20 मशीन लर्निंग प्रोजेक्ट जो आपको काम पर रखेंगे
यदि आप मशीन लर्निंग और डेटा साइंस जॉब मार्केट में प्रवेश करना चाहते हैं, तो आपको अपने कौशल की दक्षता का प्रदर्शन करने की आवश्यकता होगी, खासकर यदि आप ऑनलाइन पाठ्यक्रमों और बूटकैंप के माध्यम से स्व-सिखाया जाता है। एक प्रोजेक्ट पोर्टफोलियो आपके नए शिल्प का अभ्यास करने और इस बात के पुख्ता सबूत पेश करने का एक शानदार तरीका है कि एक कर्मचारी को आपको प्रतियोगिता में काम पर रखना चाहिए।
By खुशबू शाही, ProjectPro में सामग्री प्रबंधक.
एआई और मशीन लर्निंग उद्योग पहले की तरह फलफूल रहा है। 2021 तक, व्यवसायों में एआई के उपयोग में वृद्धि से 2.9 ट्रिलियन डॉलर का व्यावसायिक मूल्य पैदा होगा। एआई ने दुनिया भर में कई उद्योगों को स्वचालित किया है और उनके काम करने के तरीके को बदल दिया है। अधिकांश बड़ी कंपनियां अपने वर्कफ़्लो में उत्पादकता को अधिकतम करने के लिए एआई को शामिल करती हैं, और एआई के समेकन के कारण मार्केटिंग और हेल्थकेयर जैसे उद्योगों में एक बदलाव आया है।
छवि स्रोत : Unsplash
इस वजह से पिछले कुछ सालों में AI प्रोफेशनल्स की डिमांड बढ़ी है। 100 से 2015 तक AI और मशीन लर्निंग से संबंधित जॉब पोस्टिंग में लगभग 2018% की वृद्धि हुई है। यह संख्या तब से बढ़ी है और 2021 में इसके बढ़ने का अनुमान है।
यदि आप मशीन लर्निंग उद्योग में प्रवेश करना चाहते हैं, तो अच्छी खबर यह है कि नौकरियों की कोई कमी नहीं है। कंपनियों को एक प्रतिभाशाली कार्यबल की आवश्यकता है जो मशीन लर्निंग में बदलाव लाने में सक्षम हो। हालांकि, नौकरी के बाजार में ऐसे लोग आते हैं जो डेटा उद्योग में सेंध लगाना चाहते हैं। चूंकि मशीन लर्निंग सीखने के इच्छुक छात्रों के लिए कोई विशिष्ट डिग्री प्रोग्राम पूरा नहीं किया गया है, इसलिए कई इच्छुक एमएल प्रैक्टिशनर स्व-सिखाया जाता है।
एंड्रयू एनजी के मशीन लर्निंग ऑनलाइन पाठ्यक्रम में 4 मिलियन से अधिक छात्र नामांकित हैं।
दुर्भाग्य से, ऑनलाइन पाठ्यक्रमों में दाखिला लेने या मशीन लर्निंग बूटकैंप लेने से आपको सैद्धांतिक अवधारणाओं को सीखने में मदद मिलती है लेकिन यह आपको उद्योग में नौकरी के लिए तैयार नहीं करता है। थ्योरी सीखने के बाद और भी बहुत काम किया जाना है। मान लीजिए कि आप मशीन लर्निंग एल्गोरिदम की मूल बातें जानते हैं - आप समझते हैं कि प्रतिगमन और वर्गीकरण मॉडल कैसे काम करते हैं, और आप विभिन्न प्रकार के क्लस्टरिंग विधियों को जानते हैं।
आप वास्तविक जीवन की समस्या को हल करने के लिए सीखे गए कौशल का अभ्यास कैसे करेंगे? सरल उत्तर है: अभ्यास, अभ्यास, और विविध अभ्यास मशीन सीखने की परियोजनाएं.
एक बार जब आप सैद्धांतिक अवधारणाओं को सीख लेते हैं, तो आपको एआई और मशीन लर्निंग प्रोजेक्ट्स पर काम करना शुरू कर देना चाहिए। ये प्रोजेक्ट आपको क्षेत्र में अपने कौशल को सुधारने के लिए आवश्यक अभ्यास प्रदान करेंगे, और साथ ही, आपके मशीन लर्निंग पोर्टफोलियो में एक महान मूल्य वर्धित कर रहे हैं।
बिना ज्यादा देर किए, आइए कुछ एमएल प्रोजेक्ट विचारों को देखें जो न केवल आपके पोर्टफोलियो को अच्छा बनाएंगे बल्कि आपके मशीन सीखने के कौशल में भी काफी सुधार करेंगे। यह छात्रों, इच्छुक मशीन लर्निंग प्रैक्टिशनर्स और गैर-तकनीकी डोमेन के व्यक्तियों के लिए कुछ बेहतरीन मशीन लर्निंग प्रोजेक्ट्स की एक क्यूरेटेड सूची है। आप अपनी पृष्ठभूमि की परवाह किए बिना इन परियोजनाओं पर काम कर सकते हैं, जब तक आपके पास कुछ कोडिंग और मशीन सीखने के कौशल का ज्ञान है। यह शुरुआती और उन्नत स्तर की मशीन लर्निंग परियोजनाओं की एक सूची है।
यदि आप डेटा उद्योग में नए हैं और वास्तविक जीवन की परियोजनाओं के साथ बहुत कम अनुभव रखते हैं, तो अधिक चुनौतीपूर्ण परियोजनाओं पर जाने से पहले शुरुआती स्तर की एमएल परियोजनाओं से शुरुआत करें।
शुरुआती के लिए मशीन लर्निंग प्रोजेक्ट्स
1. कागल टाइटैनिक भविष्यवाणी
इस सूची में पहली परियोजना सबसे सीधी एमएल परियोजनाओं में से एक है जिसे आप ले सकते हैं। डेटा उद्योग में शुरुआती लोगों को पूरा करने के लिए इस परियोजना की सिफारिश की गई है। टाइटैनिक डेटासेट कागल पर उपलब्ध है, और इसे डाउनलोड करने का लिंक नीचे दिया गया है।
यह डेटासेट टाइटैनिक पर यात्रा करने वाले यात्रियों का है। इसमें यात्री की उम्र, टिकट का किराया, केबिन और लिंग जैसे विवरण हैं। इस जानकारी के आधार पर, आपको यह अनुमान लगाने की आवश्यकता होगी कि ये यात्री बच गए या नहीं।
