20 โครงการแมชชีนเลิร์นนิงที่จะทำให้คุณจ้างได้
หากคุณต้องการเจาะตลาดงานด้านแมชชีนเลิร์นนิงและวิทยาศาสตร์ข้อมูล คุณจะต้องแสดงทักษะความชำนาญของคุณ โดยเฉพาะอย่างยิ่งหากคุณเรียนรู้ด้วยตนเองผ่านหลักสูตรออนไลน์และ bootcamps แฟ้มผลงานโครงการเป็นวิธีที่ยอดเยี่ยมในการฝึกฝนงานฝีมือใหม่และนำเสนอหลักฐานที่น่าเชื่อถือว่าพนักงานควรจ้างคุณให้เหนือคู่แข่ง
By คุชบู ชาห์, Content Manager ที่ ProjectPro.
อุตสาหกรรม AI และ Machine Learning กำลังเฟื่องฟูอย่างที่ไม่เคยมีมาก่อน ในปี 2021 การใช้ AI ที่เพิ่มขึ้นในธุรกิจต่างๆ จะสร้างมูลค่าทางธุรกิจได้ถึง 2.9 ล้านล้านเหรียญ AI ได้ทำให้หลายอุตสาหกรรมเป็นอัตโนมัติทั่วโลกและเปลี่ยนวิธีการดำเนินงาน บริษัทขนาดใหญ่ส่วนใหญ่ใช้ AI เพื่อเพิ่มประสิทธิผลในเวิร์กโฟลว์ของตน และอุตสาหกรรมอย่างการตลาดและการดูแลสุขภาพได้ผ่านการปรับเปลี่ยนกระบวนทัศน์เนื่องจากการควบรวมของ AI
ที่มาของภาพ: Unsplash
ด้วยเหตุนี้จึงมีความต้องการผู้เชี่ยวชาญด้าน AI เพิ่มขึ้นในช่วงไม่กี่ปีที่ผ่านมา มีการโพสต์งานที่เกี่ยวข้องกับ AI และแมชชีนเลิร์นนิงเพิ่มขึ้นเกือบ 100% จากปี 2015 ถึงปี 2018 ตัวเลขนี้เพิ่มขึ้นตั้งแต่นั้นมาและคาดว่าจะเพิ่มขึ้นในปี 2021
หากคุณกำลังมองหาที่จะบุกเข้าไปในอุตสาหกรรมแมชชีนเลิร์นนิง ข่าวดีก็คือไม่มีงานว่างเหลืออยู่ บริษัทต่างๆ ต้องการพนักงานที่มีความสามารถซึ่งสามารถบุกเบิกการเปลี่ยนแปลงไปสู่การเรียนรู้ของเครื่องได้ อย่างไรก็ตาม ตลาดงานถูกแทรกซึมโดยผู้ที่ต้องการบุกเข้าไปในอุตสาหกรรมข้อมูล เนื่องจากไม่มีหลักสูตรปริญญาเฉพาะสำหรับนักเรียนที่ต้องการเรียนรู้แมชชีนเลิร์นนิง ผู้ปฏิบัติงาน ML ที่ต้องการจำนวนมากจึงเรียนรู้ด้วยตนเอง
มีนักเรียนมากกว่า 4 ล้านคนลงทะเบียนในหลักสูตรออนไลน์แมชชีนเลิร์นนิงของ Andrew Ng
น่าเสียดายที่การลงทะเบียนในหลักสูตรออนไลน์หรือการเรียนรู้ด้วยเครื่อง Bootcamp ช่วยให้คุณเรียนรู้แนวคิดเชิงทฤษฎี แต่ไม่ได้เตรียมคุณให้พร้อมสำหรับงานในอุตสาหกรรม มีงานที่ต้องลงมือทำอีกมากเมื่อได้เรียนรู้ทฤษฎี สมมติว่าคุณทราบพื้นฐานของอัลกอริธึมการเรียนรู้ของเครื่อง — คุณเข้าใจว่าแบบจำลองการถดถอยและการจัดหมวดหมู่ทำงานอย่างไร และคุณรู้วิธีการจัดกลุ่มประเภทต่างๆ
คุณจะฝึกฝนทักษะที่คุณได้เรียนรู้เพื่อแก้ปัญหาในชีวิตจริงอย่างไร? คำตอบง่ายๆ คือ ฝึกฝน ฝึกฝน และฝึกฝนที่หลากหลาย โปรเจกต์แมชชีนเลิร์นนิง.
เมื่อคุณเรียนรู้แนวคิดทางทฤษฎีเสร็จแล้ว คุณควรเริ่มทำงานในโครงการ AI และการเรียนรู้ของเครื่อง โครงการเหล่านี้จะให้การฝึกฝนที่จำเป็นแก่คุณในการฝึกฝนทักษะภาคสนาม และในขณะเดียวกันก็ช่วยเพิ่มมูลค่าให้กับพอร์ตโฟลิโอแมชชีนเลิร์นนิงของคุณ
โดยไม่ต้องกังวลใจมากนัก เรามาสำรวจแนวคิดโครงการ ML บางอย่างที่ไม่เพียงแต่ทำให้พอร์ตโฟลิโอของคุณดูดี แต่ยังช่วยพัฒนาทักษะการเรียนรู้ของเครื่องด้วย นี่คือรายชื่อโปรเจ็กต์แมชชีนเลิร์นนิงที่ดีที่สุดสำหรับนักเรียน ผู้ปฏิบัติงานด้านแมชชีนเลิร์นนิงที่ต้องการ และบุคคลที่มาจากโดเมนที่ไม่ใช่ด้านเทคนิค คุณสามารถทำงานในโครงการเหล่านี้ได้โดยไม่คำนึงถึงภูมิหลังของคุณ ตราบใดที่คุณมีความรู้ด้านการเขียนโปรแกรมและทักษะการเรียนรู้ของเครื่อง นี่คือรายการโปรเจ็กต์แมชชีนเลิร์นนิงระดับเริ่มต้นและขั้นสูง
