โครงการแมชชีนเลิร์นนิงยอดนิยมใน Python สำหรับผู้เริ่มต้น [2022]

หากคุณต้องการเป็นมืออาชีพด้านแมชชีนเลิร์นนิง คุณจะต้องได้รับประสบการณ์โดยใช้เทคโนโลยีของมัน วิธีที่ดีที่สุดคือทำโครงการให้เสร็จ ด้วยเหตุนี้ในบทความนี้ เราจึงแชร์โปรเจ็กต์การเรียนรู้ของเครื่องหลายตัวใน Python เพื่อให้คุณสามารถเริ่มทดสอบทักษะและรับประสบการณ์อันมีค่าได้อย่างรวดเร็ว

อย่างไรก็ตาม ก่อนที่คุณจะเริ่มต้น ตรวจสอบให้แน่ใจว่าคุณคุ้นเคยกับแมชชีนเลิร์นนิงและอัลกอริทึมของมันแล้ว หากคุณไม่เคยทำงานในโครงการมาก่อน ไม่ต้องกังวลเพราะเราได้แบ่งปันบทช่วยสอนโดยละเอียดเกี่ยวกับโครงการหนึ่ง:

ชุดข้อมูล Iris: สำหรับผู้เริ่มต้น

ชุดข้อมูล Iris เป็นหนึ่งในโปรเจ็กต์แมชชีนเลิร์นนิงที่ได้รับความนิยมมากที่สุดใน Python มันค่อนข้างเล็ก แต่ความเรียบง่ายและขนาดที่กะทัดรัดทำให้เหมาะสำหรับผู้เริ่มต้น หากคุณยังไม่ได้ทำงานในโปรเจ็กต์แมชชีนเลิร์นนิงใน Python คุณควรเริ่มด้วย ชุดข้อมูล Iris คือชุดของกลีบเลี้ยงดอกไม้และขนาดกลีบของดอกไอริส มีสามคลาส โดยมี 50 อินสแตนซ์ในทุกคลาส

เราได้จัดเตรียมโค้ดตัวอย่างไว้ในสถานที่ต่างๆ แต่คุณควรใช้โค้ดดังกล่าวเพื่อทำความเข้าใจวิธีการทำงานเท่านั้น การนำโค้ดไปใช้โดยไม่เข้าใจ จะทำให้พื้นฐานการทำโปรเจ็กต์ล้มเหลว ดังนั้นควรทำความเข้าใจโค้ดให้ดีเสียก่อน

ขั้นตอนที่ 1: นำเข้าไลบรารี

ขั้นตอนแรกของโปรเจ็กต์แมชชีนเลิร์นนิงคือการนำเข้าไลบรารี เหตุผลหลักที่ Python ใช้งานได้หลากหลายก็เพราะว่าไลบรารี่ที่แข็งแกร่งของมัน ห้องสมุดที่เราต้องการในโครงการนี้คือ:

• แพนด้า
• Matplotlib
• Sklearn
• SciPy
• นำพาย

มีหลายวิธีในการนำเข้าไลบรารีในระบบของคุณ และคุณควรใช้วิธีเฉพาะในการนำเข้าไลบรารีทั้งหมด จะช่วยให้มั่นใจถึงความสม่ำเสมอและช่วยให้คุณหลีกเลี่ยงความสับสนได้ โปรดทราบว่าการติดตั้งจะแตกต่างกันไปตามระบบปฏิบัติการของอุปกรณ์ ดังนั้นโปรดระลึกไว้เสมอว่าขณะนำเข้าไลบรารี

รหัส:

# โหลดไลบรารี่

จากการนำเข้าแพนด้า read_csv

จาก pandas.plotting นำเข้า scatter_matrix

จาก matplotlib นำเข้า pyplot

จาก sklearn.model_selection นำเข้า train_test_split

จาก sklearn.model_selection นำเข้า cross_val_score

จาก sklearn.model_selection นำเข้า StratifiedKFold

จาก sklearn.metrics นำเข้าการจัดหมวดหมู่_report

จาก sklearn.metrics นำเข้าสับสน_matrix

จาก sklearn.metrics นำเข้าความแม่นยำ_score

จาก sklearn.linear_model นำเข้า LogisticRegression

จาก sklearn.tree นำเข้า DecisionTreeClassifier

จาก sklearn.neighbors นำเข้า KNeighborsClassifier

จาก sklearn.discriminant_analysis นำเข้า LinearDiscriminantAnalysis

จาก sklearn.naive_bayes นำเข้า GaussianNB

จาก sklearn.svm นำเข้า SVC

อ่าน: แนวคิดโครงการชุดข้อมูลการเรียนรู้ของเครื่อง 10 อันดับแรกสำหรับผู้เริ่มต้น

ขั้นตอนที่ 2: โหลดชุดข้อมูล

หลังจากนำเข้าไลบรารีแล้วก็ถึงเวลาโหลดชุดข้อมูล ตามที่เราคุยกัน เราจะใช้ชุดข้อมูล Iris ในโครงการนี้ คุณสามารถดาวน์โหลดได้จาก ที่ นี่

ตรวจสอบให้แน่ใจว่าคุณระบุชื่อทุกคอลัมน์ขณะโหลดข้อมูล และจะช่วยคุณในโปรเจ็กต์ในภายหลัง เราแนะนำให้ดาวน์โหลดชุดข้อมูล ดังนั้นแม้ว่าคุณจะประสบปัญหาการเชื่อมต่อ โปรเจ็กต์ของคุณก็จะไม่ได้รับผลกระทบ

รหัส:

# โหลดชุดข้อมูล

url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv”

ชื่อ = ['ความยาวกลีบ', 'ความกว้างของกลีบ', 'ความยาวกลีบดอก', 'ความกว้างกลีบดอก', 'คลาส']

ชุดข้อมูล = read_csv (url ชื่อ = ชื่อ)

ขั้นตอนที่ 3: สรุป

ก่อนที่เราจะเริ่มใช้ชุดข้อมูล เราต้องดูข้อมูลที่มีอยู่ในนั้นก่อน เราจะเริ่มต้นด้วยการตรวจสอบมิติข้อมูลของชุดข้อมูล ซึ่งแสดงให้เราเห็นว่าชุดข้อมูลมีแอตทริบิวต์ห้ารายการและอินสแตนซ์ 150 รายการ

หลังจากตรวจสอบมิติข้อมูลแล้ว คุณควรดูแถวและคอลัมน์สองสามแถวของชุดข้อมูลเพื่อให้แนวคิดทั่วไปเกี่ยวกับเนื้อหา จากนั้น คุณควรดูที่สรุปทางสถิติของชุดข้อมูลและดูว่าตัวชี้วัดใดที่แพร่หลายที่สุดในชุดข้อมูลเดียวกัน

สุดท้าย คุณควรตรวจสอบการกระจายคลาสในชุดข้อมูล นั่นหมายความว่าคุณจะต้องตรวจสอบจำนวนอินสแตนซ์ที่อยู่ภายใต้แต่ละคลาส นี่คือรหัสสำหรับการสรุปชุดข้อมูลของเรา:

#สรุปข้อมูล

จากการนำเข้าแพนด้า read_csv

# โหลดชุดข้อมูล

url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv”

ชื่อ = ['ความยาวกลีบ', 'ความกว้างของกลีบ', 'ความยาวกลีบดอก', 'ความกว้างกลีบดอก', 'คลาส']

ชุดข้อมูล = read_csv (url ชื่อ = ชื่อ)

# รูปร่าง

พิมพ์ (dataset.shape)

# ศีรษะ

พิมพ์(dataset.head(20))

# คำอธิบาย

พิมพ์(dataset.describe())

#แบ่งชั้น

พิมพ์(dataset.groupby('class').size())

