2021年の初心者のための機械学習プロジェクトトップ10

最終更新日: 2021/03/05

機械学習を学びたいが、なかなか踏み出せない。 機械学習に関しては、本や講座だけでは不十分かもしれません。機械学習のサンプルコードやスニペットは常に提供されますが、実際の問題に機械学習を実装し、これらのコードスニペットがどのように組み合わされるかを確認する機会はありません。 機械学習の学習を始めるには、初級から上級レベルの機械学習プロジェクトを実施するのが一番です。 エンドツーエンドの ML プロジェクトを実装することで、実際の人々がどのように機械学習のキャリアを始めているかについての洞察を得ることは常に有益です。

このブログ記事では、業界の専門家が推奨する初心者向けの素晴らしい機械学習プロジェクトにより、あなたのような初心者が実世界の問題に機械学習を適用して大きく前進する方法を知ることができます。 ProjectProの業界エキスパートが、教師あり学習、教師なし学習、深層学習、ニューラルネットワークなど、機械学習のコアな側面をカバーする初心者向けのトップ機械学習プロジェクトのリストを慎重にキュレーションしました。 これらの機械学習プロジェクトはすべて、一般に公開されている実世界のデータセットから始めることになります。 このブログは、最も人気のある機械学習プロジェクトについてここから学ぶことができるので、絶対に面白く、読む価値があることを保証します。

「機械学習でどんなプロジェクトができますか？ 機械学習を始めた初心者の方からよく聞かれる質問です。 ProjectProの業界専門家は、学んだ機械学習のスキルを実際に体験するために、多様なビジネス領域にわたる、エキサイティングでクールで楽しくて簡単な機械学習プロジェクトのアイデアを探求することを推奨します。 私たちは、機械学習のキャリアを始めた専門家のために、ソースコード付きの革新的で興味深い機械学習プロジェクトのリストをキュレーションしました。 これらの機械学習の初心者向けプロジェクトは、機械学習エンジニアやデータサイエンティストとして働く際に遭遇する可能性のある様々な種類の課題を完璧に融合しています。

2021年の初心者向け機械学習プロジェクト

1. Sales Forecasting using Walmart Dataset

2. BigMart Sales Prediction ML Project

Music Recommendation System プロジェクト

3. スマートフォンデータセットを用いた人物行動認識

4. 時系列を用いた株価予測

5. ワイン品質データセットによるワイン品質予測

6. MNISTによるワイン品質予測 手書き数字分類

7. Movielens Datasetを用いた推薦システムの構築

8. Boston Housing Price Prediction ML Project

9. Twitterによるソーシャルメディアセンチメント分析 データセット

10. アイリスフラワー分類MLプロジェクト

11. 機械学習による小売価格最適化

12. 顧客解約予測分析

潜入しよう！(5)

Leady

1. Walmart Datasetを用いた売上予測

売上予測は、商品の売上に影響を与える要因を特定し、将来の売上高を推定するための機械学習の最も一般的なユースケースの1つです。 この機械学習プロジェクトでは、45の店舗における98の商品の販売データを持つWalmartのデータセットを利用しています。 このデータセットには、店舗ごと、部門ごとの売上が週単位で含まれている。 この機械学習プロジェクトの目標は、各店舗の各部門の売上を予測し、チャネル最適化と在庫計画のためのより良いデータ駆動型の意思決定に役立てることである。 Walmartのデータセットを扱う際の難しい点は、売上に影響を与えるマークダウンイベントが選択されており、それを考慮しなければならない点です。

これは、最もシンプルでクールな機械学習プロジェクトの 1 つで、Walmart のデータセットを使用して予測モデルを構築し、将来的に行う予定の販売数を推定するもので、以下の方法があります。

モデリング用のデータを準備する-複数のデータセットをマージし、関数によるグループ化を適用してデータを分析する。

時系列グラフをプロットし、それを分析する。

開発した売上予測モデルをトレーニングデータにフィットさせる-時系列予測のためのARIMAモデルを作成する

テストデータで開発したモデルを比較する。

精度スコアを上げるために重要な特徴を選択し売上予測モデルを最適化する。

来年の売上を予測するために最適な機械学習モデルを利用する。

このKaggle機械学習プロジェクトに取り組んだ後、強力な機械学習モデルによって、売上予測プロセス全体をいかに簡単にできるかが理解できるだろう。 このエンドツーエンドの売上予測機械学習モデルを生産現場で再利用し、あらゆる部門や小売店の売上を予測します。