यह एक साधारण द्विआधारी वर्गीकरण समस्या है, और आपको केवल यह अनुमान लगाने की आवश्यकता है कि क्या कोई विशेष यात्री बच गया है। इस डेटासेट की सबसे अच्छी बात यह है कि सभी प्री-प्रोसेसिंग आपके लिए की जाती है। आपके मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए आपके पास एक अच्छा, साफ-सुथरा डेटासेट है।
चूंकि यह एक वर्गीकरण समस्या है, आप भविष्य कहनेवाला मॉडल बनाने के लिए लॉजिस्टिक रिग्रेशन, डिसीजन ट्री और रैंडम फ़ॉरेस्ट जैसे एल्गोरिदम का उपयोग करना चुन सकते हैं। आप बेहतर परिणाम प्राप्त करने के लिए इस शुरुआती स्तर के मशीन लर्निंग प्रोजेक्ट के लिए XGBoost क्लासिफायरियर जैसे ग्रेडिएंट बूस्टिंग मॉडल भी चुन सकते हैं।
डेटासेट: कागल टाइटैनिक डेटासेट
2. हाउस प्राइस प्रेडिक्शन
यदि आप मशीन लर्निंग में शुरुआत कर रहे हैं तो घर की कीमतों का डेटा भी शुरू करने के लिए बहुत अच्छा है। यह प्रोजेक्ट कागल पर उपलब्ध हाउस प्राइसिंग डेटासेट का उपयोग करेगा। इस डेटासेट में लक्ष्य चर एक विशेष घर की कीमत है, जिसे आपको घर के क्षेत्र, शयनकक्षों की संख्या, स्नानघरों की संख्या और उपयोगिताओं जैसी जानकारी का उपयोग करके भविष्यवाणी करने की आवश्यकता होगी।
यह एक प्रतिगमन समस्या है, और आप मॉडल बनाने के लिए रैखिक प्रतिगमन जैसी तकनीकों का उपयोग कर सकते हैं। आप अधिक उन्नत दृष्टिकोण भी अपना सकते हैं और घर की कीमतों का अनुमान लगाने के लिए एक यादृच्छिक वन रजिस्ट्रार या ग्रेडिएंट बूस्टिंग का उपयोग कर सकते हैं।
लक्ष्य चर को छोड़कर, इस डेटासेट में 80 कॉलम हैं। सुविधाओं को चुनने के लिए आपको कुछ आयामीता में कमी तकनीकों को नियोजित करने की आवश्यकता होगी क्योंकि बहुत अधिक चर जोड़ने से आपका मॉडल खराब प्रदर्शन कर सकता है।
डेटासेट में कई श्रेणीबद्ध चर भी होते हैं, इसलिए आपको एक-हॉट एन्कोडिंग या लेबल-एन्कोडिंग जैसी तकनीकों का उपयोग करके उनसे ठीक से निपटने की आवश्यकता होती है।
अपना मॉडल बनाने के बाद, आप अपने पूर्वानुमानों को कागल में हाउस प्राइसिंग प्रतियोगिता में सबमिट कर सकते हैं, क्योंकि यह अभी भी खुला है। प्रतिस्पर्धियों द्वारा हासिल किया गया सर्वश्रेष्ठ आरएमएसई 0 है, और कई लोगों ने रिग्रेशन और ग्रेडिएंट बूस्टिंग तकनीकों की मदद से 0.15 जैसे अच्छे परिणाम हासिल किए हैं।
डेटासेट: कागल हाउस मूल्य भविष्यवाणी डेटासेट
3. शराब की गुणवत्ता की भविष्यवाणी
डेटा उद्योग में शुरुआती लोगों के बीच वाइन गुणवत्ता भविष्यवाणी डेटासेट भी बहुत लोकप्रिय है। इस परियोजना में, आप रेड वाइन की गुणवत्ता की भविष्यवाणी करने के लिए निश्चित अम्लता, वाष्पशील अम्लता, अल्कोहल और घनत्व का उपयोग करेंगे।
इसे या तो एक वर्गीकरण या प्रतिगमन समस्या के रूप में माना जा सकता है। NS शराब की गुणवत्ता वेरिएबल जिसे आपको डेटासेट रेंज में 0-10 से भविष्यवाणी करने की आवश्यकता है, ताकि आप भविष्यवाणी करने के लिए एक रिग्रेशन मॉडल बना सकें। एक अन्य दृष्टिकोण जो आप ले सकते हैं, वह है मानों (0–10 से) को असतत अंतरालों में तोड़ना और उन्हें श्रेणीबद्ध चर में परिवर्तित करना। आप तीन श्रेणियां बना सकते हैं, उदाहरण के लिए - न्यून मध्यम, और उच्च.
फिर आप भविष्यवाणी करने के लिए एक निर्णय वृक्ष वर्गीकरण या किसी वर्गीकरण मॉडल का निर्माण कर सकते हैं। यह आपके प्रतिगमन और वर्गीकरण मशीन सीखने के कौशल का अभ्यास करने के लिए अपेक्षाकृत साफ और सीधा डेटासेट है।
डेटासेट: कागल रेड वाइन गुणवत्ता डेटासेट
4. हृदय रोग की भविष्यवाणी
यदि आप स्वास्थ्य सेवा उद्योग में एक डेटासेट तलाशना चाहते हैं, तो यह शुरुआत करने के लिए एक बेहतरीन शुरुआती स्तर का डेटासेट है। इस डेटासेट का उपयोग सीएचडी (कोरोनरी हार्ट डिजीज) के 10 साल के जोखिम का अनुमान लगाने के लिए किया जाता है। इस डेटासेट में आश्रित चर मधुमेह, धूम्रपान, उच्च रक्तचाप और उच्च कोलेस्ट्रॉल के स्तर सहित हृदय रोग के जोखिम कारक हैं।
स्वतंत्र चर सीएचडी का 10 साल का जोखिम है। यह एक द्विआधारी वर्गीकरण समस्या है, और उन रोगियों के लिए लक्ष्य चर या तो 0 या 1-0 है, जिन्होंने कभी हृदय रोग विकसित नहीं किया और 1 रोगियों के लिए जिन्होंने किया। आप इस डेटासेट पर कुछ फीचर चयन कर सकते हैं ताकि उन विशेषताओं की पहचान की जा सके जो हृदय जोखिम में सबसे अधिक योगदान देती हैं। फिर, आप एक वर्गीकरण मॉडल को स्वतंत्र चर पर फिट कर सकते हैं।
