20 个让你被录用的机器学习项目
如果您想打入机器学习和数据科学就业市场,那么您需要证明自己技能的熟练程度,特别是如果您通过在线课程和训练营自学的话。项目组合是练习新技能的好方法,并提供令人信服的证据,证明员工应该在竞争中雇用您。
By 库什布沙阿, ProjectPro 内容经理.
人工智能和机器学习行业正以前所未有的方式蓬勃发展。截至 2021 年,各企业人工智能使用的增加将创造 2.9 万亿美元的商业价值。人工智能已经实现了全球许多行业的自动化,并改变了它们的运营方式。大多数大公司都采用人工智能来最大限度地提高其工作流程的生产力,而营销和医疗保健等行业由于人工智能的整合而经历了范式转变。
图片来源: Unsplash
因此,过去几年对人工智能专业人员的需求不断增加。从 100 年到 2015 年,人工智能和机器学习相关的职位发布几乎增加了 2018%。此后这个数字一直在增长,预计 2021 年还会增加。
如果您想进入机器学习行业,好消息是这里并不缺少工作机会。公司需要一支有能力引领向机器学习转变的人才队伍。然而,就业市场已经被那些想要进入数据行业的人所渗透。由于没有专门针对想要学习机器学习的学生的学位课程,许多有抱负的机器学习从业者都是自学的。
有超过 4 万学生报名参加吴恩达的机器学习在线课程。
不幸的是,参加在线课程或参加机器学习训练营确实可以帮助您学习理论概念,但并不能为您在该行业的工作做好准备。学习了理论之后,还有很多实践工作要做。假设您了解机器学习算法的基础知识 - 您了解回归和分类模型的工作原理,并且了解不同类型的聚类方法。
您将如何练习所学到的技能来解决现实生活中的问题?简单的答案是:实践、实践、实践多样化 机器学习项目.
完成理论概念的学习后,您应该开始从事人工智能和机器学习项目。这些项目将为您提供磨练该领域技能所需的实践,同时为您的机器学习组合带来巨大的增值。
话不多说,让我们探索一些 ML 项目想法,这些想法不仅会让您的作品集看起来不错,而且还会显着提高您的机器学习技能。这是针对学生、有抱负的机器学习从业者和非技术领域个人的一些最佳机器学习项目的精选列表。无论您的背景如何,只要您具有一些编码和机器学习技能,您都可以从事这些项目。这是初级和高级机器学习项目的列表。
如果您是数据行业的新手,并且对现实项目缺乏经验,请从初级 ML 项目开始,然后再转向更具挑战性的项目。
适合初学者的机器学习项目
1. Kaggle 泰坦尼克号预测
此列表中的第一个项目是您可以承担的最简单的 ML 项目之一。建议数据行业的初学者完成此项目。泰坦尼克号数据集可在 Kaggle 上获取,下载链接如下。
该数据集包含乘坐泰坦尼克号的乘客。它包含乘客年龄、票价、舱位和性别等详细信息。根据这些信息,您需要预测这些乘客是否生还。
这是一个简单的二元分类问题,您所需要做的就是预测特定乘客是否幸存。该数据集的最大优点是所有预处理工作均已为您完成。您有一个漂亮、干净的数据集来训练您的机器学习模型。
由于这是一个分类问题,您可以选择使用逻辑回归、决策树和随机森林等算法来构建预测模型。您还可以为这个初级机器学习项目选择梯度增强模型,例如 XGBoost 分类器,以获得更好的结果。
资料集: Kaggle 泰坦尼克号数据集
2. 房价预测
如果您是机器学习的初学者,房价数据也是很好的起点。该项目将使用 Kaggle 上提供的房价数据集。该数据集中的目标变量是特定房屋的价格,您需要使用房屋面积、卧室数量、浴室数量和公用设施等信息来预测该价格。
这是一个回归问题,您可以使用线性回归等技术来构建模型。您还可以采用更高级的方法,使用随机森林回归器或梯度提升来预测房价。
该数据集有 80 列,不包括目标变量。您将需要采用一些降维技术来手动选择特征,因为添加太多变量可能会使您的模型表现不佳。
数据集中还有很多分类变量,因此您需要使用 one-hot 编码或标签编码等技术来正确处理它们。
构建模型后,您可以将您的预测提交给 Kaggle 中的房价竞赛,因为它仍然开放。竞争对手取得的最佳 RMSE 为 0,并且许多人借助回归和梯度提升技术取得了 0.15 等良好结果。
资料集: Kaggle 房价预测数据集
3. 葡萄酒品质预测
葡萄酒品质预测数据集在数据行业的初学者中也很受欢迎。在本项目中,您将使用固定酸度、挥发性酸度、酒精度和密度来预测红酒的质量。
这可以被视为分类或回归问题。这 葡萄酒品质 数据集中需要预测的变量范围为0-10,因此可以构建回归模型进行预测。您可以采取的另一种方法是将值(从 0-10)分解为离散区间,并将它们转换为分类变量。您可以创建三个类别,例如 - 低、中、 和 高.