หากคุณยังใหม่ต่ออุตสาหกรรมข้อมูลและมีประสบการณ์เพียงเล็กน้อยกับโครงการในชีวิตจริง ให้เริ่มต้นด้วยโครงการ ML ระดับเริ่มต้นก่อนที่จะไปยังโครงการที่ท้าทายยิ่งขึ้น
โครงการแมชชีนเลิร์นนิงสำหรับผู้เริ่มต้น
1. Kaggle ไททานิคทำนาย
โปรเจ็กต์แรกในรายการนี้คือหนึ่งในโปรเจ็กต์ ML ที่ตรงไปตรงมาที่สุดที่คุณสามารถทำได้ โปรเจ็กต์นี้แนะนำสำหรับผู้เริ่มต้นในอุตสาหกรรมข้อมูล ชุดข้อมูลไททานิคมีอยู่ใน Kaggle และลิงก์สำหรับดาวน์โหลดอยู่ด้านล่าง
ชุดข้อมูลนี้เป็นของผู้โดยสารที่เดินทางบนไททานิค มีรายละเอียดเช่นอายุผู้โดยสาร ค่าโดยสาร ห้องโดยสาร และเพศ จากข้อมูลนี้ คุณจะต้องคาดการณ์ว่าผู้โดยสารเหล่านี้จะรอดหรือไม่
มันเป็นปัญหาการจำแนกเลขฐานสองอย่างง่าย และสิ่งที่คุณต้องทำคือทำนายว่าผู้โดยสารคนใดคนหนึ่งรอดชีวิตหรือไม่ สิ่งที่ดีที่สุดเกี่ยวกับชุดข้อมูลนี้คือการประมวลผลล่วงหน้าทั้งหมดทำเพื่อคุณ คุณมีชุดข้อมูลที่ดีและสะอาดเพื่อฝึกโมเดลการเรียนรู้ของเครื่อง
เนื่องจากนี่เป็นปัญหาการจัดหมวดหมู่ คุณจึงเลือกใช้อัลกอริทึมได้ เช่น การถดถอยโลจิสติก แผนผังการตัดสินใจ และฟอเรสต์สุ่มเพื่อสร้างแบบจำลองการคาดการณ์ คุณยังสามารถเลือกโมเดลการไล่ระดับการไล่ระดับสี เช่น ตัวแยกประเภท XGBoost สำหรับโปรเจ็กต์แมชชีนเลิร์นนิงระดับเริ่มต้นเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น
ชุดข้อมูล: ชุดข้อมูล Kaggle Titanic
2. การทำนายราคาบ้าน
ข้อมูลราคาบ้านยังเหมาะสำหรับการเริ่มต้นหากคุณเป็นผู้เริ่มต้นใช้งานแมชชีนเลิร์นนิง โปรเจ็กต์นี้จะใช้ชุดข้อมูลราคาบ้านที่มีอยู่ใน Kaggle ตัวแปรเป้าหมายในชุดข้อมูลนี้คือราคาของบ้านหลังหนึ่ง ซึ่งคุณจะต้องคาดการณ์โดยใช้ข้อมูล เช่น พื้นที่บ้าน จำนวนห้องนอน จำนวนห้องน้ำ และระบบสาธารณูปโภค
มันเป็นปัญหาการถดถอย และคุณสามารถใช้เทคนิคต่างๆ เช่น การถดถอยเชิงเส้นเพื่อสร้างแบบจำลอง คุณยังสามารถใช้แนวทางขั้นสูงขึ้นและใช้ตัวถดถอยของป่าแบบสุ่มหรือการเพิ่มระดับความชันเพื่อคาดการณ์ราคาบ้าน
ชุดข้อมูลนี้มี 80 คอลัมน์ ไม่รวมตัวแปรเป้าหมาย คุณจะต้องใช้เทคนิคการลดขนาดเพื่อคัดเลือกคุณสมบัติด้วยตนเอง เนื่องจากการเพิ่มตัวแปรมากเกินไปอาจทำให้แบบจำลองของคุณทำงานได้ไม่ดี
นอกจากนี้ยังมีตัวแปรตามหมวดหมู่จำนวนมากในชุดข้อมูล ดังนั้นคุณต้องจัดการกับตัวแปรเหล่านี้อย่างเหมาะสมโดยใช้เทคนิคต่างๆ เช่น การเข้ารหัสแบบใช้ครั้งเดียวหรือการเข้ารหัสฉลาก
หลังจากสร้างแบบจำลองของคุณแล้ว คุณสามารถส่งการคาดการณ์ของคุณไปยังการแข่งขันด้านราคาบ้านใน Kaggle เนื่องจากยังเปิดอยู่ RMSE ที่ดีที่สุดที่คู่แข่งทำได้คือ 0 และหลายคนได้ผลลัพธ์ที่ดีเช่น 0.15 โดยใช้เทคนิคการถดถอยและการเพิ่มระดับความชัน
ชุดข้อมูล: ชุดข้อมูลทำนายราคาบ้าน Kaggle
3. การทำนายคุณภาพไวน์
ชุดข้อมูลการทำนายคุณภาพไวน์ยังเป็นที่นิยมอย่างมากในหมู่ผู้เริ่มต้นในอุตสาหกรรมข้อมูล ในโครงการนี้ คุณจะใช้ความเป็นกรดคงที่ ความเป็นกรดระเหย แอลกอฮอล์ และความหนาแน่นในการทำนายคุณภาพของไวน์แดง
สิ่งนี้สามารถถือเป็นปัญหาการจำแนกประเภทหรือการถดถอย NS คุณภาพไวน์ ตัวแปรที่คุณต้องการคาดการณ์ในช่วงชุดข้อมูลตั้งแต่ 0–10 ดังนั้นคุณจึงสามารถสร้างแบบจำลองการถดถอยเพื่อคาดการณ์ได้ อีกวิธีหนึ่งที่คุณสามารถทำได้คือการแบ่งค่า (จาก 0–10) เป็นช่วงที่ไม่ต่อเนื่องและแปลงเป็นตัวแปรหมวดหมู่ คุณสามารถสร้างได้สามหมวดหมู่ เช่น — ต่ำ, กลาง, และ สูง.