ขั้นตอนที่ 4: เห็นภาพข้อมูล

หลังจากสรุปชุดข้อมูลแล้ว คุณควรเห็นภาพเพื่อความเข้าใจและวิเคราะห์ที่ดีขึ้น คุณสามารถใช้แผนภาพที่ไม่เปลี่ยนแปลงเพื่อวิเคราะห์ทุกแอตทริบิวต์โดยละเอียด และแปลงพหุตัวแปรเพื่อศึกษาความสัมพันธ์ของคุณลักษณะทุกรายการ การแสดงภาพข้อมูลเป็นส่วนสำคัญของโปรเจ็กต์แมชชีนเลิร์นนิง เนื่องจากช่วยค้นหาข้อมูลที่จำเป็นที่มีอยู่ในชุดข้อมูล

ขั้นตอนที่ 5: การประเมินอัลกอริทึม

หลังจากแสดงภาพข้อมูลแล้ว เราจะประเมินอัลกอริทึมต่างๆ เพื่อค้นหาโมเดลที่ดีที่สุดสำหรับโครงการของเรา อันดับแรก เราจะสร้างชุดข้อมูลการตรวจสอบความถูกต้อง ซึ่งเราจะนำออกจากชุดข้อมูลเดิม จากนั้นเราจะใช้การตรวจสอบข้าม 10 เท่า และสร้างแบบจำลองต่างๆ ดังที่ได้กล่าวไปแล้ว เราตั้งเป้าหมายที่จะทำนายสายพันธุ์ผ่านการวัดขนาดของดอกไม้ คุณควรใช้อัลกอริธึมประเภทต่างๆ และเลือกอัลกอริธึมที่ให้ผลลัพธ์ที่ดีที่สุด คุณสามารถทดสอบ SVM (Support Vector Machines), KNN (K-Nearest Neighbors), LR (Logistic Regression) และอื่นๆ

ในการใช้งานของเรา เราพบว่า SVM เป็นแบบอย่างที่ดีที่สุด นี่คือรหัส:

จากการนำเข้าแพนด้า read_csv

จาก matplotlib นำเข้า pyplot

จาก sklearn.model_selection นำเข้า train_test_split

จาก sklearn.model_selection นำเข้า cross_val_score

จาก sklearn.model_selection นำเข้า StratifiedKFold

จาก sklearn.linear_model นำเข้า LogisticRegression

จาก sklearn.tree นำเข้า DecisionTreeClassifier

จาก sklearn.neighbors นำเข้า KNeighborsClassifier

จาก sklearn.discriminant_analysis นำเข้า LinearDiscriminantAnalysis

จาก sklearn.naive_bayes นำเข้า GaussianNB

จาก sklearn.svm นำเข้า SVC

# โหลดชุดข้อมูล

url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv”

ชื่อ = ['ความยาวกลีบ', 'ความกว้างของกลีบ', 'ความยาวกลีบดอก', 'ความกว้างกลีบดอก', 'คลาส']

ชุดข้อมูล = read_csv (url ชื่อ = ชื่อ)

# ชุดข้อมูลการตรวจสอบแยกออก

array = dataset.values

X = อาร์เรย์[:,0:4]

y = อาร์เรย์[:,4]

X_train, X_validation, Y_train, Y_validation = train_test_split(X, y, test_size=0.20, random_state=1, สับเปลี่ยน=จริง)

# อัลกอริทึมการตรวจสอบจุด

รุ่น = []

models.append(('LR', LogisticRegression(solver='liblinear', multi_class='ovr')))

model.append(('LDA', LinearDiscriminantAnalysis()))

model.append(('KNN', KNeighborsClassifier()))

model.append(('CART', DecisionTreeClassifier()))

model.append(('NB', GaussianNB()))

model.append(('SVM', SVC(gamma='auto')))

#ผลัดกันประเมินแต่ละรุ่น

ผลลัพธ์ = []

ชื่อ = []

สำหรับชื่อรุ่นในรุ่น:

kfold = StratifiedKFold(n_splits=10, random_state=1, สับเปลี่ยน=จริง)

cv_results = cross_val_score(รุ่น, X_train, Y_train, cv=kfold, การให้คะแนน='ความแม่นยำ')

results.append(cv_results)

ชื่อต่อท้าย (ชื่อ)