यह डेटासेट अत्यधिक असंतुलित है क्योंकि इस डेटासेट के कई रोगियों ने ऐसा किया है नहीं हृदय रोग विकसित करें। एक असंतुलित डेटासेट को ओवरसैंपलिंग, वेट-ट्यूनिंग या अंडरसैंपलिंग जैसी सही फीचर इंजीनियरिंग तकनीकों का उपयोग करके नियंत्रित करने की आवश्यकता होती है। यदि ठीक से व्यवहार नहीं किया जाता है, तो आप एक ऐसे मॉडल के साथ समाप्त हो जाएंगे जो प्रत्येक डेटा बिंदु के लिए बहुसंख्यक वर्ग की भविष्यवाणी करता है और उन रोगियों की पहचान नहीं कर सकता है जो किया हृदय रोग विकसित करें। अपने फीचर इंजीनियरिंग और मशीन लर्निंग स्किल्स का अभ्यास करने के लिए यह आपके लिए एक उत्कृष्ट डेटासेट है।
डेटासेट: कागल हृदय रोग डेटासेट
5. एमएनआईएसटी अंकों का वर्गीकरण
RSI Mnist डेटासेट गहन शिक्षण के क्षेत्र में आपका कदम है। इस डेटासेट में 0 से 9 तक हस्तलिखित अंकों की ग्रेस्केल छवियां होती हैं। आपका कार्य एक गहन शिक्षण एल्गोरिथम का उपयोग करके अंकों की पहचान करना होगा। यह दस संभावित आउटपुट वर्गों के साथ एक बहु-वर्ग वर्गीकरण समस्या है। आप इस वर्गीकरण को करने के लिए एक सीएनएन (कन्वेंशनल न्यूरल नेटवर्क) का उपयोग कर सकते हैं।
MNIST डेटासेट को Python में Keras लाइब्रेरी में बनाया गया है। आपको केवल केरस स्थापित करना है, पुस्तकालय आयात करना है, और डेटासेट लोड करना है। इस डेटासेट में लगभग 60,000 चित्र हैं ताकि आप इनमें से लगभग 80% छवियों का प्रशिक्षण के लिए और अन्य 20% परीक्षण के लिए उपयोग कर सकें।
डेटासेट: कागल अंक पहचानकर्ता डेटासेट
6. ट्विटर डेटा का सेंटीमेंट एनालिसिस
कागल पर कई ट्विटर भावना विश्लेषण डेटासेट उपलब्ध हैं। सबसे लोकप्रिय डेटासेट में से एक को सेंटीमेंट 140 कहा जाता है, जिसमें 1.6 मिलियन पूर्व-संसाधित ट्वीट्स होते हैं। यदि आप मनोभाव विश्लेषण के लिए नए हैं, तो शुरुआत करने के लिए यह एक बेहतरीन डेटासेट है।
इन ट्वीट्स को एनोटेट किया गया है, और लक्ष्य चर भावना है। इस कॉलम में अद्वितीय मान 0 (ऋणात्मक), 2 (तटस्थ), और 4 (सकारात्मक) हैं।
इन ट्वीट्स को पूर्व-संसाधित करने और उन्हें वैक्टर में बदलने के बाद, आप उन्हें उनकी संबद्ध भावना के साथ प्रशिक्षित करने के लिए एक वर्गीकरण मॉडल का उपयोग कर सकते हैं। आप इस कार्य के लिए लॉजिस्टिक रिग्रेशन, डिसीजन ट्री क्लासिफायर, या XGBoost क्लासिफायरियर जैसे एल्गोरिदम का उपयोग कर सकते हैं।
एक अन्य विकल्प एलएसटीएम जैसे गहन शिक्षण मॉडल का उपयोग करना है ताकि भावना की भविष्यवाणी की जा सके। हालाँकि, यह थोड़ा अधिक चुनौतीपूर्ण दृष्टिकोण है और उन्नत परियोजना श्रेणी में आता है।
आप इस लेबल किए गए डेटासेट का उपयोग भविष्य की भावना विश्लेषण कार्यों के लिए आधार के रूप में भी कर सकते हैं।
यदि आपके पास कोई ट्वीट है जिसे आप एकत्रित करना चाहते हैं और उस पर भावना विश्लेषण करना चाहते हैं, तो आप भविष्य की भविष्यवाणी करने के लिए एक मॉडल का उपयोग कर सकते हैं जिसे पहले सेंटीमेंट 140 पर प्रशिक्षित किया गया है।
डेटासेट: कागल सेंटीमेंट140 डेटासेट
7. पिमा भारतीय मधुमेह भविष्यवाणी
पीमा इंडियन डायबिटीज डेटासेट का उपयोग यह अनुमान लगाने के लिए किया जाता है कि किसी मरीज को डायग्नोस्टिक माप के आधार पर मधुमेह है या नहीं।
बीएमआई, उम्र और इंसुलिन जैसे चरों के आधार पर, मॉडल रोगियों में मधुमेह की भविष्यवाणी करेगा। इस डेटासेट में नौ चर हैं - आठ स्वतंत्र चर और एक लक्ष्य चर।
लक्ष्य चर है 'मधुमेह', तो आप मधुमेह की उपस्थिति के लिए 1 या मधुमेह की अनुपस्थिति के लिए 0 की भविष्यवाणी करेंगे।
यह लॉजिस्टिक रिग्रेशन, डिसीजन ट्री क्लासिफायर, या रैंडम फॉरेस्ट क्लासिफायर जैसे मॉडलों के साथ प्रयोग करने के लिए एक वर्गीकरण समस्या है।
इस डेटासेट में सभी स्वतंत्र चर संख्यात्मक हैं, इसलिए यदि आपके पास न्यूनतम फीचर इंजीनियरिंग अनुभव है, तो यह एक बेहतरीन डेटासेट है।
यह एक कागल डेटासेट है जो शुरुआती लोगों के लिए खुला है। ऑनलाइन कई ट्यूटोरियल हैं जो आपको पायथन और आर में समाधान कोडिंग के माध्यम से चलते हैं। ये नोटबुक ट्यूटोरियल सीखने और अपने हाथों को गंदा करने का एक शानदार तरीका हैं ताकि आप अधिक जटिल परियोजनाओं पर आगे बढ़ सकें।
डेटासेट: कागल पिमा भारतीय मधुमेह डेटासेट
8. स्तन कैंसर का वर्गीकरण
कागल पर स्तन कैंसर वर्गीकरण डेटासेट आपके मशीन सीखने और एआई कौशल का अभ्यास करने का एक और शानदार तरीका है।