然后,您可以构建决策树分类器或任何分类模型来进行预测。这是一个相对干净且简单的数据集,可用于练习回归和分类机器学习技能。
资料集: Kaggle 红酒质量数据集
4. 心脏病预测
如果您想探索医疗保健行业的数据集,那么这是一个很好的初学者级数据集。该数据集用于预测 CHD(冠心病)的 10 年风险。该数据集中的因变量是心脏病的危险因素,包括糖尿病、吸烟、高血压和高胆固醇水平。
自变量是 10 年冠心病风险。这是一个二元分类问题,对于从未患过心脏病的患者,目标变量为 0 或 1-0,对于患有心脏病的患者,目标变量为 1。您可以对此数据集执行一些特征选择,以识别对心脏病风险影响最大的特征。然后,您可以将分类模型拟合到自变量上。
该数据集高度不平衡,因为该数据集中的许多患者都这样做了 不能 患心脏病。不平衡的数据集需要使用正确的特征工程技术来处理,例如过采样、权重调整或欠采样。如果处理不当,您最终得到的模型将仅预测每个数据点的多数类别,而无法识别哪些患者 做了 患心脏病。这是一个很好的数据集,可以帮助您练习特征工程和机器学习技能。
资料集: Kaggle 心脏病数据集
5. MNIST数字分类
MNIST 数据集是您进入深度学习领域的垫脚石。该数据集由 0 到 9 的手写数字的灰度图像组成。您的任务是使用深度学习算法识别数字。这是一个多类分类问题,具有十个可能的输出类。您可以使用 CNN(卷积神经网络)来执行此分类。
MNIST 数据集是在 Python 的 Keras 库中构建的。您需要做的就是安装 Keras、导入库并加载数据集。该数据集包含大约 60,000 张图像,因此您可以使用其中大约 80% 的图像进行训练,另外 20% 用于测试。
资料集: Kaggle 数字识别器数据集
6. Twitter数据的情感分析
Kaggle 上有许多 Twitter 情绪分析数据集。最流行的数据集之一称为情感140,其中包含 1.6 万条预处理的推文。如果您是情感分析新手,那么这是一个很好的入门数据集。
这些推文已被注释,目标变量是情绪。此列中的唯一值为 0(负)、2(中性)和 4(正)。
预处理这些推文并将其转换为向量后,您可以使用分类模型来训练它们及其相关的情感。您可以使用逻辑回归、决策树分类器或 XGBoost 分类器等算法来完成此任务。
另一种选择是使用 LSTM 等深度学习模型来进行情绪预测。然而,这是一种稍微更具挑战性的方法,属于高级项目类别。
您还可以使用此标记数据集作为未来情感分析任务的基础。
如果您想要收集任何推文并对其执行情感分析,您可以使用之前在情感140上训练过的模型来做出未来的预测。
7. 皮马印第安人糖尿病预测
皮马印第安人糖尿病数据集用于根据诊断测量来预测患者是否患有糖尿病。
该模型将根据体重指数、年龄和胰岛素等变量预测患者的糖尿病。该数据集有九个变量——八个自变量和一个目标变量。
目标变量是‘糖尿病', 因此,您将预测 1 表示存在糖尿病,或 0 表示不存在糖尿病。
这是一个分类问题,需要使用逻辑回归、决策树分类器或随机森林分类器等模型进行实验。
该数据集中的所有自变量都是数字,因此如果您具有最少的特征工程经验,那么这是一个很好的数据集。
这是一个向初学者开放的 Kaggle 数据集。有许多在线教程可引导您完成使用 Python 和 R 编写解决方案的过程。这些笔记本教程是学习和动手的好方法,以便您可以继续进行更复杂的项目。
资料集: Kaggle Pima 印度糖尿病数据集
8. 乳腺癌分类
Kaggle 上的乳腺癌分类数据集是练习机器学习和人工智能技能的另一种绝佳方法。
现实世界中大多数监督机器学习问题都是像这样的分类问题。乳腺癌识别的一个关键挑战是无法区分良性(非癌性)和恶性(癌性)肿瘤。数据集包含肿瘤的“radius_mean”和“area_mean”等变量,您需要根据这些特征对肿瘤是否癌变进行分类。该数据集相对容易使用,因为不需要进行任何重要的数据预处理。它也是一个平衡良好的数据集,使您的任务更易于管理,因为您不需要进行太多的特征工程。