จากนั้น คุณสามารถสร้างตัวแยกประเภทแผนผังการตัดสินใจหรือแบบจำลองการจัดหมวดหมู่ใดๆ เพื่อทำการทำนายได้ เป็นชุดข้อมูลที่ค่อนข้างสะอาดและตรงไปตรงมาเพื่อฝึกทักษะการถดถอยและการจัดหมวดหมู่ของแมชชีนเลิร์นนิง
ชุดข้อมูล: ชุดข้อมูลคุณภาพไวน์แดง Kaggle
4. การทำนายโรคหัวใจ
หากคุณต้องการสำรวจชุดข้อมูลในอุตสาหกรรมการดูแลสุขภาพ นี่เป็นชุดข้อมูลที่ดีสำหรับผู้เริ่มต้น ชุดข้อมูลนี้ใช้เพื่อทำนายความเสี่ยง 10 ปีของ CHD (โรคหลอดเลือดหัวใจ) ตัวแปรตามในชุดข้อมูลนี้คือปัจจัยเสี่ยงของโรคหัวใจ รวมถึงโรคเบาหวาน การสูบบุหรี่ ความดันโลหิตสูง และระดับคอเลสเตอรอลสูง
ตัวแปรอิสระคือความเสี่ยง 10 ปีของ CHD เป็นปัญหาการจำแนกเลขฐานสอง และตัวแปรเป้าหมายคือ 0 หรือ 1-0 สำหรับผู้ป่วยที่ไม่เคยเป็นโรคหัวใจ และ 1 สำหรับผู้ป่วยที่เคยเป็น คุณสามารถทำการเลือกคุณลักษณะบางอย่างในชุดข้อมูลนี้เพื่อระบุคุณลักษณะที่มีส่วนทำให้เกิดความเสี่ยงต่อโรคหัวใจได้มากที่สุด จากนั้น คุณสามารถใส่โมเดลการจัดหมวดหมู่ให้พอดีกับตัวแปรอิสระได้
ชุดข้อมูลนี้มีความไม่สมดุลอย่างมากเนื่องจากผู้ป่วยจำนวนมากในชุดข้อมูลนี้ไม่ได้ ไม่ พัฒนาโรคหัวใจ ชุดข้อมูลที่ไม่สมดุลต้องได้รับการจัดการโดยใช้เทคนิคทางวิศวกรรมคุณสมบัติที่เหมาะสม เช่น การสุ่มตัวอย่างเกิน การปรับน้ำหนัก หรือการสุ่มตัวอย่างต่ำ หากไม่ได้รับการจัดการอย่างเหมาะสม คุณจะจบลงด้วยแบบจำลองที่คาดการณ์ระดับเสียงส่วนใหญ่สำหรับแต่ละจุดข้อมูลและไม่สามารถระบุผู้ป่วยที่ ไม่ พัฒนาโรคหัวใจ นี่เป็นชุดข้อมูลที่ยอดเยี่ยมสำหรับคุณในการฝึกทักษะด้านวิศวกรรมคุณลักษณะและทักษะการเรียนรู้ของเครื่อง
ชุดข้อมูล: ชุดข้อมูลโรคหัวใจ Kaggle
5. การจำแนกตัวเลข MNIST
พื้นที่ สวพ.FMXNUMX ชุดข้อมูลเป็นก้าวย่างของคุณสู่การเรียนรู้เชิงลึก ชุดข้อมูลนี้ประกอบด้วยภาพระดับสีเทาของตัวเลขที่เขียนด้วยลายมือตั้งแต่ 0 ถึง 9 งานของคุณคือการระบุตัวเลขโดยใช้อัลกอริธึมการเรียนรู้เชิงลึก นี่เป็นปัญหาการจำแนกประเภทหลายคลาสที่มีคลาสเอาต์พุตที่เป็นไปได้สิบคลาส คุณสามารถใช้ CNN (Convolutional Neural Network) เพื่อดำเนินการจำแนกประเภทนี้
ชุดข้อมูล MNIST สร้างขึ้นภายในไลบรารี Keras ใน Python สิ่งที่คุณต้องทำคือติดตั้ง Keras นำเข้าไลบรารี และโหลดชุดข้อมูล ชุดข้อมูลนี้มีรูปภาพประมาณ 60,000 รูป เพื่อให้คุณสามารถใช้รูปภาพเหล่านี้ได้ประมาณ 80% สำหรับการฝึก และอีก 20% สำหรับการทดสอบ
ชุดข้อมูล: Kaggle Digit Recognizer ชุดข้อมูล
6. การวิเคราะห์ความเชื่อมั่นของข้อมูล Twitter
มีชุดข้อมูลการวิเคราะห์ความเชื่อมั่นของ Twitter มากมายบน Kaggle ชุดข้อมูลยอดนิยมชุดหนึ่งเรียกว่า Sentiment140 ซึ่งมีทวีตที่ประมวลผลล่วงหน้า 1.6 ล้านรายการ นี่เป็นชุดข้อมูลที่ดีในการเริ่มต้น หากคุณยังใหม่ต่อการวิเคราะห์ความเชื่อมั่น
ทวีตเหล่านี้มีคำอธิบายประกอบ และตัวแปรเป้าหมายคือความรู้สึก ค่าที่ไม่ซ้ำกันในคอลัมน์นี้คือ 0 (ค่าลบ), 2 (ค่ากลาง) และ 4 (ค่าบวก)
หลังจากประมวลผลทวีตเหล่านี้ล่วงหน้าและแปลงเป็นเวกเตอร์แล้ว คุณสามารถใช้แบบจำลองการจัดหมวดหมู่เพื่อฝึกให้เข้ากับอารมณ์ที่เกี่ยวข้องได้ คุณสามารถใช้อัลกอริทึม เช่น การถดถอยโลจิสติก ตัวแยกประเภทแผนผังการตัดสินใจ หรือตัวแยกประเภท XGBoost สำหรับงานนี้
อีกทางเลือกหนึ่งคือการใช้โมเดลการเรียนรู้เชิงลึก เช่น LSTM เพื่อสร้างการคาดการณ์ความเชื่อมั่น อย่างไรก็ตาม นี่เป็นแนวทางที่ท้าทายกว่าเล็กน้อยและจัดอยู่ในหมวดหมู่โครงการขั้นสูง
คุณยังสามารถใช้ชุดข้อมูลที่มีป้ายกำกับนี้เป็นฐานสำหรับงานวิเคราะห์ความคิดเห็นในอนาคต
หากคุณมีทวีตใด ๆ ที่คุณต้องการรวบรวมและดำเนินการวิเคราะห์ความรู้สึก คุณสามารถใช้แบบจำลองที่ได้รับการฝึกอบรมมาก่อนหน้านี้เกี่ยวกับความเชื่อมั่น 140 เพื่อคาดการณ์ในอนาคต
ชุดข้อมูล: ชุดข้อมูล Kaggle Sentiment140
7. การทำนายโรคเบาหวานของ Pima Indian
ชุดข้อมูล Pima Indian Diabetes Dataset ใช้เพื่อทำนายว่าผู้ป่วยมีโรคเบาหวานหรือไม่โดยพิจารณาจากการวัดในการวินิจฉัย
ตามตัวแปรต่างๆ เช่น BMI อายุ และอินซูลิน แบบจำลองจะทำนายโรคเบาหวานในผู้ป่วย ชุดข้อมูลนี้มีตัวแปรเก้าตัว — ตัวแปรอิสระแปดตัวและตัวแปรเป้าหมายหนึ่งตัว
