اوکلند با ترکیب تکنیک پیشاهنگی بازیکنان خود و تحلیل آن در برنامه بازی خود ، چهره بیس بال را دگرگون کردند. و درست مثل آنها ، شما نیز می توانید در دنیای واقعی ورزش را متحول کنید!

از آنجا که هیچ کمبود اطلاعات و داده ای در دنیای ورزش وجود ندارد ، می توانید از این داده ها برای ساخت پروژه های یادگیری ماشین سرگرم کننده و خلاق مانند استفاده از آمار ورزشی دانشگاه خودتان استفاده کنید تا پیش بینی کنید کدام بازیکن بهترین حرفه را در کدام رشته ورزشی (استعدادیابی استعدادی).

همچنین می توانید با تجزیه و تحلیل نقاط قوت و ضعف بازیکنان در یک تیم و طبقه بندی بازیکنان بر اساس آن ، مدیریت تیم را ارتقا دهید.با وجود آمار و اطلاعات ورزشی موجود ، این یک عرصه عالی برای تسریع مهارتهای اکتشاف و تجسم اطلاعات شما میباشد. و میتواند به شما کمک کند که رزومه کاریتان بسیار جالب تر از سایرین به نظر برسد. برای هر کسی که دارای مهارت خاصی در پایتون باشد ، Scikit-Learn گزینه ایده آلی خواهد بودزیرا شامل مجموعه ای از ابزارهای مفید برای تحلیل رگرسیون ، طبقه بندی ، ورود داده ها و غیره است.

برای خواندن ادامه‌ی مقاله اینجا کلیک کنید.

از آنجایی که هوش مصنوعی (AI) در سال 2020 به سرعت پیشرفت می کند و چون یادگیری ماشین و هوش مصنوعی مکمل یکدیگرهستند، تسلط یافتن بر یادگیری ماشین در عصر دیجیتال همیت ویژه ای دارد.
اگر چه با وجود کتاب های درسی و مقالات متعدد میتوانید دانش مورد نیاز خود را در این حوزه کسب نمایید، اما تا زمانی که وقت خود را صرف انجام آزمایش و پروژه های واقعی ماشین لرنینگ نکنید هرگزنمی توانید بر یادگیری ماشین مسلط شوید چرا که شما صرفا با کار با ابزارها و الگوریتم های ماشین لرنینگ می توانید درک کنید که زیر ساخت های آن در واقعیت چگونه کار می کنند.
در این مقاله ما سعی کردیم لیستی از پروژه های برتر یادگیری ماشین را برای مبتدیان، با در نظر گرفتن جنبه های اصلی ماشین لرنینگ ( یادگیری نظارت شده ، یادگیری بدون نظارت و یادگیری عمیق و شبکه های عصبی) را با دقت انتخاب کرده ایم.

در تمام این پروژه های یادگیری ماشین، شما با مجموعه داده های دنیای واقعی که در دسترس عموم است شروع به حرکت در مسیر هوش مصنوعی می‌کنید.
اگر می خواهید در ماشین لرنینگ حرفه ای شوید، برای شروع باید تجاربتان را با چنین پروژه هایی به دست آورید. اکنون زمان آن رسیده تا تمام دانشی را که از طریق کتاب ها و آموزش های خود جمع آوری کرده اید آزمایش کرده و پروژه ی یادگیری ماشین شخصی خود را بسازید!

1. پیش بینی قیمت سهام

یکی از بهترین ایده ها برای شروع آزمایش در مورد پروژه های یادگیری ماشینی برای مبتدیان ، کار در پیش بینی قیمت سهام است. سازمان های تجاری و شرکت ها امروزه در جستجوی نرم افزاری هستند که بتوانند عملکرد شرکت را نظارت و تحلیل کنند و قیمت های آینده سهام های مختلف را پیش بینی کنند.

با داده های بسیار زیادی که در بازار بورس موجود است ، این کانون فرصت مناسبی برای دانشمندان داده که تمایل به امور مالی دارند میباشد .
با این حال ، قبل از شروع کار ، شما باید دانش نسبتاً خوبی را در زمینه های زیر داشته باشید:

تجزیه و تحلیل پیش بینی: با استفاده از تکنیک های مختلف هوش مصنوعی برای فرآیندهای مختلف داده مانند کاوی داده ها ، اکتشاف داده ها و غیره برای پیش بینی رفتار نتایج احتمالی.
تحلیل رگرسیون: تحلیل رگرسیون نوعی تکنیک پیش بینی است که براساس تعامل بین متغیر / متغیر وابسته (هدف) و مستقل (پیش بینی کننده) میباشد .
آنالیز عمل: در این روش کلیه اقدامات انجام شده توسط دو روش ذکر شده در بالا مورد تجزیه و تحلیل قرار می گیرد که پس از آن نتیجه در حافظه یادگیری ماشین تغذیه می شود.
مدل سازی آماری: فرایندی شامل ساخت توضیحات ریاضی یک فرآیند در دنیای واقعی و توضیح عدم قطعیت ها در صورت وجود.

2. پیش بینی مسابقات ورزشی توسط یادگیری ماشین

2. درکتاب Moneyball از مایکل لوئیس ، تیم دو و میدانی اوکلند با ترکیب تکنیک پیشاهنگی بازیکنان خود و تحلیل آن در برنامه بازی خود ، چهره بیس بال را دگرگون کردند. و درست مثل آنها ، شما نیز می توانید در دنیای واقعی ورزش را متحول کنید!

از آنجا که هیچ کمبود اطلاعات و داده ای در دنیای ورزش وجود ندارد ، می توانید از این داده ها برای ساخت پروژه های یادگیری ماشین سرگرم کننده و خلاق مانند استفاده از آمار ورزشی دانشگاه خودتان استفاده کنید تا پیش بینی کنید کدام بازیکن بهترین حرفه را در کدام رشته ورزشی (استعدادیابی استعدادی).

همچنین می توانید با تجزیه و تحلیل نقاط قوت و ضعف بازیکنان در یک تیم و طبقه بندی بازیکنان بر اساس آن ، مدیریت تیم را ارتقا دهید.با وجود آمار و اطلاعات ورزشی موجود ، این یک عرصه عالی برای تسریع مهارتهای اکتشاف و تجسم اطلاعات شما میباشد. و میتواند به شما کمک کند که رزومه کاریتان بسیار جالب تر از سایرین به نظر برسد. برای هر کسی که دارای مهارت خاصی در پایتون باشد ، Scikit-Learn گزینه ایده آلی خواهد بودزیرا شامل مجموعه ای از ابزارهای مفید برای تحلیل رگرسیون ، طبقه بندی ، ورود داده ها و غیره است.

برای خواندن ادامه‌ی مقاله اینجا کلیک کنید.