在此数据集上训练简单的逻辑回归分类器可以获得高达 0.90 的准确度。
资料集: Kaggle 乳腺癌分类数据集
9.TMDB票房预测
这个 Kaggle 数据集是练习回归技能的好方法。它包含大约 7000 部电影,您需要使用存在的变量来预测电影的收入。
提供的数据点包括演员、工作人员、预算、语言和发行日期。数据集中有 23 个变量,其中之一是目标变量。
基本线性回归模型可以为您提供超过 0.60 的 R 平方,因此您可以将其用作基线预测模型。尝试使用 XGBoost 回归或 Light GBM 等技术来打破这个分数。
该数据集比前一个数据集稍微复杂一些,因为某些列的数据存在于嵌套字典中。您需要进行一些额外的预处理,以可用的格式提取这些数据,以便在其上训练模型。
收入预测是一个可以在您的投资组合中展示的绝佳项目,因为它为电影行业以外的各个领域提供了商业价值。
资料集: Kaggle TMDB 票房预测数据集
10.Python中的客户细分
Kaggle 上的客户细分数据集是开始无监督机器学习的好方法。该数据集包含客户详细信息,例如年龄、性别、年收入和支出得分。
您需要使用这些变量来构建客户群。相似的客户应该分为相似的集群。您可以使用 K-Means 聚类或分层聚类等算法来完成此任务。客户细分模型可以提供商业价值。
公司通常希望区分客户,以便针对每种客户类型采取不同的营销技巧。
该数据集的主要目标包括:
- 使用机器学习技术实现客户细分
- 确定不同营销策略的目标客户
- 了解营销策略在现实世界中如何运作
为此任务构建聚类模型可以帮助您的投资组合脱颖而出,如果您想在营销行业找到与人工智能相关的工作,那么细分是一项很棒的技能。
资料集: Kaggle Mall 客户细分数据集
适用于您简历的中级/高级机器学习项目
完成上面列出的简单机器学习项目后,您可以继续从事更具挑战性的项目。
1. 销售预测
时间序列预测是业界经常使用的机器学习技术。使用过去的数据来预测未来的销售有大量的业务用例。 Kaggle 需求预测数据集可用于实践该项目。
该数据集包含 5 年的销售数据,您需要预测未来三个月的销售情况。数据集中列出了 50 个不同的商店,每个商店有 XNUMX 个商品。
要预测销售额,您可以尝试各种方法 - ARIMA、向量自回归或深度学习。您可以用于此项目的一种方法是测量每个月的销售额增长并记录下来。然后,根据上个月和当月销售额之间的差异构建模型。考虑假期和季节性等因素可以提高机器学习模型的性能。
资料集: Kaggle 商店商品需求预测
2. 客户服务聊天机器人
客户服务聊天机器人使用人工智能和机器学习技术来回复客户,扮演人类代表的角色。聊天机器人应该能够回答简单的问题来满足客户的需求。
目前您可以构建三种聊天机器人:
- 基于规则的聊天机器人——这些聊天机器人并不智能。它们被提供一组预定义的规则,并且仅根据这些规则回复用户。一些聊天机器人还提供了一组预定义的问题和答案,并且无法回答该域之外的查询。
- 独立聊天机器人——独立聊天机器人利用机器学习来处理和分析用户的请求并提供相应的响应。
- NLP 聊天机器人——这些聊天机器人可以理解单词的模式并区分不同的单词组合。它们是所有三种聊天机器人类型中最先进的,因为它们可以根据接受训练的单词模式想出接下来要说什么。
NLP 聊天机器人是一个有趣的机器学习项目想法。您将需要现有的单词语料库来训练您的模型,并且您可以轻松找到 Python 库来执行此操作。您还可以拥有一个预定义的字典,其中包含您想要训练模型的问题和答案对的列表。
3. 野生动物物体检测系统
如果您居住在经常看到野生动物的地区,那么实施物体检测系统来识别它们在您所在地区的存在会很有帮助。请按照以下步骤构建这样的系统:
- 在您想要监控的区域安装摄像头。
- 下载所有视频片段并保存。