ตัวแปรเป้าหมายคือ 'โรคเบาหวาน', ดังนั้นคุณจะทำนาย 1 สำหรับการมีโรคเบาหวานหรือ 0 สำหรับการไม่มีโรคเบาหวาน
นี่เป็นปัญหาการจำแนกประเภทเพื่อทดลองกับแบบจำลอง เช่น การถดถอยโลจิสติก ตัวแยกประเภทการตัดสินใจ หรือตัวแยกประเภทฟอเรสต์แบบสุ่ม
ตัวแปรอิสระทั้งหมดในชุดข้อมูลนี้เป็นตัวเลข ดังนั้นนี่คือชุดข้อมูลที่ดีในการเริ่มต้น หากคุณมีประสบการณ์ด้านวิศวกรรมคุณลักษณะเพียงเล็กน้อย
นี่คือชุดข้อมูล Kaggle ที่เปิดให้ผู้เริ่มต้นใช้งาน มีบทช่วยสอนออนไลน์มากมายที่จะแนะนำคุณเกี่ยวกับการเขียนโค้ดโซลูชันใน Python และ R บทช่วยสอนในสมุดบันทึกเหล่านี้เป็นวิธีที่ยอดเยี่ยมในการเรียนรู้และทำให้มือของคุณสกปรก เพื่อให้คุณสามารถไปยังโครงการที่ซับซ้อนมากขึ้นได้
ชุดข้อมูล: Kaggle Pima ชุดข้อมูลเบาหวานอินเดีย
8. การจำแนกมะเร็งเต้านม
ชุดข้อมูลการจำแนกมะเร็งเต้านมบน Kaggle เป็นอีกวิธีที่ยอดเยี่ยมในการฝึกการเรียนรู้ด้วยเครื่องและทักษะ AI
ปัญหาแมชชีนเลิร์นนิงภายใต้การดูแลส่วนใหญ่ในโลกแห่งความเป็นจริงคือปัญหาการจำแนกประเภทเช่นนี้ ความท้าทายที่สำคัญในการระบุมะเร็งเต้านมคือการไม่สามารถแยกแยะระหว่างเนื้องอกที่ไม่ร้ายแรง (ไม่เป็นมะเร็ง) และมะเร็ง (มะเร็ง) ชุดข้อมูลมีตัวแปร เช่น "radius_mean" และ "area_mean" ของเนื้องอก และคุณจะต้องจัดประเภทตามลักษณะเหล่านี้ หากเนื้องอกเป็นมะเร็งหรือไม่ ชุดข้อมูลนี้ใช้งานได้ง่าย เนื่องจากไม่จำเป็นต้องประมวลผลข้อมูลล่วงหน้าที่สำคัญใดๆ นอกจากนี้ยังเป็นชุดข้อมูลที่มีความสมดุล ทำให้งานของคุณสามารถจัดการได้มากขึ้น เนื่องจากคุณไม่จำเป็นต้องทำวิศวกรรมคุณลักษณะมากนัก
การฝึกอบรมตัวแยกประเภทการถดถอยโลจิสติกอย่างง่ายบนชุดข้อมูลนี้สามารถให้ความแม่นยำสูงถึง 0.90
ชุดข้อมูล: ชุดข้อมูลการจำแนกมะเร็งเต้านม Kaggle
9. TMDB บ็อกซ์ออฟฟิศทำนาย
ชุดข้อมูล Kaggle นี้เป็นวิธีที่ยอดเยี่ยมในการฝึกทักษะการถดถอยของคุณ ประกอบด้วยภาพยนตร์ประมาณ 7000 เรื่อง และคุณจะต้องใช้ตัวแปรที่มีอยู่เพื่อคาดการณ์รายได้ของภาพยนตร์
จุดข้อมูลที่มีอยู่ ได้แก่ นักแสดง ทีมงาน งบประมาณ ภาษา และวันที่เผยแพร่ ชุดข้อมูลมี 23 ตัวแปร หนึ่งในนั้นคือตัวแปรเป้าหมาย
ตัวแบบการถดถอยเชิงเส้นพื้นฐานสามารถให้ค่า R-squared ที่มากกว่า 0.60 คุณจึงสามารถใช้เป็นแบบจำลองการคาดการณ์พื้นฐานได้ พยายามเอาชนะคะแนนนี้โดยใช้เทคนิคอย่าง XGBoost regression หรือ Light GBM
ชุดข้อมูลนี้ซับซ้อนกว่าชุดก่อนหน้านี้เล็กน้อย เนื่องจากบางคอลัมน์มีข้อมูลอยู่ในพจนานุกรมที่ซ้อนกัน คุณต้องทำการประมวลผลล่วงหน้าเพิ่มเติมเพื่อดึงข้อมูลนี้ในรูปแบบที่ใช้งานได้เพื่อฝึกโมเดล
การคาดการณ์รายได้เป็นโครงการที่ยอดเยี่ยมสำหรับแสดงผลงานของคุณ เนื่องจากเป็นการมอบมูลค่าทางธุรกิจให้กับโดเมนต่างๆ นอกอุตสาหกรรมภาพยนตร์
ชุดข้อมูล: ชุดข้อมูลการทำนาย Kaggle TMDB Box Office
10. การแบ่งกลุ่มลูกค้าใน Python
ชุดข้อมูลการแบ่งกลุ่มลูกค้าบน Kaggle เป็นวิธีที่ยอดเยี่ยมในการเริ่มต้นใช้งานแมชชีนเลิร์นนิงที่ไม่มีผู้ดูแล ชุดข้อมูลนี้ประกอบด้วยรายละเอียดของลูกค้า เช่น อายุ เพศ รายได้ต่อปี และคะแนนการใช้จ่าย
คุณต้องใช้ตัวแปรเหล่านี้เพื่อสร้างกลุ่มลูกค้า ลูกค้าที่เหมือนกันควรจัดกลุ่มเป็นกลุ่มที่คล้ายกัน คุณสามารถใช้อัลกอริทึม เช่น การจัดกลุ่ม K-Means หรือการจัดกลุ่มตามลำดับชั้นสำหรับงานนี้ โมเดลการแบ่งส่วนลูกค้าสามารถสร้างมูลค่าทางธุรกิจได้
บริษัทมักต้องการแยกลูกค้าของตนออกเพื่อหาเทคนิคทางการตลาดที่แตกต่างกันสำหรับลูกค้าแต่ละประเภท
เป้าหมายหลักของชุดข้อมูลนี้รวมถึง:
- บรรลุการแบ่งกลุ่มลูกค้าโดยใช้เทคนิคการเรียนรู้ของเครื่อง
- ระบุลูกค้าเป้าหมายของคุณสำหรับกลยุทธ์การตลาดต่างๆ
- ทำความเข้าใจว่ากลยุทธ์ทางการตลาดทำงานอย่างไรในโลกแห่งความเป็นจริง
การสร้างแบบจำลองการจัดกลุ่มสำหรับงานนี้สามารถช่วยให้พอร์ตโฟลิโอของคุณโดดเด่น และการแบ่งเซกเมนต์เป็นทักษะที่ยอดเยี่ยมหากคุณต้องการหางานที่เกี่ยวข้องกับ AI ในอุตสาหกรรมการตลาด
ชุดข้อมูล: ชุดข้อมูลการแบ่งกลุ่มลูกค้า Kaggle Mall