वास्तविक दुनिया में अधिकांश पर्यवेक्षित मशीन सीखने की समस्याएं इस तरह की वर्गीकरण समस्याएं हैं। स्तन कैंसर की पहचान में एक प्रमुख चुनौती सौम्य (गैर-कैंसरयुक्त) और घातक (कैंसरयुक्त) ट्यूमर के बीच अंतर करने में असमर्थता है। डेटासेट में ट्यूमर के "radius_mean" और "area_mean" जैसे चर होते हैं, और आपको इन विशेषताओं के आधार पर वर्गीकृत करना होगा कि कोई ट्यूमर कैंसर है या नहीं। इस डेटासेट के साथ काम करना अपेक्षाकृत आसान है क्योंकि इसमें कोई महत्वपूर्ण डेटा प्री-प्रोसेसिंग करने की आवश्यकता नहीं है। यह एक अच्छी तरह से संतुलित डेटासेट भी है, जो आपके कार्य को अधिक प्रबंधनीय बनाता है क्योंकि आपको अधिक फीचर इंजीनियरिंग करने की आवश्यकता नहीं है।
इस डेटासेट पर एक साधारण लॉजिस्टिक रिग्रेशन क्लासिफायरियर को प्रशिक्षित करने से आपको 0.90 तक की सटीकता मिल सकती है।
डेटासेट: कागल स्तन कैंसर वर्गीकरण डेटासेट
9. टीएमडीबी बॉक्स ऑफिस भविष्यवाणी
यह कागल डेटासेट आपके प्रतिगमन कौशल का अभ्यास करने का एक शानदार तरीका है। इसमें लगभग 7000 फिल्में शामिल हैं, और आपको फिल्म के राजस्व का अनुमान लगाने के लिए मौजूद चर का उपयोग करने की आवश्यकता होगी।
मौजूद डेटा बिंदुओं में कास्ट, क्रू, बजट, भाषाएं और रिलीज़ की तारीखें शामिल हैं। डेटासेट में 23 चर हैं, जिनमें से एक लक्ष्य चर है।
एक बुनियादी रैखिक प्रतिगमन मॉडल आपको 0.60 से अधिक का आर-वर्ग दे सकता है, इसलिए आप इसे अपने आधारभूत भविष्यवाणी मॉडल के रूप में उपयोग कर सकते हैं। XGBoost रिग्रेशन या लाइट GBM जैसी तकनीकों का उपयोग करके इस स्कोर को पार करने का प्रयास करें।
यह डेटासेट पिछले वाले की तुलना में थोड़ा अधिक जटिल है क्योंकि कुछ कॉलम में नेस्टेड डिक्शनरी में डेटा मौजूद होता है। इस डेटा को एक मॉडल को प्रशिक्षित करने के लिए प्रयोग करने योग्य प्रारूप में निकालने के लिए आपको कुछ अतिरिक्त प्री-प्रोसेसिंग करने की आवश्यकता है।
राजस्व पूर्वानुमान आपके पोर्टफोलियो पर प्रदर्शित करने के लिए एक बेहतरीन परियोजना है, क्योंकि यह फिल्म उद्योग के बाहर विभिन्न प्रकार के डोमेन को व्यावसायिक मूल्य प्रदान करता है।
डेटासेट: कागल टीएमडीबी बॉक्स ऑफिस भविष्यवाणी डेटासेट
10. पायथन में ग्राहक विभाजन
Kaggle पर ग्राहक सेगमेंटेशन डेटासेट बिना पर्यवेक्षित मशीन लर्निंग के साथ शुरुआत करने का एक शानदार तरीका है। इस डेटासेट में ग्राहक की उम्र, लिंग, वार्षिक आय और खर्च स्कोर जैसे विवरण होते हैं।
ग्राहक खंड बनाने के लिए आपको इन चरों का उपयोग करने की आवश्यकता है। जो ग्राहक समान हैं उन्हें समान समूहों में समूहीकृत किया जाना चाहिए। आप इस कार्य के लिए के-मीन्स क्लस्टरिंग या पदानुक्रमित क्लस्टरिंग जैसे एल्गोरिदम का उपयोग कर सकते हैं। ग्राहक विभाजन मॉडल व्यावसायिक मूल्य प्रदान कर सकते हैं।
कंपनियां अक्सर प्रत्येक ग्राहक प्रकार के लिए अलग-अलग मार्केटिंग तकनीकों के साथ आने के लिए अपने ग्राहकों को अलग करना चाहती हैं।
इस डेटासेट के मुख्य लक्ष्यों में शामिल हैं:
- मशीन लर्निंग तकनीकों का उपयोग करके ग्राहक विभाजन प्राप्त करना
- विभिन्न मार्केटिंग रणनीतियों के लिए अपने लक्षित ग्राहकों की पहचान करें
- समझें कि वास्तविक दुनिया में मार्केटिंग रणनीतियाँ कैसे काम करती हैं
इस कार्य के लिए एक क्लस्टरिंग मॉडल बनाने से आपके पोर्टफोलियो को अलग दिखने में मदद मिल सकती है, और यदि आप मार्केटिंग उद्योग में एआई से संबंधित नौकरी पाना चाहते हैं तो सेगमेंटेशन एक बेहतरीन कौशल है।
डेटासेट: कागल मॉल ग्राहक विभाजन डेटासेट
आपके रेज़्यूमे के लिए इंटरमीडिएट/उन्नत स्तर की मशीन लर्निंग प्रोजेक्ट्स
एक बार जब आप ऊपर सूचीबद्ध सरल मशीन लर्निंग प्रोजेक्ट्स पर काम कर लेते हैं, तो आप अधिक चुनौतीपूर्ण प्रोजेक्ट्स पर आगे बढ़ सकते हैं।
1. बिक्री पूर्वानुमान
टाइम-सीरीज़ फोरकास्टिंग एक मशीन लर्निंग तकनीक है जिसका उपयोग उद्योग में बहुत बार किया जाता है। भविष्य की बिक्री की भविष्यवाणी करने के लिए पिछले डेटा के उपयोग में बड़ी संख्या में व्यावसायिक उपयोग के मामले हैं। इस परियोजना का अभ्यास करने के लिए कागल डिमांड फोरकास्टिंग डेटासेट का उपयोग किया जा सकता है।
इस डेटासेट में 5 साल का बिक्री डेटा है, और आपको अगले तीन महीनों के लिए बिक्री का अनुमान लगाना होगा। डेटासेट में दस अलग-अलग स्टोर सूचीबद्ध हैं, और प्रत्येक स्टोर पर 50 आइटम हैं।