Walmart Datasetで仕事をしたいですか？ この素晴らしい機械学習プロジェクトの完全なソリューションには、こちらからアクセスできます – Walmart Store Sales Forecasting Machine Learning Project

2. BigMart Sales Prediction ML Project – Learn about Unsupervised Machine Learning Algorithms

BigMart sales datasetは、異なる都市の10の店舗における1559製品の2013年の販売データから構成されています。 BigMartの売上予測MLプロジェクトの目標は、10個の異なるBigMartアウトレットのそれぞれで、1559個の製品の翌年の売上を予測する回帰モデルを構築することである。 BigMartの売上データセットはまた、各商品と店舗の特定の属性から構成されている。 このモデルは、BigMart が、全体の売上を増加させる上で重要な役割を果たす製品や店舗の特性を理解するのに役立ちます。

この ML プロジェクトの完全なソリューションにはこちらからアクセスできます – BigMart Sales Prediction Machine Learning Project Solution

音楽推奨システム プロジェクト

This is one of the most popular machine learning projects and can be used across different domains. 電子商取引サイトや映画・音楽のウェブサイトを利用したことがある人は、推薦システムに非常に馴染みがあるかもしれません。 AmazonのようなEコマースサイトでは、チェックアウトの際に、システムがカートに追加できる商品を推薦する。 同様に、NetflixやSpotifyでは、あなたが気に入った映画をもとに、あなたが好きそうな映画や楽曲を表示します。 システムはどのようにこれを行うのでしょうか？ これは、機械学習が適用できる典型的な例です。

このプロジェクトでは、アジアの主要な音楽ストリーミングサービスのデータセットを使用して、より優れた音楽推奨システムを構築します。 リスナーの過去の選択に基づいて、どの新しい曲やどの新しいアーティストが好きなのかを判断しようとするものです。 主なタスクは、ユーザーがある時間枠内で繰り返し曲を聴く可能性を予測することである。 データセットでは、ユーザーが1ヶ月以内に同じ曲を聴いたことがある場合、予測は1とマークされる。

レコメンデーションシステムを構築したい方は、こちらのMLプロジェクトをご覧ください – Music Recommendation Machine Learning Project

Human Activity Recognition using Smartphone Dataset

The smartphone dataset consists of fitness activity recording of 30 people captured through smartphone-enabled with inertial sensors, inertial sensor. この機械学習プロジェクトの目標は、人間のフィットネス活動を正確に識別できる分類モデルを構築することである。 この機械学習プロジェクトに取り組むことで、多分類の問題を解決する方法を理解することができます。

Get access to this ML projects source code here Human Activity Recognition using Smartphone Dataset Project

Click here to view a list of 50+ solved, エンドツーエンドのビッグデータおよび機械学習プロジェクト ソリューション（再利用可能なコードとビデオ）

Stock Prices Predictor using TimeSeries

This is another interesting machine learning project idea for data scientists/machine learning engineers working with finance domain or planning with work to the finance.Thanks! 株価予測は、企業の業績を学習し、将来の株価を予測するシステムです。 株価データを扱う際の課題は、非常に粒度が細かく、しかもボラティリティ指標、物価、世界のマクロ経済指標、基礎指標など、様々な種類のデータがあることです。 株式市場のデータを扱うことの良い点は、金融市場のフィードバック・サイクルが短いため、データの専門家が新しいデータで予測を検証することが容易な点です。 株式市場のデータを扱うには、組織の四半期報告書からファンダメンタル指標に基づいて6ヶ月の値動きを予測するような、簡単な機械学習の問題をピックアップすることができます。 株式市場のデータセットは、Quandl.comやQuantopian.comからダウンロードできる。

この機械学習プロジェクトでは、時系列予測の例を使って、どの予測方法をいつ、どのように適用するかを決定することを学びますので、チェックしてみてください。 時系列を用いた株価予測プロジェクト