โครงการแมชชีนเลิร์นนิงระดับกลาง/ขั้นสูงสำหรับประวัติย่อของคุณ
เมื่อคุณทำโปรเจ็กต์แมชชีนเลิร์นนิงอย่างง่าย ๆ เสร็จแล้ว คุณสามารถไปยังโปรเจ็กต์ที่ท้าทายยิ่งขึ้นได้
1. การพยากรณ์การขาย
การพยากรณ์อนุกรมเวลาเป็นเทคนิคการเรียนรู้ของเครื่องที่ใช้บ่อยมากในอุตสาหกรรม การใช้ข้อมูลในอดีตเพื่อคาดการณ์ยอดขายในอนาคตมีกรณีการใช้งานทางธุรกิจจำนวนมาก ชุดข้อมูลการคาดการณ์ความต้องการ Kaggle สามารถใช้เพื่อฝึกโครงการนี้ได้
ชุดข้อมูลนี้มีข้อมูลการขาย 5 ปี และคุณจะต้องคาดการณ์ยอดขายในอีกสามเดือนข้างหน้า มีร้านค้า 50 แห่งที่ระบุไว้ในชุดข้อมูล และแต่ละร้านมี XNUMX รายการ
ในการทำนายยอดขาย คุณสามารถลองใช้วิธีการต่างๆ — ARIMA, Vector Autoregression หรือการเรียนรู้เชิงลึก วิธีหนึ่งที่คุณสามารถใช้สำหรับโครงการนี้คือการวัดยอดขายที่เพิ่มขึ้นในแต่ละเดือนและบันทึก จากนั้น ให้สร้างแบบจำลองตามส่วนต่างระหว่างยอดขายของเดือนก่อนหน้าและเดือนปัจจุบัน การพิจารณาปัจจัยต่างๆ เช่น วันหยุดและฤดูกาลสามารถปรับปรุงประสิทธิภาพของโมเดลแมชชีนเลิร์นนิงของคุณได้
ชุดข้อมูล: Kaggle Store การคาดการณ์ความต้องการสินค้า
2. แชทบอทบริการลูกค้า
แชทบอทบริการลูกค้าใช้ AI และเทคนิคแมชชีนเลิร์นนิงเพื่อตอบกลับลูกค้าโดยสวมบทบาทเป็นตัวแทนที่เป็นมนุษย์ แชทบอทควรตอบคำถามง่ายๆ เพื่อตอบสนองความต้องการของลูกค้า
ปัจจุบันมีแชทบอทสามประเภทที่คุณสามารถสร้างได้:
- แชทบอทตามกฎ — แชทบอทเหล่านี้ไม่ฉลาด พวกเขาจะได้รับชุดของกฎที่กำหนดไว้ล่วงหน้าและตอบกลับผู้ใช้ตามกฎเหล่านี้เท่านั้น นอกจากนี้ แชทบอทบางตัวยังมาพร้อมกับชุดคำถามและคำตอบที่กำหนดไว้ล่วงหน้า และไม่สามารถตอบคำถามที่อยู่นอกโดเมนนี้ได้
- Chatbot อิสระ — Chatbot อิสระใช้การเรียนรู้ของเครื่องเพื่อประมวลผลและวิเคราะห์คำขอของผู้ใช้และให้การตอบสนองตามนั้น
- NLP Chatbots — แชทบอทเหล่านี้สามารถเข้าใจรูปแบบคำและแยกแยะระหว่างชุดคำต่างๆ เป็นแชทบ็อตที่ล้ำหน้าที่สุดในทั้งสามประเภท เนื่องจากพวกเขาสามารถคิดสิ่งที่จะพูดต่อไปตามรูปแบบคำที่พวกเขาฝึก
NLP chatbot เป็นแนวคิดโครงการการเรียนรู้ของเครื่องที่น่าสนใจ คุณจะต้องมีคลังคำที่มีอยู่เพื่อฝึกโมเดลของคุณ และคุณสามารถค้นหาไลบรารี Python เพื่อทำสิ่งนี้ได้อย่างง่ายดาย คุณยังสามารถมีพจนานุกรมที่กำหนดไว้ล่วงหน้าพร้อมรายการคู่คำถามและคำตอบที่คุณต้องการฝึกโมเดลของคุณ
3. ระบบตรวจจับวัตถุสัตว์ป่า
หากคุณอาศัยอยู่ในพื้นที่ที่มีการพบเห็นสัตว์ป่าบ่อยๆ การใช้ระบบตรวจจับวัตถุเพื่อระบุการปรากฏตัวของพวกมันในพื้นที่ของคุณจะเป็นประโยชน์ ทำตามขั้นตอนเหล่านี้เพื่อสร้างระบบดังนี้:
- ติดตั้งกล้องในพื้นที่ที่คุณต้องการตรวจสอบ
- ดาวน์โหลดฟุตเทจวิดีโอทั้งหมดและบันทึก
- สร้างแอปพลิเคชัน Python เพื่อวิเคราะห์ภาพที่เข้ามาและระบุสัตว์ป่า
Microsoft ได้สร้าง Image Recognition API โดยใช้ข้อมูลที่รวบรวมจากกล้องถ่ายภาพสัตว์ป่า พวกเขาเปิดตัวโมเดลโอเพ่นซอร์สที่ได้รับการฝึกฝนมาล่วงหน้าเพื่อจุดประสงค์นี้ที่เรียกว่า MegaDetector
คุณสามารถใช้โมเดลที่ฝึกไว้ล่วงหน้านี้ในแอปพลิเคชัน Python เพื่อระบุสัตว์ป่าจากภาพที่รวบรวมได้ เป็นหนึ่งในโปรเจ็กต์ ML ที่น่าตื่นเต้นที่สุดที่กล่าวถึงจนถึงตอนนี้ และค่อนข้างง่ายต่อการนำไปใช้ เนื่องจากมีความพร้อมใช้งานของโมเดลที่ฝึกอบรมล่วงหน้าเพื่อจุดประสงค์นี้
ไฟ: เมก้าเดตเตอร์
4. ระบบแนะนำเพลง Spotify
Spotify ใช้ AI เพื่อแนะนำเพลงให้กับผู้ใช้ คุณสามารถลองสร้างระบบผู้แนะนำตามข้อมูลที่เปิดเผยต่อสาธารณะบน Spotify
Spotify มี API ที่คุณสามารถใช้เพื่อดึงข้อมูลเสียง — คุณสามารถค้นหาคุณสมบัติต่างๆ เช่น ปีที่วางจำหน่าย คีย์ ความนิยม และศิลปิน ในการเข้าถึง API นี้ใน Python คุณสามารถใช้ไลบรารีชื่อ Spotipy
คุณยังสามารถใช้ชุดข้อมูล Spotify บน Kaggle ที่มีแถวประมาณ 600K ด้วยการใช้ชุดข้อมูลเหล่านี้ คุณสามารถแนะนำทางเลือกที่ดีที่สุดให้กับนักดนตรีที่ชื่นชอบของผู้ใช้แต่ละคนได้ คุณยังสามารถเสนอแนะเพลงตามเนื้อหาและประเภทที่ผู้ใช้แต่ละคนต้องการ