बिक्री की भविष्यवाणी करने के लिए, आप विभिन्न तरीकों को आजमा सकते हैं - एआरआईएमए, वेक्टर ऑटोरेग्रेशन, या डीप लर्निंग। इस परियोजना के लिए आप जिस एक विधि का उपयोग कर सकते हैं, वह यह है कि प्रत्येक माह के लिए बिक्री में वृद्धि को मापें और इसे रिकॉर्ड करें। फिर, पिछले महीने और वर्तमान महीने की बिक्री के बीच के अंतर पर मॉडल बनाएं। छुट्टियों और मौसमी जैसे कारकों को ध्यान में रखते हुए आपके मशीन लर्निंग मॉडल के प्रदर्शन में सुधार हो सकता है।
डेटासेट: कागल स्टोर आइटम की मांग का पूर्वानुमान
2. ग्राहक सेवा चैटबॉट
एक ग्राहक सेवा चैटबॉट एक मानव प्रतिनिधि की भूमिका निभाते हुए ग्राहकों को जवाब देने के लिए एआई और मशीन लर्निंग तकनीकों का उपयोग करता है। एक चैटबॉट को ग्राहकों की जरूरतों को पूरा करने के लिए सरल सवालों के जवाब देने में सक्षम होना चाहिए।
वर्तमान में आप तीन प्रकार के चैटबॉट बना सकते हैं:
- नियम-आधारित चैटबॉट — ये चैटबॉट बुद्धिमान नहीं हैं। उन्हें पूर्व-निर्धारित नियमों का एक सेट खिलाया जाता है और केवल इन नियमों के आधार पर उपयोगकर्ताओं को जवाब दिया जाता है। कुछ चैटबॉट प्रश्नों और उत्तरों के पूर्व-निर्धारित सेट के साथ भी प्रदान किए जाते हैं और इस डोमेन से बाहर आने वाले प्रश्नों का उत्तर नहीं दे सकते हैं।
- स्वतंत्र चैटबॉट - स्वतंत्र चैटबॉट उपयोगकर्ता के अनुरोध को संसाधित करने और उसका विश्लेषण करने के लिए मशीन लर्निंग का उपयोग करते हैं और तदनुसार प्रतिक्रिया प्रदान करते हैं।
- एनएलपी चैटबॉट - ये चैटबॉट शब्दों में पैटर्न को समझ सकते हैं और विभिन्न शब्द संयोजनों के बीच अंतर कर सकते हैं। वे सभी तीन चैटबॉट प्रकारों में सबसे उन्नत हैं, क्योंकि वे उन शब्दों के पैटर्न के आधार पर आगे क्या कह सकते हैं, जिन पर उन्हें प्रशिक्षित किया गया था।
एनएलपी चैटबॉट एक दिलचस्प मशीन लर्निंग प्रोजेक्ट आइडिया है। अपने मॉडल को प्रशिक्षित करने के लिए आपको शब्दों के मौजूदा कोष की आवश्यकता होगी, और ऐसा करने के लिए आप आसानी से पायथन पुस्तकालय पा सकते हैं। आपके पास प्रश्न और उत्तर जोड़े की सूची के साथ एक पूर्व-निर्धारित शब्दकोश भी हो सकता है जिसे आप अपने मॉडल को प्रशिक्षित करना चाहते हैं।
3. वाइल्डलाइफ ऑब्जेक्ट डिटेक्शन सिस्टम
यदि आप ऐसे क्षेत्र में रहते हैं जहां अक्सर जंगली-जानवर देखे जाते हैं, तो आपके क्षेत्र में उनकी उपस्थिति की पहचान करने के लिए ऑब्जेक्ट डिटेक्शन सिस्टम को लागू करना सहायक होता है। इस तरह की प्रणाली बनाने के लिए इन चरणों का पालन करें:
- उस क्षेत्र में कैमरे स्थापित करें जहां आप निगरानी करना चाहते हैं।
- सभी वीडियो फुटेज डाउनलोड करें और उन्हें सेव करें।
- आने वाली छवियों का विश्लेषण करने और जंगली जानवरों की पहचान करने के लिए एक पायथन एप्लिकेशन बनाएं।
Microsoft ने वन्यजीव कैमरों से एकत्र किए गए डेटा का उपयोग करके एक छवि पहचान API बनाया है। उन्होंने इस उद्देश्य के लिए एक खुला स्रोत पूर्व-प्रशिक्षित मॉडल जारी किया जिसे मेगाडेटेक्टर कहा जाता है।
आप एकत्र की गई छवियों से जंगली जानवरों की पहचान करने के लिए अपने पायथन एप्लिकेशन में इस पूर्व-प्रशिक्षित मॉडल का उपयोग कर सकते हैं। यह अब तक उल्लिखित सबसे रोमांचक एमएल परियोजनाओं में से एक है और इस उद्देश्य के लिए पूर्व-प्रशिक्षित मॉडल की उपलब्धता के कारण इसे लागू करना बहुत आसान है।
एपीआई: मेगा डिटेक्टर
4. Spotify संगीत अनुशंसा प्रणाली
Spotify अपने उपयोगकर्ताओं को संगीत की सिफारिश करने के लिए AI का उपयोग करता है। आप Spotify पर सार्वजनिक रूप से उपलब्ध डेटा के आधार पर एक अनुशंसा प्रणाली बनाने का प्रयास कर सकते हैं।
Spotify में एक एपीआई है जिसका उपयोग आप ऑडियो डेटा पुनर्प्राप्त करने के लिए कर सकते हैं - आप रिलीज के वर्ष, कुंजी, लोकप्रियता और कलाकार जैसी सुविधाएं पा सकते हैं। इस एपीआई को पायथन में एक्सेस करने के लिए, आप स्पॉटिपी नामक लाइब्रेरी का उपयोग कर सकते हैं।
आप कागल पर Spotify डेटासेट का भी उपयोग कर सकते हैं जिसमें लगभग 600K पंक्तियाँ हैं। इन डेटासेट का उपयोग करके, आप प्रत्येक उपयोगकर्ता के पसंदीदा संगीतकार के लिए सबसे अच्छा विकल्प सुझा सकते हैं। आप प्रत्येक उपयोगकर्ता द्वारा पसंद की जाने वाली सामग्री और शैली के आधार पर गीत अनुशंसाएँ भी ला सकते हैं।
यह अनुशंसा प्रणाली K-मीन्स क्लस्टरिंग का उपयोग करके बनाई जा सकती है — समान डेटा बिंदुओं को समूहीकृत किया जाएगा। आप अंतिम उपयोगकर्ता के लिए उनके बीच न्यूनतम अंतर-क्लस्टर दूरी वाले गीतों की अनुशंसा कर सकते हैं।
