Machine Learning Projects: 7 Machine Learning Projekte zum Ausbau Ihrer Fähigkeiten

Read in English (Auf Englisch lesen).

Sie haben Ihre Fähigkeiten im maschinellen Lernen weiterentwickelt, sich mit den Feinheiten von Datenpunkten auseinandergesetzt und Programmiersprachen geübt. Darüber hinaus wissen Sie, was ein maschinelles Lernmodell ist, und möchten dieses Wissen in der Praxis umsetzen und eines erstellen, anstatt nur darüber zu lesen. 

Machine Learning Projekte (ML) ermöglichen es Ihnen, Ihre bisher erworbenen Fähigkeiten zu üben und diese gleichzeitig in Ihrem Portfolio zu präsentieren. Dadurch helfen sie Ihnen nicht nur, Data Science und Machine Learning besser zu verstehen, sondern zeigen potenziellen Arbeitgebern auch, was Sie wirklich können, wenn Sie die Chance dazu bekommen. 

Um Ihnen den Einstieg zu erleichtern, stellt Ihnen dieser Artikel sieben Ideen für Machine Learning Projekte für Anfänger, Fortgeschrittene und ML Studenten vor. Wenn Sie anschließend Ihre praktischen Machine Learning Kenntnisse vertiefen möchten, empfiehlt sich die Spezialisierung Machine Learning von Stanford und DeepLearning.AI.

1. Schwertlilien identifizieren.

Schwertlilien beeinflussten das Design der französischen Lilie, werden häufig in der japanischen Kunst des Blumensteckens, bekannt als Ikebana, verwendet und sind die Grundlage für den blumigen Duft des Parfüms „Essence of Violet“ [1]. Sie sind auch das Thema dieses bekannten Machine Learning Projekts, in dem Sie ein ML Modell erstellen müssen, das Schwertlilien anhand von fünf Faktoren in eine von drei Klassen einteilen kann: Iris Setosa, Iris Versicolour und Iris Virginica.

Um Ihnen den Einstieg zu erleichtern, enthält der folgende Datensatz 50 Exemplare jeder der drei Irisklassen, also insgesamt 150 Exemplare. Während eine der Klassen linear trennbar ist, sind die anderen beiden nichttrennbar. Ihre Aufgabe besteht darin, ein Modell zu erstellen, das jedes Irisexemplar anhand von vier Attributen der entsprechenden Klasse zuordnen kann: Kelchblattlänge, Kelchblattbreite, Blütenblattlänge und Blütenblattbreite. 

UCI-Datensatz: UCI Machine Learning Repository Iris Datensatz

2. Umsatzprognose.

Welchen Einfluss haben der Wechsel der Jahreszeiten, die demografische Entwicklung oder staatliche Vorschriften auf die zukünftigen Umsätze eines Unternehmens? 

Fragen wie diese bilden die Grundlage für die gängige Geschäftspraxis der Umsatzprognose. Dabei schätzt ein Unternehmen anhand relevanter historischer Daten die Anzahl der zukünftig zu verkaufenden Produkte oder Dienstleistungen. Es überrascht nicht, dass Unternehmen zunehmend auf maschinelles Lernen zurückgreifen, um Modelle zu entwickeln, die Umsatzprognosen immer präziser ermöglichen als die weniger fortschrittlichen Ansätze der Vergangenheit. 

In diesem Machine Learning Projekt sammeln Sie Erfahrung mit Umsatzprognosen anhand eines realen Umsatzdatensatzes von Walmart. Ihre Aufgabe ist es, die abteilungsweiten Umsätze für 45 Walmart Filialen in verschiedenen Regionen vorherzusagen und dabei wichtige saisonale Preisnachlasszeiten wie den Labor Day, Thanksgiving und Weihnachten zu berücksichtigen. 

Kaggle-Datensatz: Walmart Rekrutierung – Verkaufsprognosen

3. Aktienkurse vorhersagen. 

Ein gängiger Anlagetipp lautet: Der Schlüssel zum Erfolg liegt darin, Aktien zum Tiefstkurs zu kaufen und zum Höchstkurs zu verkaufen. Mit anderen Worten: Günstig kaufen, teuer verkaufen. Doch wie erkennt man, wann eine Aktie ihren Tiefstkurs erreicht hat? 

