Projek Pembelajaran Mesin Terkini untuk dicuba pada tahun 2019



Artikel ini akan memberi anda pengetahuan yang komprehensif mengenai Projek Pembelajaran Mesin di industri dan kejayaan yang dibuat di kawasan ini.

jelas merupakan bidang yang telah menyaksikan kemajuan yang menggila dalam beberapa tahun kebelakangan ini. Trend dan kemajuan ini telah mewujudkan banyak peluang pekerjaan di industri ini. Keperluan untuk Jurutera Pembelajaran Mesin permintaan tinggi dan lonjakan ini disebabkan oleh perkembangan teknologi dan penjanaan sejumlah besar data aka Big Data. Oleh itu, dalam artikel ini, saya akan membincangkan Projek Pembelajaran Mesin yang paling menakjubkan yang mesti diketahui dan dikerjakan dengan urutan berikut:

Apa itu Pembelajaran Mesin?

Pembelajaran Mesin adalah konsep yang membolehkan mesin belajar dari contoh dan pengalaman, dan itu juga tanpa diprogram secara eksplisit. Oleh itu, bukannya anda menulis kod, apa yang anda lakukan ialah memasukkan data ke algoritma generik, dan algoritma / mesin membina logik berdasarkan data yang diberikan.





Siapa Jurutera ML

Langkah Pembelajaran Mesin

Sebarang Algoritma Pembelajaran Mesin mengikuti corak atau langkah biasa.



Mengumpul data: Tahap ini melibatkan pengumpulan semua data yang relevan dari pelbagai sumber

Penyusunan Data: Ini adalah proses membersihkan dan mengubah 'Data Mentah' menjadi format yang memungkinkan penggunaan yang mudah

Analisis Data: Data dianalisis untuk memilih dan menyaring data yang diperlukan untuk menyiapkan model



Algoritma Keretapi: Algoritma dilatih pada set data latihan, di mana algoritma memahami corak dan peraturan yang mengatur data

Model Ujian: Set data ujian menentukan ketepatan model kami.

Penerapan: Sekiranya kelajuan dan ketepatan model dapat diterima, maka model itu harus digunakan dalam sistem yang sebenarnya. Setelah model diterapkan berdasarkan kinerjanya, model ini diperbarui dan ditingkatkan jika ada penurunan dalam prestasi model tersebut dilatih kembali.

Jenis Pembelajaran Mesin

Pembelajaran Mesin Dikategorikan kepada tiga jenis:

Pembelajaran yang diselia: Di sinilah anda mempunyai pemboleh ubah input (x) dan pemboleh ubah output (Y) dan anda menggunakan algoritma untuk mempelajari fungsi pemetaan dari input ke output.

Pembelajaran Tanpa Pengawasan: Kadang kala data yang diberikan tidak berstruktur dan tidak berlabel. Oleh itu, menjadi sukar untuk mengklasifikasikan data tersebut dalam pelbagai kategori. Pembelajaran tanpa pengawasan membantu menyelesaikan masalah ini. Pembelajaran ini digunakan untuk mengumpulkan data input dalam kelas berdasarkan sifat statistiknya.

Pembelajaran Pengukuhan: Ini semua mengenai mengambil tindakan yang sewajarnya untuk memaksimumkan ganjaran dalam situasi tertentu.
ketika datang ke pembelajaran pengukuhan, tidak ada hasil yang diharapkan. Ejen penguat menentukan tindakan apa yang harus dilakukan untuk melaksanakan tugas yang diberikan. Sekiranya tidak ada set data latihan, ia pasti akan belajar dari pengalamannya.

Sekarang, mari kita lihat beberapa Projek Pembelajaran Mesin Kehidupan Sebenar yang dapat membantu syarikat menjana keuntungan.

Kes Penggunaan Industri

1. STUDIO GERAKAN

Domain: Separuh

Fokus: Optimumkan Proses Pemilihan

argumen baris perintah dalam kava contoh java

Cabaran Perniagaan: Motion Studio adalah rumah produksi Radio terbesar di Eropah. Mempunyai pendapatan lebih dari satu Billion Dolar, syarikat telah memutuskan untuk melancarkan rancangan realiti baru: Bintang RJ. Respons terhadap rancangan itu tidak pernah terjadi sebelumnya dan syarikat itu dibanjiri dengan klip suara. Anda sebagai ahli ML harus mengklasifikasikan suara sebagai lelaki / wanita supaya tahap penyaringan pertama lebih cepat.

Isu Utama: Sampel suara melintang.