एक बार जब आप अनुशंसा प्रणाली बना लेते हैं, तो आप इसे एक साधारण पायथन ऐप में बदल सकते हैं और इसे तैनात कर सकते हैं। आप उपयोगकर्ताओं को Spotify पर अपने पसंदीदा गीतों को दर्ज करने के लिए प्राप्त कर सकते हैं, फिर स्क्रीन पर अपने मॉडल की सिफारिशों को प्रदर्शित कर सकते हैं जो उनके द्वारा पसंद किए गए गीतों के लिए उच्चतम समानता रखते हैं।
डेटासेट: कागल स्पॉटिफाई डेटासेट
5. बाजार बास्केट विश्लेषण
मार्केट बास्केट एनालिसिस एक लोकप्रिय तकनीक है जिसका उपयोग खुदरा विक्रेताओं द्वारा उन वस्तुओं की पहचान करने के लिए किया जाता है जिन्हें एक साथ बेचा जा सकता है।
उदाहरण के लिए:
कुछ साल पहले, एक शोध विश्लेषक ने बीयर और डायपर की बिक्री के बीच संबंध की पहचान की थी। ज्यादातर समय, जब भी कोई ग्राहक बीयर खरीदने के लिए दुकान में जाता था, तो वे साथ में डायपर भी खरीदते थे।
इसके कारण, दुकानों ने बिक्री बढ़ाने के लिए एक विपणन रणनीति के रूप में एक ही गलियारे पर बीयर और डायपर एक साथ बेचना शुरू कर दिया। और यह काम किया।
यह माना जाता था कि बीयर और डायपर का उच्च संबंध था क्योंकि पुरुष अक्सर उन्हें एक साथ खरीदते थे। पुरुष अपने परिवार (डायपर सहित) के लिए कई अन्य घरेलू सामानों के साथ, बीयर खरीदने के लिए दुकान में चलेंगे। यह एक बहुत ही असंभव सहसंबंध की तरह लगता है, लेकिन ऐसा हुआ।
मार्केट बास्केट एनालिसिस कंपनियों को उन वस्तुओं के बीच छिपे हुए सहसंबंधों की पहचान करने में मदद कर सकता है जिन्हें अक्सर एक साथ खरीदा जाता है। फिर ये स्टोर अपने आइटम को इस तरह से पोजिशन कर सकते हैं जिससे लोग उन्हें आसानी से ढूंढ सकें।
आप अपने मॉडल को बनाने और प्रशिक्षित करने के लिए कागल पर मार्केट बास्केट ऑप्टिमाइज़ेशन डेटासेट का उपयोग कर सकते हैं। मार्केट बास्केट एनालिसिस करने के लिए इस्तेमाल किया जाने वाला सबसे अधिक इस्तेमाल किया जाने वाला एल्गोरिथम एप्रीओरी एल्गोरिथम है।
डेटासेट: कागल मार्केट बास्केट ऑप्टिमाइज़ेशन डेटासेट
6. एनवाईसी टैक्सी ट्रिप अवधि
डेटासेट में वेरिएबल होते हैं जिनमें टैक्सी यात्रा, समय और यात्रियों की संख्या के प्रारंभ और अंत निर्देशांक शामिल होते हैं। इस एमएल परियोजना का लक्ष्य इन सभी चरों के साथ यात्रा की अवधि का अनुमान लगाना है। यह एक प्रतिगमन समस्या है।
समय और निर्देशांक जैसे चर को उचित रूप से पूर्व-संसाधित करने और समझने योग्य प्रारूप में परिवर्तित करने की आवश्यकता होती है। यह प्रोजेक्ट उतना सीधा नहीं है जितना लगता है। इस डेटासेट में कुछ आउटलेयर भी हैं जो भविष्यवाणी को अधिक जटिल बनाते हैं, इसलिए आपको इसे फीचर इंजीनियरिंग तकनीकों के साथ संभालने की आवश्यकता होगी।
इस NYC टैक्सी ट्रिप कागल प्रतियोगिता के लिए मूल्यांकन मानदंड RMSLE या रूट मीन स्क्वेयर लॉग त्रुटि है। कागल पर शीर्ष सबमिशन को 0.29 का आरएमएसएलई स्कोर प्राप्त हुआ, और कागल के बेसलाइन मॉडल में 0.89 का आरएमएसएलई है।
आप इस कागल परियोजना को हल करने के लिए किसी भी प्रतिगमन एल्गोरिथ्म का उपयोग कर सकते हैं, लेकिन इस चुनौती के उच्चतम प्रदर्शन करने वाले प्रतियोगियों ने या तो ग्रेडिएंट बूस्टिंग मॉडल या गहन शिक्षण तकनीकों का उपयोग किया है।
डेटासेट: कागल एनवाईसी टैक्सी ट्रिप अवधि डेटासेट
7. रीयल-टाइम स्पैम डिटेक्शन
इस प्रोजेक्ट में, आप स्पैम (अवैध) और हैम (वैध) संदेशों के बीच अंतर करने के लिए मशीन लर्निंग तकनीकों का उपयोग कर सकते हैं।
इसे प्राप्त करने के लिए, आप कागल एसएमएस स्पैम संग्रह डेटासेट का उपयोग कर सकते हैं। इस डेटासेट में लगभग 5K संदेशों का एक समूह है, जिन्हें स्पैम या हैम के रूप में लेबल किया गया है।
रीयल-टाइम स्पैम डिटेक्शन सिस्टम बनाने के लिए आप निम्नलिखित कदम उठा सकते हैं:
- मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए कागल के एसएमएस स्पैम संग्रह डेटासेट का उपयोग करें।
- पायथन में एक साधारण चैट-रूम सर्वर बनाएं।
- अपने चैट-रूम सर्वर पर मशीन लर्निंग मॉडल को तैनात करें और सुनिश्चित करें कि आने वाला सभी ट्रैफ़िक मॉडल से होकर गुजरता है।
- संदेशों को केवल तभी जाने दें जब उन्हें हैम के रूप में वर्गीकृत किया गया हो। अगर वे स्पैम हैं, तो इसके बजाय एक त्रुटि संदेश लौटाएं।
मशीन लर्निंग मॉडल बनाने के लिए, आपको सबसे पहले कागल के एसएमएस स्पैम कलेक्शन डेटासेट में मौजूद टेक्स्ट मैसेज को प्री-प्रोसेस करना होगा। फिर, इन संदेशों को शब्दों के एक बैग में परिवर्तित करें ताकि भविष्यवाणी के लिए उन्हें आसानी से आपके वर्गीकरण मॉडल में पारित किया जा सके।