Predicting Wine Quality Dataset

ワインは古ければ古いほど美味しいというのはよく知られた事実である。 しかし、ワインの品質認証には、年齢以外にも、アルコール量、固定酸度、揮発性酸度、密度の決定、pH などの物理化学的なテストなど、いくつかの要素が含まれます。 この機械学習プロジェクトの主な目的は、ワインの様々な化学的特性を調べることで、ワインの品質を予測する機械学習モデルを構築することである。 ワイン品質データセットは、11 の独立変数と 1 の従属変数を持つ 4898 の観測値で構成されます。

Get access to the complete solution of this machine learning project here – Wine Quality Prediction in R

MNIST Handwritten Digit Classification

深層学習とニューラルネットワークは画像認識、テキストの自動生成、そして自動運転車において重要な役割を担っている。 これらの分野での作業を開始するには、MNIST データセットのようなシンプルで管理しやすいデータセットから始める必要があります。 フラットなリレーショナルデータより画像データを扱うのは難しく、初心者としては、MNIST Handwritten Digit Classification Challengeをピックアップして解くことをお勧めします。 MNISTデータセットは小さすぎてPCのメモリに入りきらず、初心者に優しいです。

MNIST Handwritten Digit Classification Project

Learn to build Recommender Systems with Movielens Dataset

Netflix から Hulu まで、現代の消費者がカスタマイズしたコンテンツに対する要求を高めるにつれ、効率の良い映画推薦システムを構築する必要性が重要性を増してきました。 これは、6,040 人の Movielens ユーザーによる 3,900 本の映画の約 1,000,209 の映画評価から構成されています。 このデータセットを使って、映画のタイトルのワールドクラウド可視化を構築し、映画推薦システムを構築することから始めることができます。

解決済みのコード例への無料アクセスは、こちらをご覧ください (これらはあなたの ML プロジェクトですぐに使用できます)

Boston Housing Prediction ML Project

Boston House Prices Datasetは、ボストンの異なる場所の家の価格から成ります。 また、非小売業の地域（INDUS）、犯罪率（CRIM）、家を所有している人の年齢（AGE）、その他いくつかの属性（データセットは合計14の属性を持っています）についての情報からも構成されています。 ボストン住宅データセットは、UCI Machine Learning Repositoryからダウンロードすることができます。 この機械学習プロジェクトの目標は、住宅価格データに基本的な機械学習の概念を適用することによって、新築住宅の販売価格を予測することである。 このデータセットは観測数が506と少なすぎるため、機械学習初心者が回帰の概念について実践的な練習を始めるには良いスタートだと考えられます。

Recommended Reading – 15+ Data Science Projects for Beginners

Social Media Sentiment Analysis using Twitter Dataset

Social Media Platform like Twitter, Facebook, YouTube, Reddit will generate huge amounts of big data that can be mine in various ways to understand trends, public sentiments, and opinions.The social media platforms as Twitter, Facebook, YouTube, Redditは、さまざまなやり方で採掘できる膨大な量のビッグ データを生成します。 今日のソーシャルメディア データは、ブランディング、マーケティング、およびビジネス全体にとって重要なものとなっています。 センチメントアナライザーは、機械学習によって「コンテンツピース」（IM、メール、ツイート、その他のソーシャルメディア上の投稿）の背後にある様々な感情を学習し、AIを使って同じことを予測します。Twitterデータは、初心者がセンチメント分析の機械学習問題を実践するための決定的な入口と見なされています。 Twitterのデータセットを利用することで、ツイート内容やハッシュタグ、リツイート、場所、ユーザーなどの関連メタデータを収集することができ、洞察に満ちた分析への道が開かれます。 Twitterのデータセットは、31,962件のツイートからなり、サイズは3MBです。 Twitterのデータを使用すると、映画、米国選挙に関する感情、またはFIFAワールドカップ2018の優勝者予測のようなその他のトレンドトピックなど、あるトピックについて世界が何を言っているのかを知ることができます。 Twitterのデータセットで作業することで、ソーシャルメディアデータマイニングに関連する課題を理解し、分類器について深く学ぶことができます。 初心者が取り組むべき最重要課題は、ツイートをポジティブかネガティブかに分類するモデルを構築することです。