พิมพ์('%s: %f (%f)' % (ชื่อ cv_results.mean(), cv_results.std()))

# เปรียบเทียบอัลกอริทึม

pyplot.boxplot(ผลลัพธ์ ป้ายกำกับ=ชื่อ)

pyplot.title('การเปรียบเทียบอัลกอริทึม')

pyplot.show()

ขั้นตอนที่ 6: ทำนาย

หลังจากที่คุณได้ประเมินอัลกอริธึมต่างๆ และเลือกอัลกอริธึมที่ดีที่สุดแล้ว ก็ถึงเวลาคาดการณ์ผลลัพธ์ เราจะใช้แบบจำลองของเราในชุดข้อมูลการตรวจสอบความถูกต้องก่อนเพื่อดูการทดสอบความถูกต้อง หลังจากนั้น เราจะทดสอบกับชุดข้อมูลทั้งหมด

นี่คือรหัสสำหรับการเรียกใช้แบบจำลองของเราในชุดข้อมูล:

#ทำนายฝัน

จากการนำเข้าแพนด้า read_csv

จาก sklearn.model_selection นำเข้า train_test_split

จาก sklearn.metrics นำเข้าการจัดหมวดหมู่_report

จาก sklearn.metrics นำเข้าสับสน_matrix

จาก sklearn.metrics นำเข้าความแม่นยำ_score

จาก sklearn.svm นำเข้า SVC

# โหลดชุดข้อมูล

url = “https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv”

ชื่อ = ['ความยาวกลีบ', 'ความกว้างของกลีบ', 'ความยาวกลีบดอก', 'ความกว้างกลีบดอก', 'คลาส']

ชุดข้อมูล = read_csv (url ชื่อ = ชื่อ)

# ชุดข้อมูลการตรวจสอบแยกออก

array = dataset.values

X = อาร์เรย์[:,0:4]

y = อาร์เรย์[:,4]

X_train, X_validation, Y_train, Y_validation = train_test_split(X, y, test_size=0.20, random_state=1)

# คาดการณ์ชุดข้อมูลการตรวจสอบ

รุ่น = SVC(gamma='auto')

model.fit(X_train, Y_train)

การคาดคะเน = model.predict(X_validation)

# ประเมินการคาดการณ์

พิมพ์(ความถูกต้อง_score(Y_การตรวจสอบความถูกต้อง, การคาดคะเน))

พิมพ์(confusion_matrix(Y_validation, การคาดการณ์))

พิมพ์ (classification_report (Y_validation, การคาดการณ์))

แค่นั้นแหละ. ตอนนี้คุณทำโปรเจ็กต์แมชชีนเลิร์นนิงใน Python เสร็จแล้วโดยใช้ชุดข้อมูล Iris

โครงการการเรียนรู้ของเครื่องเพิ่มเติมใน Python

ชุดข้อมูล Iris มีไว้สำหรับผู้เริ่มต้นเป็นหลัก หากคุณมีประสบการณ์ในการทำงานเกี่ยวกับโปรเจ็กต์การเรียนรู้ของเครื่องใน Python คุณควรดูโปรเจ็กต์ด้านล่าง:

1. ใช้ ML เพื่อทำนายราคาหุ้น

สถานที่ที่ยอดเยี่ยมในการใช้อัลกอริธึมการเรียนรู้ของเครื่องคือส่วนแบ่งการตลาด บริษัทต่างๆ กำลังใช้อัลกอริทึม AI และเทคโนโลยีที่ใช้ ML เพื่อทำการวิเคราะห์ทางเทคนิคมาระยะหนึ่งแล้ว คุณยังสามารถสร้างแบบจำลอง ML ที่คาดการณ์ราคาหุ้นได้

อย่างไรก็ตาม ในการทำงานในโครงการนี้ คุณจะต้องใช้เทคนิคหลายอย่าง รวมถึงการวิเคราะห์การถดถอย การวิเคราะห์เชิงคาดการณ์ การสร้างแบบจำลองทางสถิติ และการวิเคราะห์การดำเนินการ คุณสามารถรับข้อมูลที่จำเป็นได้จากเว็บไซต์ทางการของตลาดหลักทรัพย์ พวกเขาแบ่งปันข้อมูลเกี่ยวกับผลการดำเนินงานที่ผ่านมาของหุ้น คุณสามารถใช้ข้อมูลนั้นเพื่อฝึกและทดสอบแบบจำลองของคุณได้