डेटासेट: कागल एसएमएस स्पैम संग्रह डेटासेट
8. मायर्स-ब्रिग्स पर्सनैलिटी प्रेडिक्शन ऐप
आप उपयोगकर्ता के व्यक्तित्व प्रकार का अनुमान लगाने के लिए एक ऐप बना सकते हैं जो उनके कहने के आधार पर होता है।
मायर्स-ब्रिग्स टाइप इंडिकेटर व्यक्तियों को 16 अलग-अलग व्यक्तित्व प्रकारों में वर्गीकृत करता है। यह दुनिया में सबसे लोकप्रिय व्यक्तित्व परीक्षणों में से एक है।
यदि आप इंटरनेट पर अपने व्यक्तित्व प्रकार को खोजने का प्रयास करते हैं, तो आपको कई ऑनलाइन क्विज़ मिल जाएंगे। लगभग 20-30 प्रश्नों के उत्तर देने के बाद, आपको एक व्यक्तित्व प्रकार सौंपा जाएगा।
हालाँकि, इस प्रोजेक्ट में, आप मशीन लर्निंग का उपयोग किसी एक वाक्य के आधार पर किसी के व्यक्तित्व प्रकार का अनुमान लगाने के लिए कर सकते हैं।
इसे हासिल करने के लिए आप ये कदम उठा सकते हैं:
- एक बहु-श्रेणी वर्गीकरण मॉडल बनाएं और इसे कागल पर मायर्स-ब्रिग्स डेटासेट पर प्रशिक्षित करें। इसमें डेटा प्री-प्रोसेसिंग (स्टॉप-वर्ड्स और अनावश्यक वर्णों को हटाना) और कुछ फीचर इंजीनियरिंग शामिल हैं। आप इस उद्देश्य के लिए लॉजिस्टिक रिग्रेशन जैसे उथले लर्निंग मॉडल या LSTM जैसे डीप लर्निंग मॉडल का उपयोग कर सकते हैं।
- आप एक ऐसा एप्लिकेशन बना सकते हैं जो उपयोगकर्ताओं को उनकी पसंद का कोई भी वाक्य दर्ज करने की अनुमति देता है।
- अपने मशीन लर्निंग मॉडल वज़न को बचाएं और मॉडल को अपने ऐप के साथ एकीकृत करें। एंड-यूज़र एक शब्द दर्ज करने के बाद, मॉडल द्वारा भविष्यवाणी किए जाने के बाद स्क्रीन पर उनके व्यक्तित्व प्रकार को प्रदर्शित करें।
डेटासेट: कागल एमबीटीआई टाइप डेटासेट
9. मूड रिकग्निशन सिस्टम + अनुशंसा प्रणाली
क्या आप कभी दुखी हुए हैं और ऐसा महसूस किया है कि आपको खुश करने के लिए कुछ मज़ेदार देखने की ज़रूरत है? या क्या आपने कभी इतना निराश महसूस किया है कि आपको आराम करने और आराम से कुछ देखने की ज़रूरत है?
यह परियोजना दो छोटी परियोजनाओं का एक संयोजन है।
आप एक ऐप बना सकते हैं जो लाइव वेब फ़ुटेज के आधार पर उपयोगकर्ता के मूड को पहचानता है और उपयोगकर्ता की अभिव्यक्ति के आधार पर मूवी सुझाव देता है।
इसे बनाने के लिए, आप निम्नलिखित कदम उठा सकते हैं:
- एक ऐसा ऐप बनाएं जो लाइव वीडियो फीड ले सके।
- वीडियो फ़ीड में वस्तुओं पर चेहरों और भावनाओं का पता लगाने के लिए पायथन के चेहरे की पहचान एपीआई का उपयोग करें।
- इन भावनाओं को विभिन्न श्रेणियों में वर्गीकृत करने के बाद, अनुशंसा प्रणाली का निर्माण शुरू करें। यह प्रत्येक भावना के लिए हार्डकोडेड मानों का एक सेट हो सकता है, जिसका अर्थ है कि आपको अनुशंसाओं के लिए मशीन लर्निंग को शामिल करने की आवश्यकता नहीं है।
- एक बार जब आप ऐप बना लेते हैं, तो आप इसे हरोकू, डैश या वेब सर्वर पर तैनात कर सकते हैं।
एपीआई: चेहरा पहचान एपीआई
10. YouTube टिप्पणी भावना विश्लेषण
इस प्रोजेक्ट में, आप लोकप्रिय YouTubers की समग्र भावना का विश्लेषण करते हुए एक डैशबोर्ड बना सकते हैं।
2 बिलियन से अधिक उपयोगकर्ता महीने में कम से कम एक बार YouTube वीडियो देखते हैं। लोकप्रिय YouTubers अपनी सामग्री के साथ सैकड़ों अरबों व्यूज बटोरते हैं। हालांकि, अतीत में विवादों के कारण इनमें से कई प्रभावशाली लोग आग की चपेट में आ चुके हैं, और जनता की धारणा लगातार बदल रही है।
आप समय के साथ मशहूर हस्तियों के आसपास भावनाओं की कल्पना करने के लिए एक भावना विश्लेषण मॉडल बना सकते हैं और एक डैशबोर्ड बना सकते हैं।
इसे बनाने के लिए, आप निम्नलिखित कदम उठा सकते हैं:
- आप जिन YouTubers का विश्लेषण करना चाहते हैं, उनके वीडियो की टिप्पणियों को स्क्रैप करें।
- प्रत्येक टिप्पणी पर भविष्यवाणियां करने के लिए पूर्व-प्रशिक्षित भावना विश्लेषण मॉडल का उपयोग करें।
- डैशबोर्ड पर मॉडल की भविष्यवाणियों की कल्पना करें। आप डैश (पायथन) या शाइनी (आर) जैसे पुस्तकालयों का उपयोग करके एक डैशबोर्ड ऐप भी बना सकते हैं।
- आप उपयोगकर्ताओं को समय सीमा, YouTuber के नाम और वीडियो शैली के अनुसार भावनाओं को फ़िल्टर करने की अनुमति देकर डैशबोर्ड को इंटरैक्टिव बना सकते हैं।
एपीआई: YouTube टिप्पणी स्क्रैपर
सारांश
मशीन लर्निंग उद्योग विशाल और अवसरों से भरा है। यदि आप बिना किसी औपचारिक शैक्षिक पृष्ठभूमि के उद्योग में प्रवेश करना चाहते हैं, तो यह दिखाने का सबसे अच्छा तरीका है कि आपके पास काम करने के लिए आवश्यक कौशल परियोजनाओं के माध्यम से है।