Manfaat Perniagaan: Sejak Bintang RJ adalah rancangan realiti, masa untuk memilih calon sangat singkat. Keseluruhan kejayaan persembahan dan oleh itu keuntungan bergantung pada pelaksanaan yang cepat dan lancar

import panda sebagai pd import numpy sebagai np import matplotlib.pyplot sebagai plt import seaborn sebagai sns% matplotlib sebaris import amaran amaran.filterwarnings ('abaikan') df = pd.read_csv ('voice-classification.csv') df.head ()

# Periksa no. rekod df.info () df.describe () df.isnull (). jumlah ()

print ('Shape of Data:', df.shape) print ('Jumlah bilangan label: {}'. format (df.shape [0])) print ('Number of male: {}'. format (df [ df.label == 'lelaki']. bentuk [0])) cetak ('Bilangan wanita: {}'. format (df [df.label == 'perempuan']. bentuk [0]))

X = df.iloc [:,: -1] cetakan (df.shape) cetak (bentuk X.)

dari sklearn.preprocessing import LabelEncoder y = df.iloc [:, - 1] gender_encoder = LabelEncoder () y = gender_encoder.fit_transform (y) y dari sklearn.preprocessing import StandardScaler scaler = StandardScaler () scaler.fit (X) scaler.transform (X) from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0.3, random_state = 100) dari sklearn.svm import SVC dari metrik import sklearn.rtrik dari skrarn import metrik , confusion_matrix svc_model = SVC () svc_model.fit (X_train, y_train) y_pred = svc_model.predict (X_test) print ('Accuracy Score:') print (metrics.accuracy_score (y_test, y_pred))

mencetak (confusion_matrix (y_test, y_pred))

2. LITHIONPOWER

Domain: Automotif

Fokus: Galakkan Pemacu

Cabaran Perniagaan: Lithionpower adalah penyedia bateri kenderaan elektrik (e-kenderaan) terbesar. Pemandu menyewa bateri biasanya selama sehari dan kemudian menggantinya dengan bateri yang dicas dari syarikat. Lithionpower mempunyai model harga berubah berdasarkan sejarah pemanduan pemandu. Oleh kerana jangka hayat bateri bergantung pada faktor-faktor seperti kelajuan tinggi, jarak perjalanan setiap hari, dan lain-lain. Anda sebagai pakar ML harus membuat model kluster di mana pemandu dapat dikelompokkan berdasarkan data pemanduan.

Isu utama: Pemacu akan diberi insentif berdasarkan kelompok, jadi pengelompokan harus tepat.

Faedah Perniagaan: Kenaikan keuntungan, sehingga 15-20% kerana pemandu dengan sejarah yang buruk akan dikenakan bayaran lebih banyak.

import panda sebagai pd import numpy sebagai np import matplotlib.pyplot sebagai plt import seaborn sebagai sns sns.set () # for plot styling% matplotlib sebaris import amaran amaran.filterwarnings ('abaikan') import matplotlib.pyplot sebagai plt plt.rcParams [ 'figure.figsize'] = (12, 6) df = pd.read_csv ('driver-data.csv') df.head ()

df.info () df.deskripsikan ()

dari sklearn.cluster import KMeans #Mengambil 2 kelompok kmeans = KMeans (n_clusters = 2) df_analyze = df.drop ('id', axis = 1) kmeans.fit (df_analyze)

kmeans.cluster_centers_

cetak (kmeans.labels_) cetak (len (kmeans.labels_))

cetak (type (kmeans.labels_)) unik, dikira = np.unique (kmeans.labels_, return_counts = True) cetak (dikt (zip (unik, kiraan)))

df_analyze ['cluster'] = kmeans.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day', 'mean_over_speed_perc', data = df_analyze, hue = 'cluster', palet = 'coolwarm', ukuran = 6, aspek = 1, fit_reg = Salah)

# Sekarang, Mari kita periksa kluster, apabila n = 4 kmeans_4 = KMeans (n_clusters = 4) kmeans_4.fit (df.drop ('id', axis = 1)) kmeans_4.fit (df.drop ('id', axis) = 1)) cetak (kmeans_4.cluster_centers_) unik, dikira = np.unique (kmeans_4.labels_, return_counts = True) kmeans_4.cluster_centers_ print (dikt (zip (unik, jumlah)))

df_analyze ['cluster'] = kmeans_4.labels_ sns.set_style ('whitegrid') sns.lmplot ('mean_dist_day', 'mean_over_speed_perc', data = df_analyze, hue = 'cluster', palet = 'coolwarm', ukuran = 6, aspek = 1, fit_reg = Salah)

3. BluEx

Domain: Logistik

Fokus: Jalan Optimum

Cabaran Perniagaan: BluEx adalah syarikat logistik terkemuka di India. Ia terkenal dengan penghantaran paket yang cekap kepada pelanggan. Walau bagaimanapun, BluEx menghadapi cabaran di mana pemandu vannya mengambil jalan yang kurang optimum untuk penghantaran. Ini menyebabkan kelewatan dan kos bahan bakar yang lebih tinggi. Anda sebagai ahli ML harus membuat model ML menggunakan Pembelajaran Pengukuhan supaya jalan yang efisien dapat dijumpai melalui program ini.