解決済みコードへの無料アクセス Python と R の例は、ここで見つけることができます（これらは、あなたのデータサイエンスと ML プロジェクトですぐに使用できます）

Iris Flowers 分類 ML プロジェクト-教師あり機械学習アルゴリズムについて学ぶ

これは、Iris Flowers が分類文献における機械学習データセットとして最も単純な機械学習プロジェクトの 1 つです。 この機械学習の問題は、しばしば機械学習の「ハローワールド」と呼ばれる。 データセットには数値属性があり、ML初心者はデータの読み込みと扱い方を把握する必要があります。

Iris Dataset can be download from UCI ML Repository – Download Iris Flowers Dataset
この機械学習プロジェクトの目標は、花弁と萼片の長さと幅に基づいて、3つの種 – virginica, setosa, versicolor のいずれかに分類することである。

解いた機械学習のPythonとRのコード例への無料アクセスはこちら（これらはあなたのプロジェクトにすぐに使えます）

初心者のための機械学習プロジェクト Pythonのソースコード付き 2021

12）小売価格最適化MLプロジェクト-動的な市場に対する動的価格設定機械学習モデル

価格設定の競争があらゆる産業分野でノンストップに成長していますが、価格の最適化はあらゆるビジネスで効率的に利益を管理する鍵になっています。 適正な価格帯を見極め、商品の価格設定を調整することで、利益率を最適に保ちながら売上を伸ばすことは、小売業において常に大きな課題となっています。 小売業者が価格設定を最適化しながら、今日、最高のROIを確保するための最速の方法は、機械学習の力を活用して効果的な価格設定ソリューションを構築することです。 E コマース大手の Amazon は、小売価格の最適化において機械学習を最も早く採用した企業の 1 つで、2008 年の 300 億ドルから 2019 年の約 1 兆ドルへの輝かしい成長に貢献しました。

Image Credit: spd.group

100+ Datasets for Machine Learning Projects Curated Special For You

小売価格の最適化の機械学習問題解決には、人間が価格を設定するように自動的に製品の価格を設定できる機械学習モデルの育成をすることが必要です。 小売価格最適化機械学習モデルは、過去の販売データ、商品の様々な特性、画像やテキスト情報などの非構造化データを取り込んで、人間の介入なしに価格設定ルールを学習し、小売業者が利益率を落とさずに収益を最大化するために、ダイナミックな価格環境に適応できるよう支援します。 小売価格最適化機械学習アルゴリズムは、商品内の潜在的な何千もの関係を考慮することにより、無限の価格設定シナリオを処理して、リアルタイムで商品の最適価格を選択します。

この小売価格最適化のクールな機械学習プロジェクトをチェックして、実際の販売データ分析に深く潜って、自動的に正しい商品価格を提案するエンドツーエンドの機械学習ソリューションを構築するカフェをご覧ください。） 機械学習におけるアンサンブル技術を用いた顧客解約予測分析

顧客は企業にとって最大の資産であり、収益を上げ、顧客と長期にわたる有意義な関係を築くためには、あらゆるビジネスにおいて顧客の維持が重要である。 さらに、新規顧客の獲得にかかるコストは、既存顧客の維持にかかるコストの5倍以上と言われています。 顧客離れは、ビジネスにおいて最も認識されている問題の一つであり、顧客や加入者がサービスや企業との取引を停止してしまうことです。 理想的には、有料顧客であることをやめることである。

顧客がいつ解約するのかを見極め、顧客維持を目的とした実用的な情報を迅速に提供することは、解約を減らすために非常に重要です。 何百万人もの顧客の解約を先回りすることは私たちの頭脳では不可能ですが、ここで機械学習が役に立ちます。 機械学習は、解約の根本的な要因を特定するための効果的な方法と、解約に対処するための予測的なツールを提供します。 機械学習アルゴリズムは、すでにサービスの利用や商品の購入をやめた顧客の行動パターンを明らかにするため、プロアクティブな解約管理において重要な役割を果たします。 次に、機械学習モデルは、既存の顧客の行動をそのようなパターンと照らし合わせてチェックし、潜在的な解約者を特定します。