ऊपर सूचीबद्ध अधिकांश परियोजनाओं का मशीन सीखने का पहलू बहुत सरल है। मशीन लर्निंग के लोकतंत्रीकरण के कारण, मॉडल निर्माण प्रक्रिया को पूर्व-प्रशिक्षित मॉडल और एपीआई के माध्यम से आसानी से प्राप्त किया जा सकता है।
ओपन सोर्स आर्टिफिशियल इंटेलिजेंस प्रोजेक्ट जैसे केरस और फास्टएआई ने भी मॉडल निर्माण प्रक्रिया को गति देने में मदद की है। इन मशीन लर्निंग का मुश्किल हिस्सा और डेटा विज्ञान परियोजनाओं डेटा संग्रह, पूर्व-प्रसंस्करण और परिनियोजन है। यदि आप मशीन लर्निंग में नौकरी करते हैं, तो अधिकांश एल्गोरिदम बनाना बहुत आसान होगा। बिक्री पूर्वानुमान मॉडल बनाने में केवल एक या दो दिन लगेंगे। आप अपना अधिकांश समय उपयुक्त डेटा स्रोत खोजने और व्यावसायिक मूल्य प्राप्त करने के लिए अपने मॉडलों को उत्पादन में लगाने में व्यतीत करेंगे।
मूल। अनुमति के साथ पुनर्प्रकाशित।
संबंधित:
स्रोत: https://www.kdnuggets.com/2021/09/20-machine-learning-projects-hired.html
- "
- &
- 000
- 2021
- 9
- पहुँच
- लेखा
- अतिरिक्त
- AI
- शराब
- कलन विधि
- एल्गोरिदम
- सब
- की अनुमति दे
- विश्लेषण
- विश्लेषक
- जानवरों
- एपीआई
- एपीआई
- अनुप्रयोग
- आवेदन
- क्षुधा
- क्षेत्र
- चारों ओर
- कृत्रिम बुद्धिमत्ता
- कलाकार
- ऑडियो
- स्वचालित
- उपलब्धता
- शब्दों का थैला
- आधारभूत
- मूल बातें
- बीयर
- BEST
- बिलियन
- रक्त
- बढ़ाने
- मुक्केबाज़ी
- बॉक्स ऑफिस
- स्तन कैंसर
- निर्माण
- इमारत
- व्यापार
- व्यवसायों
- खरीदने के लिए
- कैमरों
- कैंसर
- मामलों
- हस्तियों
- चुनौती
- chatbot
- chatbots
- वर्गीकरण
- सीएनएन
- कोडन
- स्तंभ
- टिप्पणियाँ
- कंपनियों
- प्रतियोगिता
- प्रतियोगियों
- समेकन
- सामग्री
- दृढ़ तंत्रिका नेटवर्क
- युगल
- ग्राहक सेवा
- ग्राहक
- पानी का छींटा
- डैशबोर्ड
- तिथि
- डेटा विज्ञान
- खजूर
- दिन
- सौदा
- निर्णय वृक्ष
- ध्यान लगा के पढ़ना या सीखना
- मांग
- मांग पूर्वानुमान
- खोज
- मधुमेह
- डीआईडी
- अंक
- अंक
- रोग
- दूरी
- डोमेन
- शैक्षिक
- भावनाओं
- अभियांत्रिकी
- में प्रवेश करती है
- एक्सेल
- अनुभव
- प्रयोग
- चेहरा
- चेहरा पहचान
- चेहरे के
- परिवार
- Feature
- विशेषताएं
- फेड
- फ़िल्म
- आग
- प्रथम
- फिट
- का पालन करें
- प्रारूप
- पूर्ण
- मजेदार
- भविष्य
- लिंग
- लक्ष्यों
- अच्छा
- ग्रेस्केल
- महान
- स्वास्थ्य सेवा
- स्वास्थ्य देखभाल उद्योग
- हाई
- किराया
- छुट्टियां
- मकान
- परिवार
- कैसे
- HTTPS
- सैकड़ों
- विचार
- पहचान
- पहचान करना
- की छवि
- छवि मान्यता
- सहित
- आमदनी
- बढ़ना
- उद्योगों
- उद्योग
- प्रभावित
- करें-
- बुद्धि
- इंटरैक्टिव
- इंटरनेट
- IT
- काम
- नौकरियां
- keras
- कुंजी
- भाषाऐं
- बड़ा
- जानें
- सीखा
- सीख रहा हूँ
- स्तर
- पुस्तकालय
- प्रकाश
- LINK
- लिंक्डइन
- सूची
- भार
- लंबा
- यंत्र अधिगम
- मशीन लर्निंग तकनीक
- बहुमत
- निर्माण
- बाजार
- विपणन (मार्केटिंग)
- विपणन उद्योग
- माप
- मध्यम
- पुरुषों
- माइक्रोसॉफ्ट
- दस लाख
- ML
- आदर्श
- महीने
- मनोदशा
- सबसे लोकप्रिय
- चाल
- चलचित्र
- चलचित्र
- संगीत
- संगीतकार
- नेटवर्क
- तंत्रिका
- तंत्रिका नेटवर्क
- समाचार
- NLP
- NYC
- ऑब्जेक्ट डिटेक्शन
- प्रस्ताव
- ऑनलाइन
- ऑनलाइन पाठ्यक्रम
- खुला
- अवसर
- अन्य
- मिसाल
- रोगियों
- स्टाफ़
- प्रदर्शन
- व्यक्तित्व
- लोकप्रिय
- संविभाग
- भविष्यवाणी
- भविष्यवाणियों
- वर्तमान
- दबाव
- मूल्य
- मूल्य की भविष्यवाणी
- कीमत निर्धारण
- उत्पादन
- उत्पादकता
- पेशेवरों
- कार्यक्रम
- परियोजना
- परियोजनाओं
- सार्वजनिक
- अजगर
- गुणवत्ता
- असली दुनिया
- वास्तविक समय
- प्रतीपगमन
- अनुसंधान
- परिणाम
- खुदरा विक्रेताओं
- राजस्व
- जोखिम
- जोखिम के कारण
- नियम
- विक्रय
- विज्ञान
- वैज्ञानिकों
- स्क्रीन
- भावुकता
- सेट
- पाली
- सरल
- कौशल
- एसएमएस
- So
- बेचा
- हल
- स्पैम
- गति
- बिताना
- खर्च
- Spotify
- प्रारंभ
- शुरू
- की दुकान
- भंडार
- कहानियों
- स्ट्रेटेजी
- प्रणाली
- लक्ष्य
- परीक्षण
- परीक्षण
- मूल बातें
- दुनिया
- पहर
- ऊपर का
- यातायात
- प्रशिक्षण
- ट्यूटोरियल
- उपयोगकर्ताओं
- उपयोगिताओं
- मूल्य
- वीडियो
- वीडियो
- घड़ी
- वेब
- वेब सर्वर
- कौन
- वन्यजीव
- वाइन
- अंदर
- शब्द
- काम
- वर्कफ़्लो
- कार्यबल
- विश्व
- X
- वर्ष
- साल
- यूट्यूब
- YouTuber