Obwohl es keine hundertprozentige Antwort auf diese Frage gibt, besteht ein Ansatz darin, ein Machine Learning Modell zu entwickeln, das anhand historischer Daten Aktienkursschwankungen vorhersagen kann. Genau das werden Sie in diesem Machine Learning Projekt versuchen. 

Der folgende Datensatz enthält hochwertige Daten zu US Aktien und börsengehandelten Fonds (ETFs) an der NASDAQ, der NYSE und dem NYSE MKT. Wie könnten Sie versuchen, die immer schwer fassbare Frage der Vorhersage zukünftiger Aktienkurse mithilfe von maschinellem Lernen zu lösen? 

Kaggle-Datensatz: Riesiger Aktienmarkt Datensatz

4. Entwerfen Sie eine Empfehlungsmaschine.

Wir alle kennen das: Man ist auf einer Streaming Plattform mit einer schier endlosen Sammlung an Videos und weiß nicht, was man sich ansehen soll. Soll es die Anime Serie aus der nahen Zukunft oder die kitschige romantische Komödie aus den frühen 2000ern sein? Oder sollte man endlich mal den stimmungsvollen Noir Film aus den 40ern sehen? 

Online Plattformen sind sich der Entscheidungsmüdigkeit bewusst, die durch eine überwältigende Anzahl von Optionen entstehen kann. Daher nutzen viele von ihnen komplexe Modelle des maschinellen Lernens, um maßgeschneiderte Empfehlungen für ihre Nutzer zu erstellen. Tatsächlich basieren viele der beliebtesten Dienste heutzutage auf Empfehlungssystemen – von Google über Netflix bis hin zum Gamepass Service von Xbox. 

In diesem Projekt erstellen Sie Ihr eigenes Empfehlungssystem mit Daten des Filmempfehlungsdienstes MovieLens. Der von 138.493 Nutzern erstellte MovieLens-Datensatz enthält über 20 Millionen Bewertungen und über 460.000 Tags für 27.278 Filme. Sehen Sie, was Sie mit diesen wichtigen Daten alles erreichen können. 

Kaggle-Datensatz: MovieLens 20M Datensatz

5. Taxipreis vorhersagen

Wie die Gezeiten schwankt auch die Nachfrage nach Taxis je nach Tageszeit, Wetterbedingungen und Jahreszeit. Bei Regen haben Taxifahrer ein sehr gutes Geschäft.An angenehmen, ruhigeren Tagen hingegen entscheiden sich Stadtmenschen oft lieber für einen Spaziergang als für eine Fahrt, was zu sinkenden Fahrpreisen führt. Für Fahrer und Kunden ist es ein Auf und Ab – mal rauf, mal runter.

Für alle, die Machine Learning Techniken zur Lösung realer Probleme einsetzen möchten, bietet sich die Erstellung eines Vorhersagemodells zur Prognose potenzieller Taxitarife als praktisches und einfaches Machine Learning Projekt an. In diesem KI-Projekt von Google Cloud nutzen Sie BigQuery, um Datensätze öffentlicher Taxis zu finden und einen Trainingsdatensatz für die Batch-Vorhersage zu erstellen. Erstellen Sie in diesem Projekt für Fortgeschrittene ein ML Modell zur Fahrpreisvorhersage und bewerten Sie dessen Leistung.

6. Identifizieren Sie beschädigte Autoteile. 

Während der COVID-19-Pandemie kamen Lieferketten und Produktionsprozesse weltweit zum Erliegen, da Länder und Betriebe geschlossen wurden, um die Ausbreitung des Virus zu stoppen. Infolgedessen hatte die Automobilindustrie Schwierigkeiten, neue Autos zu produzieren.

Als potenzieller Autokäufer in dieser Zeit machen Sie sich beim Durchstöbern von Gebrauchtwagenanzeigen wahrscheinlich Gedanken über den Zustand eines potenziellen Autos. Wäre es nicht großartig, wenn Sie mithilfe von maschinellem Lernen Schäden an verschiedenen Autoteilen erkennen und so feststellen könnten, ob sich der Kauf für Sie lohnt? 