- 创建一个 Python 应用程序来分析传入图像并识别野生动物。
微软使用从野生动物相机收集的数据构建了图像识别 API。为此,他们发布了一个开源预训练模型,称为 MegaDetector。
您可以在 Python 应用程序中使用此预训练模型从收集的图像中识别野生动物。它是迄今为止提到的最令人兴奋的 ML 项目之一,并且由于为此目的提供了预训练模型,因此实施起来非常简单。
API: 巨型探测器
4.Spotify音乐推荐系统
Spotify 使用人工智能向用户推荐音乐。您可以尝试根据 Spotify 上的公开数据构建推荐系统。
Spotify 有一个 API,您可以使用它来检索音频数据 - 您可以找到发行年份、密钥、流行度和艺术家等功能。要在 Python 中访问此 API,您可以使用名为 Spotipy 的库。
您还可以使用 Kaggle 上的 Spotify 数据集,该数据集约有 600 万行。使用这些数据集,您可以为每个用户最喜欢的音乐家建议最佳替代方案。您还可以根据每个用户喜欢的内容和流派提出歌曲推荐。
该推荐系统可以使用 K-Means 聚类来构建——相似的数据点将被分组。您可以向最终用户推荐簇内距离最小的歌曲。
构建推荐系统后,您还可以将其转换为简单的 Python 应用程序并进行部署。您可以让用户在 Spotify 上输入他们最喜欢的歌曲,然后在屏幕上显示与他们喜欢的歌曲相似度最高的型号推荐。
资料集: Kaggle Spotify 数据集
5. 市场篮子分析
市场篮分析是零售商用来识别可以一起销售的商品的流行技术。
例如:
几年前,一位研究分析师发现了啤酒和尿布销量之间的相关性。大多数时候,每当顾客走进商店买啤酒时,他们也会一起买尿布。
因此,商店开始在同一过道上同时销售啤酒和尿布,作为增加销量的营销策略。它奏效了。
人们认为啤酒和尿布具有很高的相关性,因为男性经常一起购买它们。男性会走进商店购买啤酒以及其他一些家庭用品(包括尿布)。 这似乎是一种几乎不可能的关联,但它确实发生了。
市场购物篮分析可以帮助公司识别经常一起购买的商品之间隐藏的相关性。然后,这些商店可以以一种让人们更容易找到它们的方式定位他们的商品。
您可以使用 Kaggle 上的市场购物篮优化数据集来构建和训练您的模型。用于执行市场篮分析的最常用算法是 Apriori 算法。
资料集: Kaggle 市场篮子优化数据集
6. 纽约市出租车行程持续时间
该数据集的变量包括出租车行程的起点和终点坐标、时间和乘客数量。该机器学习项目的目标是利用所有这些变量来预测行程持续时间。这是一个回归问题。
时间和坐标等变量需要进行适当的预处理并转换为可理解的格式。这个项目并不像看起来那么简单。该数据集还存在一些异常值,使预测变得更加复杂,因此您需要使用特征工程技术来处理此问题。
本次 NYC Taxi Trip Kaggle 竞赛的评估标准是 RMSLE 或均方根对数误差。 Kaggle 上排名靠前的提交获得了 0.29 的 RMSLE 分数,Kaggle 的基线模型的 RMSLE 为 0.89。
您可以使用任何回归算法来解决这个 Kaggle 项目,但该挑战赛中表现最好的竞争对手要么使用了梯度增强模型,要么使用了深度学习技术。
7. 实时垃圾邮件检测
在此项目中,您可以使用机器学习技术来区分垃圾邮件(非法)和火腿(合法)消息。
为此,您可以使用 Kaggle SMS Spam Collection 数据集。该数据集包含一组大约 5K 条已被标记为垃圾邮件或正常邮件的邮件。
您可以按照以下步骤构建实时垃圾邮件检测系统:
- 使用 Kaggle 的 SMS Spam Collection 数据集来训练机器学习模型。
- 使用 Python 创建一个简单的聊天室服务器。
- 在聊天室服务器上部署机器学习模型,并确保所有传入流量都通过该模型。
- 仅允许被分类为火腿的消息通过。如果它们是垃圾邮件,则返回错误消息。