Isu utama: Data mempunyai banyak atribut dan klasifikasi mungkin sukar.

Faedah Perniagaan: Hingga 15% kos bahan bakar dapat dijimatkan dengan mengambil jalan yang optimum.

import numpy sebagai np import pylab sebagai plt import networkx sebagai nx # Memulakan poin poin_list = [(0,1), (1,5), (5,6), (5,4), (1,2), (2 , 3), (2,7)] gol = 7 pemetaan = {0: 'Mula', 1: '1', 2: '2', 3: '3', 4: '4', 5: '5 ', 6:' 6 ', 7:' 7-Destination '} G = nx.Graph () G.add_edges_from (points_list) pos = nx.spring_layout (G, k = .5, tengah = poin_list [2]) nx .draw_networkx_nodes (G, pos, node_color = 'g') nx.draw_networkx_edges (G, pos, edge_color = 'b') nx.draw_networkx_labels (G, pos) plt.show ()

NO_OF_POINTS = 8 #Inititlaizing R Matrix R = np.matrix (np.ones (bentuk = (NO_OF_POINTS, NO_OF_POINTS))) R * = -1 untuk point in points_list: print (point) if point [1] == matlamat: R [titik] = 150 yang lain: R [titik] = 0 jika titik [0] == matlamat: R [titik [:: - 1]] = 150 yang lain: # kebalikan dari titik R [titik [:: - 1]] = 0

R [gol, matlamat] = 150 R

Q = np.matrix (np.zeros ([NO_OF_POINTS, NO_OF_POINTS])) # Parameter pembelajaran gamma = 0.8 initial_state = 1 def available_actions (state): current_state_row = R [state,] av_act = np.where (current_state_row & ampampampgt = 0 ) [1] return av_act available_act = available_actions (initial_state) def sample_next_action (available_actions_range): next_action = int (np.random.choice (available_act, 1)) return next_action action = sample_next_action (available_act) kemas kini def (semasa_state, tindakan, gamma) : max_index = np.where (Q [action,] == np.max (Q [action,])) [1] if max_index.shape [0] & ampampampgt 1: max_index = int (np.random.choice (max_index, size = 1)) else: max_index = int (max_index) max_value = Q [action, max_index] Q [current_state, action] = R [current_state, action] + gamma * max_value print ('max_value', R [current_state, tindakan] + gamma * max_value) jika (np.max (Q) & ampampampgt 0): return (np.sum (Q / np.max (Q) * 100)) lain: kembali (0) kemas kini (status_ awal, tindakan, gamma)

skor = [] untuk i dalam julat (700): current_state = np.random.randint (0, int (Q.shape [0])) available_act = available_actions (current_state) action = sample_next_action (available_act) skor = kemas kini (current_state, aksi, gamma) skor. tambah (skor) cetak ('Skor:', str (skor)) cetak ('Matrik Q terlatih:') cetak (Q / np.max (Q) * 100) # Uji arus_state = 0 langkah = [current_state] while current_state! = 7: next_step_index = np.where (Q [current_state,] == np.max (Q [current_state,])) [1] jika next_step_index.shape [0] & ampampampgt 1: next_step_index = int (np.random.choice (next_step_index, size = 1)) other: next_step_index = int (next_step_index) langkah-langkah. tambah (next_step_index) current_state = next_step_index

cetak ('Laluan paling cekap:') cetak (langkah) plt.plot (skor) plt.show ()

Projek Pembelajaran Mesin Sumber Terbuka pada tahun 2019

Detectron : Detectron adalah sistem perisian Facebook AI Research yang menerapkan algoritma pengesanan objek canggih. Ia ditulis dalam Python dan dikuasakan oleh kerangka pembelajaran mendalam Caffe2.

Tujuan Detectron adalah untuk menyediakan pangkalan data berkualiti tinggi dan berprestasi tinggi untuk penyelidikan pengesanan objek. Ia dirancang agar fleksibel untuk mendukung pelaksanaan dan penilaian penyelidikan novel yang cepat. Ia mengandungi lebih daripada 50 model Pra terlatih.