Image Credit. :gallery.azure.ai

しかし、顧客解約率予測の機械学習問題を解決するにはどうすれば良いでしょうか？ 他の機械学習問題と同様に、データ科学者や機械学習エンジニアは、処理するためのデータを収集し準備する必要があります。 どのような機械学習アプローチも効果的であるためには、データを適切な形式でエンジニアリングすることが理にかなっています。 特徴エンジニアリングは、解約予測機械学習モデルの最も創造的な部分で、データ専門家が、経験、ビジネス コンテキスト、データのドメイン知識、および創造性を使用して特徴を作成し、特定のビジネスで顧客解約が起こる理由を理解するために機械学習モデルを調整します。

Image Credit: medium.com

たとえば、銀行業界では、月次決算残高が同じ2件の口座を解約予測で区別することが困難な場合があります。 しかし、特徴量エンジニアリングによって、このデータに時間の次元を追加し、毎月の決算残高が通常顧客から期待されるものから逸脱しているかどうかをMLアルゴリズムで区別できるようにすることができます。 休眠口座、引き出しの増加、利用傾向、過去数日間の純残高の流出などの指標は、解約の早期警告サインになり得ます。 このような内部データと競合他社のオファーなどの外部データを組み合わせることで、顧客離反を予測することができます。

Customer Churn Prediction Analysis using Ensemble Learning to combat churnに関するPythonのソースコード付きエンドツーエンド機械学習プロジェクトをチェックしてください。 最初の機械学習プロジェクトを構築することは、堅実な計画戦略を持っていれば、実はそれほど難しいことではありません。 あらゆる機械学習プロジェクトを開始するには、プロジェクトのスコーピングから始まり、実運用でのモデルの展開と管理まで、包括的なエンドツーエンドのアプローチに従わなければなりません。 機械学習プロジェクトのスコーピング

何よりもまず、機械学習プロジェクトのビジネス要件が何であるかを理解することです。 MLプロジェクトを開始するとき、機械学習モデルが対処するために構築される関連するビジネスユースケースを選択することは、基本的なステップです。 正しい機械学習のユースケースを選択し、そのROIを評価することは、機械学習プロジェクトの成功にとって重要である

2) 第2ステップ。 データ

データはあらゆる機械学習モデルの生命線であり、データなしで機械学習モデルを訓練することは不可能である。 機械学習プロジェクトのライフサイクルにおけるデータ段階は、次の 4 つのステップからなります。

• Data Requirements – どのようなデータが必要になるか、データの形式、データ ソース、およびデータ ソースのコンプライアンス要件を理解することが重要です。

• Data Collection – データベース管理者やデータ設計者、開発者の助けを借りて、組織内のデータ格納場所やその他のサード パーティ ベンダーからデータを抽出するデータ収集方針をセットアップする必要があります。

• Exploratory Data Analysis – このステップでは、基本的にデータ要件を検証して、正しいデータがあること、データの状態が良好であること、エラーがないことを確認します。 エラー修正、フィーチャーエンジニアリング、機械が理解できるデータ形式へのエンコード、および異常修正が、データ準備に関わる作業です。

3) 第3ステップ – モデルの構築

プロジェクトの性質により、このステップは数日から数ヶ月かかるかもしれません。 モデリングの段階では、どの機械学習アルゴリズムを使用するかを決定し、データ上でモデルのトレーニングを開始します。 機械学習モデルが遵守すべき精度、エラー、正しさの指標を理解することは、モデル選択において重要である。 学習させたモデルは、検証データで評価し、そのパフォーマンスを分析し、オーバーフィッティングを防ぐ。 このような場合、「機械学習モデル」を利用することで、「機械学習モデル」に新しいデータを流し込んで、さらに学習を進めることができる。 機械学習モデルをデプロイするだけでは十分ではなく、機械学習モデルが期待どおりに動作していることを確認する必要があります。 新しい本番データを使ってモデルを再トレーニングし、その精度や性能を確認する必要があります（これがモデルチューニングです）。

How do you put machine learning projects on your resume?