要构建机器学习模型,您首先需要预处理 Kaggle 的 SMS Spam Collection 数据集中存在的文本消息。然后,将这些消息转换为词袋,以便可以轻松地将它们传递到分类模型中进行预测。
资料集: Kaggle SMS 垃圾邮件收集数据集
8. 迈尔斯-布里格斯性格预测应用程序
您可以创建一个应用程序来根据用户所说的内容来预测他们的性格类型。
迈尔斯-布里格斯类型指标将个人分为 16 种不同的性格类型。它是世界上最流行的性格测试之一。
如果您尝试在互联网上查找自己的性格类型,您会发现许多在线测验。回答大约 20-30 个问题后,您将被分配到一种性格类型。
然而,在这个项目中,你可以使用机器学习仅根据一句话来预测任何人的性格类型。
您可以采取以下步骤来实现这一目标:
- 构建多类分类模型并在 Kaggle 上的 Myers-Briggs 数据集上对其进行训练。这涉及数据预处理(删除停用词和不必要的字符)和一些特征工程。为此,您可以使用逻辑回归等浅层学习模型或 LSTM 等深度学习模型。
- 您可以创建一个应用程序,允许用户输入他们选择的任何句子。
- 保存您的机器学习模型权重并将模型与您的应用程序集成。最终用户输入单词后,模型进行预测后在屏幕上显示其性格类型。
资料集: Kaggle MBTI 类型数据集
9.情绪识别系统+推荐系统
您是否曾经感到悲伤并觉得需要看一些有趣的事情来让自己高兴起来?或者您是否曾经感到非常沮丧,需要放松一下并观看一些令人放松的东西?
该项目是两个较小项目的组合。
您可以构建一个应用程序,根据实时网络片段识别用户的情绪,并根据用户的表情提供电影建议。
要构建它,您可以采取以下步骤:
- 创建一个可以接收实时视频源的应用程序。
- 使用 Python 的面部识别 API 来检测视频源中对象的面部和情绪。
- 将这些情绪分类后,开始构建推荐系统。这可以是每种情绪的一组硬编码值,这意味着您不需要使用机器学习来获取建议。
- 完成应用程序的构建后,您可以将其部署在 Heroku、Dash 或 Web 服务器上。
API: 人脸识别API
10. YouTube评论情绪分析
在此项目中,您可以创建一个仪表板来分析热门 YouTuber 的整体情绪。
超过 2 亿用户每月至少观看一次 YouTube 视频。受欢迎的 YouTube 用户的内容获得了数千亿的观看次数。然而,这些影响者中的许多人过去因争议而受到批评,而且公众的看法也在不断变化。
您可以构建情绪分析模型并创建仪表板,以可视化名人随时间的情绪变化。
要构建它,您可以采取以下步骤:
- 抓取您想要分析的 YouTube 用户对视频的评论。
- 使用预先训练的情感分析模型对每条评论进行预测。
- 在仪表板上可视化模型的预测。您甚至可以使用 Dash (Python) 或 Shiny (R) 等库创建仪表板应用程序。
- 您可以允许用户按时间范围、YouTuber 名称和视频类型过滤情绪,从而使仪表板具有交互性。
API: YouTube 评论抓取工具
总结
机器学习行业规模庞大且充满机遇。如果您想在没有正式教育背景的情况下进入该行业,那么证明您拥有完成该工作所需技能的最佳方式是通过项目。
上面列出的大多数项目的机器学习方面都非常简单。由于机器学习的民主化,模型构建过程可以通过预先训练的模型和 API 轻松实现。
Keras 和 FastAI 等开源人工智能项目也有助于加快模型构建过程。这些机器学习的棘手部分 数据科学项目 是数据采集、预处理和部署。如果你找到一份机器学习的工作,大多数算法的构建都会非常简单。创建销售预测模型只需要一两天的时间。您将花费大部分时间寻找合适的数据源并将模型投入生产以获得业务价值。
原版。 经许可重新发布。
相关新闻:
资料来源:https://www.kdnuggets.com/2021/09/20-machine-learning-projects-hired.html