สำหรับมือใหม่ คุณสามารถมุ่งความสนใจไปที่บริษัทใดบริษัทหนึ่งและคาดการณ์มูลค่าหุ้นของบริษัทได้เป็นเวลาสามเดือน ในทำนองเดียวกัน หากคุณต้องการทำให้โครงการมีความท้าทาย คุณสามารถใช้หลายบริษัทและขยายระยะเวลาการคาดการณ์ของคุณ

สิ่งที่คุณจะได้เรียนรู้จากโครงการนี้:

โครงการนี้จะทำให้คุณคุ้นเคยกับการใช้งาน AI และ ML ในอุตสาหกรรมการเงิน คุณยังสามารถศึกษาการวิเคราะห์เชิงคาดการณ์ผ่านโปรเจ็กต์นี้และลองใช้อัลกอริธึมต่างๆ

2. เขียนอัลกอริธึมการเรียนรู้ของเครื่องตั้งแต่เริ่มต้น

หากคุณเป็นมือใหม่และยังไม่เคยทำงานในโครงการแมชชีนเลิร์นนิงใน Python คุณสามารถเริ่มด้วยโปรเจ็กต์นี้ได้ ในโปรเจ็กต์นี้ คุณต้องสร้างอัลกอริทึม ML ตั้งแต่เริ่มต้น การทำโปรเจ็กต์นี้จะช่วยให้คุณเข้าใจพื้นฐานทั้งหมดของฟังก์ชันอัลกอริธึม ในขณะเดียวกันก็สอนให้คุณแปลงสูตรทางคณิตศาสตร์เป็นโค้ดแมชชีนเลิร์นนิง

การรู้วิธีแปลงแนวคิดทางคณิตศาสตร์เป็นโค้ด ML เป็นสิ่งสำคัญ เนื่องจากคุณจะต้องนำไปใช้หลายครั้งในอนาคต เมื่อคุณจัดการกับปัญหาขั้นสูง คุณจะต้องพึ่งพาทักษะนี้ คุณสามารถเลือกอัลกอริทึมใดก็ได้ตามความคุ้นเคยกับแนวคิดของคุณ ทางที่ดีควรเริ่มต้นด้วยอัลกอริธึมง่ายๆ หากคุณไม่มีประสบการณ์

สิ่งที่คุณจะได้เรียนรู้จากโครงการนี้:

คุณจะคุ้นเคยกับแนวคิดทางคณิตศาสตร์ของปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง

3. สร้างเครื่องอ่านลายมือ

นี่คือโครงการคอมพิวเตอร์วิทัศน์ คอมพิวเตอร์วิทัศน์เป็นภาคส่วนของปัญญาประดิษฐ์ที่เกี่ยวข้องกับการวิเคราะห์ภาพ ในโปรเจ็กต์นี้ คุณจะต้องสร้างโมเดล ML ที่สามารถอ่านลายมือได้ การอ่านหมายความว่าตัวแบบควรจะสามารถจดจำสิ่งที่เขียนบนกระดาษได้ คุณต้องใช้โครงข่ายประสาทเทียมในโครงการนี้เพื่อให้คุ้นเคยกับการเรียนรู้เชิงลึกและแนวคิดที่เกี่ยวข้อง

ก่อนอื่นคุณต้องประมวลผลภาพล่วงหน้าและลบส่วนที่ไม่จำเป็นออก กล่าวคือ ดำเนินการล้างข้อมูลบนภาพเพื่อความชัดเจน หลังจากนั้น คุณจะต้องทำการแบ่งส่วนและปรับขนาดรูปภาพเพื่อให้อัลกอริทึมสามารถอ่านอักขระได้อย่างถูกต้อง เมื่อคุณประมวลผลล่วงหน้าและแบ่งกลุ่มเสร็จแล้ว คุณสามารถไปยังขั้นตอนถัดไป การจัดประเภท อัลกอริธึมการจำแนกประเภทจะแยกแยะอักขระที่มีอยู่ในข้อความและใส่ไว้ในหมวดหมู่ตามลำดับ