Real-world experience will prepare you for ultimate success like nothing else. 機械学習ビギナーとして、機械学習プロジェクトに取り組むリアルタイムの経験を積めば積むほど、10年間で最もホットな仕事をつかむための準備が整います。 データサイエンスのトレーニングを修了した後に機械学習の仕事を得るか、データサイエンティストとして成功するかは、自分を売り込む能力にかかっている。 包括的なデータサイエンス研修を受けた後、機械学習エンジニアやデータサイエンティストとしてトップの仕事を得るための次のステップは、機械学習技術を適用する能力を将来の雇用主にアピールするための優れたポートフォリオを構築することです。 興味深いMLプロジェクトに取り組むことは、企業の機械学習エンジニアやデータサイエンティストとしてのキャリアをスタートさせるための素晴らしい方法です。 雇用主は、あなたがデータサイエンスや機械学習に関連するどのようなプロジェクトに取り組んできたかを見て、データサイエンスや機械学習におけるあなたの能力の幅を評価したいと思っています。 履歴書に楽しく、クールで、興味深いデータサイエンスと機械学習のプロジェクト例を強調することは、あなたがどれだけ知っているかを伝えるよりも重みがあります。 ここでは、機械学習の履歴書に素晴らしいプロジェクトを追加する方法を説明します –

• 機械学習の履歴書の職歴セクションの直後に機械学習プロジェクトに言及することができます。
• プロジェクトのタイトルの後に、データセットと問題文について小さな概要を記載します。
• プロジェクトを完了するために使用した機械学習ツールや技術について言及する。
• 最後になりましたが、ポートフォリオ/履歴書では、各機械学習プロジェクトをGitHub、個人ウェブサイト、またはブログにリンクして、あなたの業績の詳細を理解することが重要です。 多くの機械学習初心者は、どこから始めればいいのか、どんな機械学習プロジェクトを行えばいいのか、どんな機械学習ツール、テクニック、フレームワークを使用すればいいのか、よくわかりません。 私たちは、機械学習プロジェクトの興味深いアイデアとその解決策のリストをキュレーションすることで、データサイエンスと機械学習の初心者のための手間のかからない作業を可能にしました。 これらの機械学習プロジェクトのアイデアは、人気のあるKaggleデータサイエンス課題から取られたもので、機械学習を学ぶのに最適な方法です。 このプロジェクトのリストは、あなたの履歴書に機械学習プロジェクトを記載するのに最適な方法です。 データサイエンスと機械学習に関するプロジェクトの解決策を理解するには、正しい考え方、学習意欲、そして多くのデータ探索が必要です。 あなたが学ぶ必要のあるスキル、ツール、およびテクニックのセットに基づいて、50以上のデータサイエンスとMLプロジェクトを探索できます。

  プロジェクトに着手する前に、機械学習プロジェクトのコード例のライブラリにアクセスすることが有用です。

  データサイエンスと機械学習プロジェクトのコード例にアクセスする

  What Next?

  人は、多くの練習と実験によってのみ機械学習のマスターになることができます。 理論的な知識を持つことは確かに役立ちますが、最も進歩に役立つのは応用です。 いくら理論的な知識を持っていても、実践的な練習に置き換えることはできません。 しかし、まずは上記の革新的な機械学習プロジェクトに慣れておくとよいでしょう。

  あなたが初心者で機械学習の初心者なら、ProjectProで業界の専門家が設計した機械学習プロジェクトに取り組めば、時間を有効に活用できるようになるでしょう。 これらのプロジェクトは、小売、金融、保険、製造など、さまざまなドメインにわたる興味深いビジネスユースケースを探索する機会を与えながら、応用機械学習のスキルを迅速に向上させるために初心者向けに設計されています。 機械学習の学習を楽しみ、モチベーションを維持し、迅速に進歩させたいのであれば、ProjectProの興味深いMLプロジェクトはあなたのためのものです。 さらに、これらの機械学習プロジェクトをあなたのポートフォリオに追加し、より高い給与とやりがいのある特典を備えたトップギグを獲得してください。

  

  機械学習とビッグデータにおける50以上の解決済みエンドツーエンドプロジェクトソリューションのリストはこちら

  PREVIOUS

  NEXT

  へ