ระบบผู้แนะนำนี้สามารถสร้างขึ้นได้โดยใช้การจัดกลุ่ม K-Means โดยจะมีการจัดกลุ่มจุดข้อมูลที่คล้ายคลึงกัน คุณสามารถแนะนำเพลงที่มีระยะห่างภายในคลัสเตอร์น้อยที่สุดกับผู้ใช้ปลายทางได้
เมื่อคุณสร้างระบบผู้แนะนำแล้ว คุณยังสามารถเปลี่ยนเป็นแอป Python ธรรมดาและปรับใช้ได้ คุณสามารถให้ผู้ใช้ป้อนเพลงโปรดบน Spotify แล้วแสดงคำแนะนำรุ่นของคุณบนหน้าจอที่มีความคล้ายคลึงกันมากที่สุดกับเพลงที่พวกเขาชอบ
ชุดข้อมูล: Kaggle Spotify ชุดข้อมูล
5. การวิเคราะห์ตะกร้าตลาด
การวิเคราะห์ตะกร้าตลาดเป็นเทคนิคยอดนิยมที่ผู้ค้าปลีกใช้ในการระบุรายการที่สามารถขายร่วมกันได้
ตัวอย่างเช่น:
เมื่อสองสามปีก่อน นักวิเคราะห์การวิจัยระบุว่ามีความสัมพันธ์กันระหว่างการขายเบียร์และผ้าอ้อม ส่วนใหญ่แล้ว เมื่อใดก็ตามที่ลูกค้าเดินเข้าไปในร้านเพื่อซื้อเบียร์ พวกเขาก็ซื้อผ้าอ้อมด้วยกันด้วย
ด้วยเหตุนี้ ร้านค้าต่างๆ จึงเริ่มขายเบียร์และผ้าอ้อมร่วมกันบนทางเดินเดียวกับกลยุทธ์ทางการตลาดเพื่อเพิ่มยอดขาย และมันก็ได้ผล
สันนิษฐานว่าเบียร์และผ้าอ้อมมีความสัมพันธ์กันสูงเนื่องจากผู้ชายมักซื้อร่วมกัน ผู้ชายจะเดินเข้าไปในร้านเพื่อซื้อเบียร์ พร้อมกับของใช้ในบ้านอื่นๆ สำหรับครอบครัว (รวมถึงผ้าอ้อม) ดูเหมือนว่าจะมีความสัมพันธ์ที่เป็นไปไม่ได้ แต่ก็เกิดขึ้น
การวิเคราะห์ตะกร้าตลาดสามารถช่วยบริษัทระบุความสัมพันธ์ที่ซ่อนอยู่ระหว่างสินค้าที่ซื้อร่วมกันบ่อยๆ ร้านค้าเหล่านี้สามารถจัดตำแหน่งสินค้าในลักษณะที่ช่วยให้ผู้คนค้นหาได้ง่ายขึ้น
คุณสามารถใช้ชุดข้อมูล Market Basket Optimization บน Kaggle เพื่อสร้างและฝึกโมเดลของคุณ อัลกอริทึมที่ใช้บ่อยที่สุดในการวิเคราะห์ตะกร้าตลาดคืออัลกอริทึม Apriori
ชุดข้อมูล: ชุดข้อมูลการเพิ่มประสิทธิภาพของตะกร้าตลาด Kaggle
6. ระยะเวลาการเดินทางด้วยแท็กซี่ของ NYC
ชุดข้อมูลมีตัวแปรที่รวมพิกัดจุดเริ่มต้นและจุดสิ้นสุดของการเดินทางโดยแท็กซี่ เวลา และจำนวนผู้โดยสาร เป้าหมายของโครงการ ML นี้คือการคาดการณ์ระยะเวลาการเดินทางด้วยตัวแปรเหล่านี้ทั้งหมด เป็นปัญหาการถดถอย
ตัวแปรเช่นเวลาและพิกัดต้องได้รับการประมวลผลล่วงหน้าอย่างเหมาะสมและแปลงเป็นรูปแบบที่เข้าใจได้ โครงการนี้ไม่ตรงไปตรงมาอย่างที่คิด ชุดข้อมูลนี้ยังมีค่าผิดปกติบางอย่างที่ทำให้การคาดการณ์ซับซ้อนยิ่งขึ้น ดังนั้น คุณจะต้องจัดการกับสิ่งนี้ด้วยเทคนิคทางวิศวกรรมคุณลักษณะ
เกณฑ์การประเมินสำหรับการแข่งขัน NYC Taxi Trip Kaggle นี้คือ RMSLE หรือ Root Mean Squared Log Error การส่งอันดับสูงสุดใน Kaggle ได้รับคะแนน RMSLE 0.29 และโมเดลพื้นฐานของ Kaggle มี RMSLE ที่ 0.89
คุณสามารถใช้อัลกอริธึมการถดถอยเพื่อแก้ปัญหาโครงการ Kaggle นี้ได้ แต่คู่แข่งที่มีประสิทธิภาพสูงสุดของความท้าทายนี้ใช้แบบจำลองการไล่ระดับสีหรือเทคนิคการเรียนรู้เชิงลึก
ชุดข้อมูล: Kaggle NYC Taxi Trip Duration ชุดข้อมูล
7. การตรวจจับสแปมแบบเรียลไทม์
ในโปรเจ็กต์นี้ คุณสามารถใช้เทคนิคแมชชีนเลิร์นนิงเพื่อแยกความแตกต่างระหว่างข้อความสแปม (ผิดกฎหมาย) และข้อความที่ไม่เหมาะสม (ถูกต้องตามกฎหมาย)
เพื่อให้บรรลุสิ่งนี้ คุณสามารถใช้ชุดข้อมูล Kaggle SMS Spam Collection ชุดข้อมูลนี้มีชุดข้อความประมาณ 5K ที่ได้รับการระบุว่าเป็นสแปมหรือแฮม
คุณสามารถทำตามขั้นตอนต่อไปนี้เพื่อสร้างระบบตรวจจับสแปมแบบเรียลไทม์:
- ใช้ชุดข้อมูล SMS Spam Collection ของ Kaggle เพื่อฝึกโมเดลแมชชีนเลิร์นนิง
- สร้างเซิร์ฟเวอร์ห้องสนทนาอย่างง่ายใน Python
- ปรับใช้โมเดลแมชชีนเลิร์นนิงบนเซิร์ฟเวอร์ห้องสนทนาของคุณ และตรวจสอบให้แน่ใจว่าการรับส่งข้อมูลขาเข้าทั้งหมดผ่านโมเดล
- อนุญาตเฉพาะข้อความที่ส่งผ่านหากจัดประเภทเป็นแฮม หากเป็นสแปม ให้แสดงข้อความแสดงข้อผิดพลาดแทน
ในการสร้างโมเดลแมชชีนเลิร์นนิง ก่อนอื่นคุณต้องประมวลผลข้อความที่มีอยู่ในชุดข้อมูล SMS Spam Collection ของ Kaggle ก่อน จากนั้นแปลงข้อความเหล่านี้เป็นชุดคำเพื่อให้สามารถส่งผ่านไปยังแบบจำลองการจัดหมวดหมู่ของคุณเพื่อคาดการณ์ได้อย่างง่ายดาย
ชุดข้อมูล: Kaggle SMS Spam Collection ชุดข้อมูล
8. แอปทำนายบุคลิกภาพของ Myers-Briggs