คุณสามารถใช้การเปิดใช้งาน log sigmoid เพื่อฝึกอัลกอริทึม ML ของคุณสำหรับโปรเจ็กต์นี้

สิ่งที่คุณจะได้เรียนรู้จากโครงการนี้:

คุณจะได้เรียนคอมพิวเตอร์วิทัศน์และโครงข่ายประสาทเทียม การทำโปรเจ็กต์นี้ให้เสร็จสิ้นจะทำให้คุณคุ้นเคยกับการจดจำและการวิเคราะห์ภาพ

4. นักพยากรณ์การขาย

ภาคการค้าปลีกมีแอปพลิเคชั่นมากมายสำหรับ AI และการเรียนรู้ของเครื่อง ในโปรเจ็กต์นี้ คุณจะค้นพบแอปพลิเคชั่นหนึ่งตัว นั่นคือ การทำนายยอดขายของผลิตภัณฑ์

ชุดข้อมูลที่แพร่หลายในหมู่ผู้ที่ชื่นชอบแมชชีนเลิร์นนิงคือชุดข้อมูลการขายของ BigMart มีผลิตภัณฑ์มากกว่า 1559 รายการกระจายอยู่ตามร้านค้าต่างๆ ใน ​​10 เมือง คุณสามารถใช้ชุดข้อมูลเพื่อสร้างแบบจำลองการถดถอย ตามร้านค้า โมเดลของคุณจะต้องคาดการณ์ยอดขายที่เป็นไปได้ของผลิตภัณฑ์เฉพาะในปีหน้า ชุดข้อมูลนี้มีคุณลักษณะเฉพาะสำหรับร้านค้าและผลิตภัณฑ์ทุกแห่งเพื่อทำความเข้าใจคุณสมบัติและความสัมพันธ์ระหว่างทั้งสองอย่างรวดเร็ว

สิ่งที่คุณจะได้เรียนรู้จากโครงการนี้:

การทำงานในโครงการนี้จะทำให้คุณคุ้นเคยกับตัวแบบการถดถอยและการวิเคราะห์เชิงคาดการณ์ คุณจะได้เรียนรู้เกี่ยวกับการใช้งานแมชชีนเลิร์นนิงในภาคการค้าปลีก

เรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้ของเครื่องและ Python

เราหวังว่าคุณจะพบว่ารายการโปรเจ็กต์แมชชีนเลิร์นนิงใน Python มีประโยชน์ หากคุณมีคำถามหรือความคิดใด ๆ โปรดแจ้งให้เราทราบผ่านส่วนความคิดเห็น เรายินดีที่จะตอบคำถามของคุณ

เรียนรู้ หลักสูตรวิทยาศาสตร์ข้อมูล จากมหาวิทยาลัยชั้นนำของโลก รับโปรแกรม PG สำหรับผู้บริหาร โปรแกรมประกาศนียบัตรขั้นสูง หรือโปรแกรมปริญญาโท เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

ต่อไปนี้เป็นแหล่งข้อมูลเพิ่มเติมเพื่อศึกษาการเรียนรู้ของเครื่องและ Python

• บทช่วยสอนงูหลาม
• แมชชีนเลิร์นนิงกับ การเรียนรู้อย่างลึกซึ้ง
• แอปพลิเคชั่นการเรียนรู้ของเครื่อง

ในทางกลับกัน หากคุณต้องการได้รับประสบการณ์การเรียนรู้ที่เป็นส่วนตัวมากขึ้น คุณสามารถเรียนหลักสูตร AI และ ML คุณจะได้เรียนรู้จากผู้เชี่ยวชาญในอุตสาหกรรมผ่านวิดีโอ งานที่ได้รับมอบหมาย และโครงการต่างๆ