Какие хорошие упражнения программирования машинного обучения?

В идеале они будут иметь следующие характеристики:

  • Они могут быть завершены только вечером кодирования. Для получения интересных результатов не потребуется неделя или больше. Таким образом, я чувствую, что я научился и что-то сделал в одном (возможно, нескольких часах) сидении.

  • Проблемы происходят из реального мира, или они, по крайней мере, являются игрушечными версиями реальных проблем.

  • Если проблема требует данных для тестирования решения, есть доступные в реальном времени наборы данных, или просто тривиально создавать интересные тестовые данные.

  • Легко оценить, насколько хороша работа, которую я сделал. Когда я проверю свое решение, из результатов будет ясно, что я выполнил что-то нетривиальное, либо путем простой проверки, либо количественной оценкой качества результатов.

Ответы

Ответ 1

Внедрите следующие алгоритмы:

  • Перцептрон, маркер персептрона: вы можете попытаться обнаружить изображения лиц (классифицировать изображения лиц и лиц без лица), используя любую базу данных лиц. Попробуйте, например, MIT CBCL face database. Вы также можете попробовать данные MNIST и написать систему распознавания плохого человека.
  • LVQ, карта Кохонена: вы можете попытаться сжать изображения. Вы можете загружать большие изображения с любого сайта обоев.
  • Классификатор наивных заливов: вы можете классифицировать спам, а не спам. Существуют также более научные наборы данных, такие как Reuters и Newsgroups и т.д., Которые вы должны определить в данной статье.
  • Backpropagation, многоуровневый персептрон: вы можете попробовать это с лицами или со спамом или с данными по тексту/гистограмме.
  • Изначальное линейное обучение SVM с использованием SGD: вы можете попробовать это с цифрами MNIST, например.

Есть несколько проектов, некоторые из них занимают пару часов, несколько дней, но вы определенно многому научитесь.

Ответ 2

Большинство проектов машинного обучения могут занять некоторое время.

Howbout байесовская классификация текста?

Один пример набора инструментов NLTK Toolkit (набор инструментов Natural Language для Python) - это обзоры фильмов. В наборе инструментов есть обзоры фильмов, отмеченные как положительные или отрицательные.

Напишите байесовский классификатор, который может классифицировать обзоры фильмов, используя эти данные для обучения.