คุณสามารถสร้างแอปเพื่อคาดเดาประเภทบุคลิกภาพของผู้ใช้ตามสิ่งที่พวกเขาพูด
ตัวบ่งชี้ประเภท Myers-Briggs แบ่งบุคคลออกเป็น 16 ประเภทบุคลิกภาพที่แตกต่างกัน เป็นการทดสอบบุคลิกภาพที่ได้รับความนิยมมากที่สุดในโลก
หากคุณพยายามค้นหาบุคลิกภาพของคุณบนอินเทอร์เน็ต คุณจะพบแบบทดสอบออนไลน์มากมาย หลังจากตอบคำถามประมาณ 20-30 คำถาม คุณจะได้รับมอบหมายให้เป็นคนประเภทบุคลิกภาพ
อย่างไรก็ตาม ในโครงการนี้ คุณสามารถใช้แมชชีนเลิร์นนิงเพื่อทำนายประเภทบุคลิกภาพของใครก็ได้โดยใช้ประโยคเดียว
นี่คือขั้นตอนที่คุณสามารถทำได้เพื่อให้บรรลุเป้าหมายนี้:
- สร้างโมเดลการจำแนกประเภทหลายคลาสและฝึกฝนบนชุดข้อมูล Myers-Briggs บน Kaggle สิ่งนี้เกี่ยวข้องกับการประมวลผลข้อมูลล่วงหน้า (การลบคำหยุดและอักขระที่ไม่จำเป็น) และวิศวกรรมคุณลักษณะบางอย่าง คุณสามารถใช้แบบจำลองการเรียนรู้แบบตื้น เช่น การถดถอยโลจิสติก หรือแบบจำลองการเรียนรู้เชิงลึก เช่น LSTM เพื่อจุดประสงค์นี้
- คุณสามารถสร้างแอปพลิเคชันที่อนุญาตให้ผู้ใช้ป้อนประโยคที่ต้องการได้
- บันทึกน้ำหนักของโมเดลแมชชีนเลิร์นนิงและรวมโมเดลกับแอปของคุณ หลังจากที่ผู้ใช้ป้อนคำแล้ว ให้แสดงประเภทบุคลิกภาพของพวกเขาบนหน้าจอหลังจากที่แบบจำลองคาดการณ์
ชุดข้อมูล: Kaggle MBTI ประเภทชุดข้อมูล
9. ระบบรู้จำอารมณ์ + ระบบแนะนำ
คุณเคยเศร้าและรู้สึกเหมือนต้องการดูอะไรตลกๆ เพื่อเป็นกำลังใจให้คุณไหม? หรือคุณเคยรู้สึกหงุดหงิดจนต้องผ่อนคลายและดูอะไรที่ผ่อนคลายไหม?
โครงการนี้เป็นการรวมโครงการขนาดเล็กสองโครงการเข้าด้วยกัน
คุณสามารถสร้างแอปที่จดจำอารมณ์ของผู้ใช้โดยอิงจากฟุตเทจบนเว็บแบบสดและคำแนะนำภาพยนตร์ตามการแสดงออกของผู้ใช้
ในการสร้างสิ่งนี้ คุณสามารถทำตามขั้นตอนต่อไปนี้:
- สร้างแอพที่ถ่ายวิดีโอสดได้
- ใช้ API การจดจำใบหน้าของ Python เพื่อตรวจจับใบหน้าและอารมณ์บนวัตถุในฟีดวิดีโอ
- หลังจากจำแนกอารมณ์เหล่านี้ออกเป็นหมวดหมู่ต่างๆ แล้ว ให้เริ่มสร้างระบบผู้แนะนำ นี่อาจเป็นชุดของค่าฮาร์ดโค้ดสำหรับแต่ละอารมณ์ ซึ่งหมายความว่าคุณไม่จำเป็นต้องใช้แมชชีนเลิร์นนิงสำหรับคำแนะนำ
- เมื่อคุณสร้างแอปเสร็จแล้ว คุณสามารถปรับใช้กับ Heroku, Dash หรือเว็บเซิร์ฟเวอร์ได้
10. การวิเคราะห์ความคิดเห็นความคิดเห็นของ YouTube
ในโครงการนี้ คุณสามารถสร้างแดชบอร์ดเพื่อวิเคราะห์ความรู้สึกโดยรวมของผู้ใช้งาน YouTube ที่ได้รับความนิยม
ผู้ใช้มากกว่า 2 พันล้านคนดูวิดีโอ YouTube อย่างน้อยเดือนละครั้ง ผู้ใช้ YouTube ยอดนิยมรวบรวมการดูหลายแสนล้านครั้งด้วยเนื้อหาของพวกเขา อย่างไรก็ตาม ผู้มีอิทธิพลเหล่านี้จำนวนมากถูกวิพากษ์วิจารณ์เนื่องจากการโต้เถียงกันในอดีต และการรับรู้ของสาธารณชนก็เปลี่ยนแปลงตลอดเวลา
คุณสามารถสร้างแบบจำลองการวิเคราะห์ความรู้สึกและสร้างแดชบอร์ดเพื่อแสดงภาพความรู้สึกของคนดังในช่วงเวลาหนึ่ง
ในการสร้างสิ่งนี้ คุณสามารถทำตามขั้นตอนต่อไปนี้:
- ขูดความคิดเห็นของวิดีโอโดยผู้ใช้ YouTube ที่คุณต้องการวิเคราะห์
- ใช้แบบจำลองการวิเคราะห์ความรู้สึกที่ได้รับการฝึกฝนมาล่วงหน้าเพื่อคาดการณ์ความคิดเห็นแต่ละข้อ
- เห็นภาพการคาดการณ์ของโมเดลบนแดชบอร์ด คุณยังสามารถสร้างแอปแดชบอร์ดโดยใช้ไลบรารีต่างๆ เช่น Dash (Python) หรือ Shiny (R)
- คุณสามารถสร้างแดชบอร์ดแบบโต้ตอบได้โดยให้ผู้ใช้กรองความรู้สึกตามกรอบเวลา ชื่อ YouTuber และประเภทวิดีโอ
ไฟ: มีดโกนความคิดเห็นของ YouTube
สรุป
อุตสาหกรรมแมชชีนเลิร์นนิงมีขนาดใหญ่และเต็มไปด้วยโอกาส หากคุณต้องการบุกเข้าสู่อุตสาหกรรมโดยไม่มีพื้นฐานการศึกษาที่เป็นทางการ วิธีที่ดีที่สุดในการแสดงให้เห็นว่าคุณมีทักษะที่จำเป็นในการทำงานคือการทำโครงการ
แง่มุมของแมชชีนเลิร์นนิงของโปรเจ็กต์ส่วนใหญ่ที่ระบุไว้ข้างต้นนั้นค่อนข้างเรียบง่าย เนื่องจากแมชชีนเลิร์นนิงทำให้เป็นประชาธิปไตย กระบวนการสร้างแบบจำลองสามารถทำได้ง่ายผ่านโมเดลและ API ที่ผ่านการฝึกอบรมล่วงหน้า