- "
- &
- 000
- 2021
- 9
- ACCESS
- 账号管理
- 额外
- AI
- 酒精
- 算法
- 算法
- 所有类型
- 允许
- 分析
- 分析人士
- 动物
- API
- APIs
- 应用
- 应用领域
- 应用
- 国家 / 地区
- 围绕
- 人工智能
- 艺术家
- 音频
- 自动化
- 可用性
- 言语包
- 底线
- 基础
- 啤酒
- 最佳
- 亿
- 血液
- 提高
- 盒子
- 票房
- 乳腺癌
- 建立
- 建筑物
- 商业
- 企业
- 购买
- 相机
- 癌症预防
- 例
- 名人
- 挑战
- 聊天机器人
- 聊天机器人
- 分类
- 美国有线电视新闻网
- 编码
- 柱
- 注释
- 公司
- 竞争
- 竞争对手
- 合并
- 内容
- 卷积神经网络
- 情侣
- 客户服务
- 合作伙伴
- Dash 达世币
- XNUMX月XNUMX日
- data
- 数据科学
- 重要日期
- 天
- 处理
- 决策树
- 深入学习
- 需求
- 需求预测
- 检测
- 糖尿病
- DID
- 数字
- 数字
- 疾病
- 距离
- 域名
- 教育的
- 情绪
- 工程师
- 进入
- Excel
- 体验
- 实验
- 面部彩妆
- 人脸识别
- 面孔
- 家庭
- 专栏
- 特征
- 美联储
- 电影
- 大火
- 姓氏:
- 适合
- 遵循
- 格式
- ,
- 滑稽
- 未来
- 性别
- 理想中
- 非常好
- 灰度
- 大
- 医疗保健
- 医疗保健行业
- 高
- 聘请
- 假期
- 别墅
- 家庭
- 创新中心
- HTTPS
- 数百
- 主意
- 鉴定
- 鉴定
- 图片
- 图像识别
- 包含
- 收入
- 增加
- 行业
- 行业中的应用:
- 影响力
- 信息
- 房源搜索
- 互动
- 网络
- IT
- 工作
- 工作机会
- 凯拉斯
- 键
- 语言
- 大
- 学习用品
- 知道
- 学习
- Level
- 自学资料库
- 光
- 友情链接
- 清单
- 加载
- 长
- 机器学习
- 机器学习技术
- 多数
- 制作
- 市场
- 营销
- 营销行业
- 衡量
- 中等
- 男性
- 微软
- 百万
- ML
- 模型
- 个月
- 心情
- 最受欢迎的产品
- 移动
- 电影
- 电影
- 音乐
- 音乐家
- 网络
- 神经
- 神经网络
- 消息
- NLP
- 纽约市
- 物体检测
- 提供
- 在线
- 在线课程
- 打开
- 机会
- 其他名称
- 范例
- 患者
- 员工
- 性能
- 个性
- 热门
- 个人档案
- 预测
- 预测
- 当下
- 压力
- 车资
- 价格预测
- 价格
- 生产
- 生产率
- 专业人士
- 曲目
- 项目
- 项目
- 国家
- 蟒蛇
- 质量
- 真实的世界
- 实时的
- 回归
- 研究
- 成果
- 零售商
- 收入
- 风险
- 风险因素
- 定位、竞价/采购和分析/优化数字媒体采购,但算法只不过是解决问题的操作和规则。
- 销售
- 科学
- 科学家
- 屏风
- 情绪
- 集
- 转移
- 简易
- 技能
- 短信
- So
- 出售
- 解决
- 垃圾邮件
- 速度
- 花
- 花费
- Spotify
- 开始
- 开始
- 商店
- 商店
- 故事
- 策略
- 系统
- 目标
- 测试
- 测试
- 基础知识
- 世界
- 次
- 最佳
- 交通
- 产品培训
- 教程
- 用户
- 公用事业
- 折扣值
- 视频
- 视频
- 了解
- 卷筒纸
- Web服务器
- WHO
- 野生动物
- Witness & Evangelism Committee
- 中
- 话
- 工作
- 工作流程
- 劳动力
- 世界
- X
- 年
- 年
- YouTube的
- YouTube用户