Ketepikan : Perkiraan pose manusia yang padat bertujuan untuk memetakan semua piksel manusia dari gambar RGB ke permukaan 3D tubuh manusia. DensePose-RCNN dilaksanakan dalam kerangka Detectron.

TensorFlow.js : Ini adalah perpustakaan untuk mengembangkan dan melatih model ML dan menggunakan di penyemak imbas. Ia menjadi rilis yang sangat popular sejak dilancarkan pada awal tahun ini dan terus memukau dengan fleksibilitasnya. Dengan ini anda boleh

  • Kembangkan ML di Penyemak Imbas: Gunakan API fleksibel dan intuitif untuk membina model dari awal menggunakan perpustakaan aljabar linear JavaScript peringkat rendah atau API lapisan peringkat tinggi.
  • Jalankan model yang ada : Gunakan penukar model TensorFlow.js untuk menjalankan model TensorFlow yang sudah ada langsung di penyemak imbas.
  • Latih kembali model yang ada: Latih kembali model ML yang sudah ada menggunakan data sensor yang disambungkan ke penyemak imbas, atau data sisi pelanggan yang lain.

Gelombang Gelombang: Pembelajaran Mesin juga membuat kemajuan besar dalam pemprosesan audio dan bukan hanya menghasilkan muzik atau klasifikasi. WaveGlow adalah Rangkaian Generatif berasaskan Aliran untuk Sintesis Ucapan oleh NVIDIA. Para penyelidik juga telah menyenaraikan langkah-langkah yang boleh anda ikuti jika anda ingin melatih model anda sendiri dari awal.

Mengurangkan Imej : Bayangkan anda mempunyai separuh gambaran pemandangan dan anda mahukan pemandangan penuh, dan itulah gambaran yang boleh dilakukan untuk anda. Projek ini adalah pelaksanaan Keras dari kertas Gambar Outpainting Stanford. Model itu dilatih dengan 3500 data pantai yang dihapus dengan hujah berjumlah hingga 10,500 gambar untuk 25 zaman .

Ini adalah kertas yang luar biasa dengan penjelasan langkah demi langkah yang terperinci. Contoh yang mesti dicuba untuk semua Penggemar Pembelajaran Mesin. Secara peribadi, ini adalah projek Pembelajaran Mesin kegemaran saya.

Pengharmonian Pelukis Dalam : Nah, bercakap mengenai gambar, yang ini adalah karya agung. Apa yang dilakukan oleh algoritma ini, mengambil gambar sebagai input dan kemudian jika anda menambahkan elemen luaran pada gambar, ia menggabungkan elemen itu ke persekitaran seolah-olah ia adalah sebahagian daripadanya.

contoh java util logging logger

Bolehkah anda memberitahu perbezaannya? Tidak, bukan? Nah, ini menunjukkan sejauh mana kita telah mencapai aspek Pembelajaran Mesin.

DeepMimic: Sekarang, perhatikan gambar di sini dengan teliti, anda melihat gambar tongkat melakukan tendangan putaran, backflip, dan roda roda. Bahawa rakan saya adalah peneguhan belajar dalam tindakan. DeepMimic adalah Pembelajaran Pengukuhan Dalam yang Berpandukan kepada Kemahiran Perwatakan Berasaskan Fizik.

Magenta : Magenta adalah projek penyelidikan yang meneroka peranan pembelajaran mesin dalam proses mencipta seni dan muzik. Terutama ini melibatkan pengembangan algoritma pembelajaran mendalam dan pengukuhan baru untuk menghasilkan lagu, gambar, gambar, dan bahan lain.

Ia juga merupakan penerokaan dalam membina alat dan antara muka pintar yang membolehkan artis dan pemuzik memperluas ( bukan ganti! ) proses mereka menggunakan model-model ini. Pergilah sayap anda, buat kandungan unik anda untuk Instagram atau Soundcloud dan jadilah influencer.

Jadi kawan-kawan, dengan ini kita akan mengakhiri artikel Projek Pembelajaran Mesin yang menakjubkan ini. Cuba contoh ini dan beritahu kami di bahagian komen di bawah. Saya harap anda dapat mengetahui pelaksanaan praktikal Pembelajaran Mesin di industri. Edureka's menjadikan anda mahir dalam teknik seperti Pembelajaran yang Diawasi, Pembelajaran Tanpa Pengawasan dan Pemprosesan Bahasa Asli. Ia merangkumi latihan mengenai kemajuan terkini dan pendekatan teknikal dalam Artificial Intelligence & Machine Learning seperti Pembelajaran Dalam, Model Grafik dan Pembelajaran Pengukuhan