โครงการปัญญาประดิษฐ์แบบโอเพนซอร์ส เช่น Keras และ FastAI ยังช่วยเร่งกระบวนการสร้างแบบจำลองอีกด้วย ส่วนที่ยุ่งยากของแมชชีนเลิร์นนิงและ โครงการวิทยาศาสตร์ข้อมูล คือการรวบรวมข้อมูล การประมวลผลล่วงหน้า และการปรับใช้ หากคุณได้งานในแมชชีนเลิร์นนิง อัลกอริธึมส่วนใหญ่จะสร้างได้ง่ายมาก การสร้างแบบจำลองการคาดการณ์ยอดขายจะใช้เวลาเพียงหนึ่งหรือสองวัน คุณจะใช้เวลาส่วนใหญ่ไปกับการค้นหาแหล่งข้อมูลที่เหมาะสมและนำแบบจำลองของคุณไปใช้งานจริงเพื่อสร้างมูลค่าทางธุรกิจ
Original. โพสต์ใหม่โดยได้รับอนุญาต
ที่เกี่ยวข้อง
ที่มา: https://www.kdnuggets.com/2021/09/20-machine-learning-projects-hired.html
- "
- &
- 000
- 2021
- 9
- เข้า
- ลงชื่อเข้าใช้
- เพิ่มเติม
- AI
- แอลกอฮอล์
- ขั้นตอนวิธี
- อัลกอริทึม
- ทั้งหมด
- การอนุญาต
- การวิเคราะห์
- นักวิเคราะห์
- สัตว์
- API
- APIs
- app
- การใช้งาน
- ปพลิเคชัน
- AREA
- รอบ
- ปัญญาประดิษฐ์
- ศิลปิน
- เสียง
- อัตโนมัติ
- ความพร้อมใช้งาน
- กระเป๋าคำ
- baseline
- ข้อมูลพื้นฐานเกี่ยวกับ
- เบียร์
- ที่ดีที่สุด
- พันล้าน
- เลือด
- การส่งเสริม
- กล่อง
- บ็อกซ์ออฟฟิศ
- โรคมะเร็งเต้านม
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- ธุรกิจ
- ซื้อ
- กล้อง
- โรคมะเร็ง
- กรณี
- ดารา
- ท้าทาย
- chatbot
- chatbots
- การจัดหมวดหมู่
- ซีเอ็นเอ็น
- การเข้ารหัส
- คอลัมน์
- ความคิดเห็น
- บริษัท
- การแข่งขัน
- คู่แข่ง
- การรวบรวม
- เนื้อหา
- เครือข่ายประสาทเทียม
- คู่
- บริการลูกค้า
- ลูกค้า
- แดช หรือ Dash
- หน้าปัด
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- วันที่
- วัน
- จัดการ
- ต้นไม้ตัดสินใจ
- การเรียนรู้ลึก ๆ
- ความต้องการ
- การพยากรณ์ความต้องการ
- การตรวจพบ
- โรคเบาหวาน
- DID
- เลข
- ตัวเลข
- โรค
- ระยะทาง
- โดเมน
- เกี่ยวกับการศึกษา
- อารมณ์
- ชั้นเยี่ยม
- รุก
- Excel
- ประสบการณ์
- การทดลอง
- ใบหน้า
- การจดจำใบหน้า
- ใบหน้า
- ครอบครัว
- ลักษณะ
- คุณสมบัติ
- เฟด
- ฟิล์ม
- ธรรมชาติ
- ชื่อจริง
- พอดี
- ปฏิบัติตาม
- รูป
- เต็ม
- ตลก
- อนาคต
- เพศ
- เป้าหมาย
- ดี
- เฉดสีเทา
- ยิ่งใหญ่
- การดูแลสุขภาพ
- อุตสาหกรรมการดูแลสุขภาพ
- จุดสูง
- จ้าง
- วันหยุด
- บ้าน
- ครัวเรือน
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTTPS
- ร้อย
- ความคิด
- ประจำตัว
- แยกแยะ
- ภาพ
- การจดจำภาพ
- รวมทั้ง
- เงินได้
- เพิ่ม
- อุตสาหกรรม
- อุตสาหกรรม
- อินฟลูเอนเซอร์
- ข้อมูล
- Intelligence
- การโต้ตอบ
- อินเทอร์เน็ต
- IT
- การสัมภาษณ์
- งาน
- Keras
- คีย์
- ภาษา
- ใหญ่
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- ชั้น
- ห้องสมุด
- เบา
- LINK
- รายการ
- โหลด
- นาน
- เรียนรู้เครื่อง
- เทคนิคการเรียนรู้ของเครื่อง
- ส่วนใหญ่
- การทำ
- ตลาด
- การตลาด
- อุตสาหกรรมการตลาด
- วัด
- กลาง
- ผู้ชาย
- ไมโครซอฟท์
- ล้าน
- ML
- แบบ
- เดือน
- อารมณ์
- เป็นที่นิยม
- ย้าย
- หนัง
- Movies
- ดนตรี
- นักดนตรี
- เครือข่าย
- ประสาท
- เครือข่ายประสาท
- ข่าว
- NLP
- NYC
- การตรวจจับวัตถุ
- เสนอ
- ออนไลน์
- หลักสูตรออนไลน์
- เปิด
- โอกาส
- อื่นๆ
- ตัวอย่าง
- ผู้ป่วย
- คน
- การปฏิบัติ
- บุคลิกภาพ
- ยอดนิยม
- ผลงาน
- คำทำนาย
- การคาดการณ์
- นำเสนอ
- ความดัน
- ราคา
- การทำนายราคา
- การตั้งราคา
- การผลิต
- ผลผลิต
- มืออาชีพ
- โครงการ
- โครงการ
- โครงการ
- สาธารณะ
- หลาม
- คุณภาพ
- โลกแห่งความจริง
- เรียลไทม์
- ถดถอย
- การวิจัย
- ผลสอบ
- ร้านค้าปลีก
- รายได้
- ความเสี่ยง
- ปัจจัยเสี่ยง
- กฎระเบียบ
- ขาย
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- จอภาพ
- ความรู้สึก
- ชุด
- เปลี่ยน
- ง่าย
- ทักษะ
- SMS
- So
- ขาย
- แก้
- สแปม
- ความเร็ว
- ใช้จ่าย
- การใช้จ่าย
- Spotify
- เริ่มต้น
- ข้อความที่เริ่ม
- จัดเก็บ
- ร้านค้า
- จำนวนชั้น
- กลยุทธ์
- ระบบ
- เป้า
- การทดสอบ
- การทดสอบ
- ข้อมูลพื้นฐานเกี่ยวกับ
- โลก
- เวลา
- ด้านบน
- การจราจร
- การฝึกอบรม
- บทเรียน
- พูดเบาและรวดเร็ว
- ผู้ใช้
- ยูทิลิตี้
- ความคุ้มค่า
- วีดีโอ
- วิดีโอ
- นาฬิกา
- เว็บ
- เว็บเซิร์ฟเวอร์
- WHO
- ธรรมชาติ
- ไวน์
- ภายใน
- คำ
- งาน
- เวิร์กโฟลว์
- กำลังแรงงาน
- โลก
- X
- ปี
- ปี
- YouTube
- ใช้ YouTube