In diesem interaktiven Projekt von Google Cloud Training nutzen Sie Machine Learning Vision, um beschädigte Autoteile zu identifizieren. Dieses kurze Projekt richtet sich an fortgeschrittene Anwender des maschinellen Lernens und führt Sie durch den Prozess des Hochladens eines Datensatzes in den Cloud-Speicher, der Überprüfung hochgeladener Bilder auf Fehlerfreiheit, des Trainierens eines ML Modells und der Bewertung Ihres Modells auf Genauigkeit. 

7. Identifizieren Sie Gesichter, Etiketten und Sehenswürdigkeiten.

Wie Maler, Bildhauer und Schauspieler seit Jahrtausenden wissen, ist das Gesicht eine Quelle von Emotionen. Während Schauspieler im traditionellen japanischen Nō-Theater Licht und Schatten nutzen, um Lächeln und Stirnrunzeln auf ansonsten unveränderlichen Masken darzustellen, nutzte der antike Bildhauer, der die berühmte Statue „Laokoon und seine Söhne“ schuf, verzerrte Gesichtsausdrücke, um das Leid seiner Figuren beim Schlangenangriff auszudrücken. 

Das Gesicht und sein Ausdruck sind also eine weitere Datenquelle – oft intuitiv verständlich für viele Menschen, nicht aber für Maschinen. Während es für uns offensichtlich ist, wie man den Unterschied zwischen einem lächelnden Gesicht, einem Gebäude und einem Etikett erkennt, müssen Maschinen erst lernen, zwischen ihnen zu unterscheiden.

In diesem Google Cloud Projekt senden Sie Bilder an die Cloud Vision API, damit diese Objekte, Gesichter und Orientierungspunkte erkennt. Dieses Projekt für Fortgeschrittene dauert nur 30 Minuten und bietet praktisches Lernen in kurzer Zeit.

Geführte Projekte

Wenn Sie unsicher sind, wo Sie anfangen sollen, oder etwas mehr Anleitung wünschen, können Sie ein geführtes Projekt auf Coursera in Betracht ziehen. Hier sind einige Ideen für Machine Learning Projekte, die Sie mithilfe der Anleitung umsetzen können.

• Vorhersage des Gebärmutterhalskrebsrisikos mithilfe von maschinellem Lernen. In diesem angeleiteten Projekt für Anfänger führen Sie zwei Stunden explorative Datenanalysen durch und entwickeln, trainieren und evaluieren ein XG-Boost-Klassifikationsmodell. Am Ende nutzen Sie das erstellte Modell zur Bewertung des Gebärmutterhalskrebsrisikos und erhalten ein Zertifikat, das Sie in Ihren Lebenslauf aufnehmen können.

• Vorhersage von Krankenversicherungsprämien mit maschinellem Lernen. Dieses zweistündige geführte Projekt ist ideal für Anfänger und konzentriert sich auf künstliche neuronale Netze. Sie führen Datenbereinigung, Feature Engineering und Datenvisualisierung durch und erstellen, trainieren und testen ein Modell eines künstlichen neuronalen Netzes.

Bauen Sie mit Coursera mehr ML Expertise auf

Maschinelles Lernen ist ein wachsendes Feld mit einem breiten Anwendungsspektrum. Egal, ob Sie gerade erst anfangen oder bereits gut mit dem Gebiet vertraut sind, auf Coursera ist für jeden etwas dabei:

Um praktische ML Kenntnisse zu entwickeln, melden Sie sich für die Spezialisierung Machine Learning von Stanford und DeepLearning.AI an. Erstellen Sie ML Modelle, wenden Sie Best Practices für die ML Entwicklung an und entwickeln und trainieren Sie Ihr eigenes neuronales Netzwerk mit TensorFlow.

Um die Grundlagen des Deep Learning zu beherrschen, absolvieren Sie die Deep Learning Spezialisierung von DeepLearning.AI . Erfahren Sie in nur drei Monaten, wie Sie neuronale Netzwerke, CNNs und RNNs erstellen.

Bereiten Sie sich auf eine Karriere im Bereich KI- und ML-Engineering vor und absolvieren Sie das Microsoft AI & ML Engineering Zertifikat. In diesem Programm für Fortgeschrittene entwickeln, implementieren und innovieren Sie mit fortschrittlichen Techniken des maschinellen Lernens und realen Projekten.