7 projets de machine learning pour développer vos compétences

Read in English (Lire en anglais).

Vous avez donc développé vos compétences en apprentissage automatique, en vous plongeant dans les subtilités des points de données et en pratiquant les langages de programmation. De plus, vous savez ce qu'est un modèle d'apprentissage automatique et vous voulez mettre les mains dans le cambouis en en créant un plutôt que de simplement lire à ce sujet. 

Les projets de machine learning (ML) vous permettent de mettre en pratique les compétences que vous avez développées jusqu'à présent tout en vous donnant quelque chose à mettre en valeur dans votre portfolio. Par conséquent, ils vous aident non seulement à mieux comprendre la science des données et le machine learning, mais peuvent également montrer aux employeurs potentiels ce que vous pouvez vraiment faire si vous en avez l'occasion. 

Pour vous aider à démarrer, dans cet article, vous découvrirez sept idées de projets d'apprentissage automatique pour les débutants, les apprenants de niveau intermédiaire et les étudiants plus avancés en apprentissage automatique. Par la suite, si vous souhaitez développer vos compétences pratiques en apprentissage automatique, vous pourriez envisager de vous inscrire à la Spécialisation en Apprentissage Automatique de Stanford et DeepLearning.AI .

1. Identifier les iris.

Les iris ont influencé le dessin de la fleur de lys française, ils sont couramment utilisés dans l'art japonais de la composition florale connu sous le nom d'Ikebana et sont à la base des senteurs florales du parfum « essence de violette » [1]. Ils sont également le sujet de ce projet d'apprentissage automatique bien connu, dans lequel vous devez créer un modèle ML capable de trier les iris en fonction de cinq facteurs dans l'une des trois classes suivantes : Iris Setosa , Iris Versicolore et Iris Virginica.

Pour vous aider à démarrer, l'ensemble de données ci-dessous comprend 50 instances de chacune des trois classes d'iris pour un total de 150 instances. Alors que l'une des classes est linéairement séparable, les deux autres ne le sont pas. Votre tâche consiste à créer un modèle capable de classer chaque instance d'iris dans la classe appropriée en fonction de quatre attributs : longueur du sépale, largeur du sépale, longueur du pétale et largeur du pétale. 

Ensemble de données UCI : UCI Machine Learning Repository Iris Data Set

2. Prévisions de ventes.

Comment les changements de saison, les changements démographiques ou les réglementations gouvernementales affecteront-ils les ventes futures d'une entreprise ? 

Ce genre de questions est à la base de la pratique courante de prévision des ventes, dans laquelle une entreprise estime le nombre de produits ou de services qu'elle vendra à l'avenir en se basant sur des données historiques pertinentes. Sans surprise, les entreprises se tournent de plus en plus vers les techniques d'apprentissage automatique pour créer des modèles capables de prévoir les ventes avec une précision de plus en plus grande, qui dépasse les approches moins avancées technologiquement du passé. 

Dans ce projet d'apprentissage automatique, vous acquerrez de l'expérience en matière de prévision des ventes à l'aide d'un ensemble de données de ventes réelles fournies par Walmart. Votre tâche consiste à prédire les ventes par rayon pour 45 magasins Walmart situés dans différentes régions tout en tenant compte des périodes de démarques saisonnières importantes telles que la fête du Travail, Thanksgiving et Noël. 

Ensemble de données Kaggle : Walmart Recruiting – Store Sales Forecasting

3. Prédire le cours des actions. 

Un conseil d'investissement courant dit que la clé pour battre le marché est d'acheter des actions lorsqu'elles sont à leur prix le plus bas et de les vendre à leur prix le plus élevé. En d'autres termes : achetez bas et vendez haut. Mais comment savoir quand une action est à un point bas et quand elle a atteint son sommet ? 

Bien qu'il n'existe pas de réponse infaillible à cette question, une approche consiste à développer un modèle d'apprentissage automatique capable d'essayer de prédire les fluctuations du cours des actions à l'aide de données historiques. C'est exactement ce que vous allez essayer de faire dans ce projet d'apprentissage automatique. 

L'ensemble de données ci-dessous comprend des données de haute qualité sur les actions et les fonds négociés en bourse (ETF) basés aux États-Unis sur le NASDAQ, le NYSE et le NYSE MKT. Comment pourriez-vous essayer de résoudre la question toujours insaisissable de la prévision des cours boursiers futurs grâce à l'apprentissage automatique ? 

Ensemble de données Kaggle : Huge Stock Market Data Set

4. Concevez un moteur de recommandation.

Nous sommes tous passés par là : vous utilisez une plateforme de streaming avec une collection de vidéos apparemment infinie et vous ne savez pas quoi regarder. Allez-vous essayer cette série animée se déroulant dans un futur pas si lointain ou cette comédie romantique ringarde du début des années 2000 ? Ou devriez-vous enfin vous tourner vers ce film noir des années 40 ? 

Les plateformes en ligne sont conscientes de la lassitude décisionnelle qui peut résulter d'un nombre écrasant d'options, c'est pourquoi nombre d'entre elles utilisent des modèles d'apprentissage automatique complexes pour formuler des recommandations sur mesure aux utilisateurs. En fait, les systèmes de recommandation sont à la base de nombreux services parmi les plus populaires aujourd'hui, de Google à Netflix en passant par le service Gamepass de Xbox. 

Dans ce projet, vous allez créer votre propre système de recommandation à l'aide des données collectées auprès du service de recommandation de films MovieLens. Créé par 138 493 utilisateurs, l'ensemble de données Movielens comprend plus de 20 millions de notes et plus de 460 000 tags pour 27 278 films. Découvrez ce que vous pouvez faire avec ces données importantes. 

Ensemble de données Kaggle : MovieLens 20M Dataset

5. Prédire le prix du taxi

Comme les marées, la demande de taxis augmente et diminue en fonction de l'heure de la journée, des conditions météorologiques et du jour de l'année. Lorsqu'il pleut, les clients et l'argent affluent pour les chauffeurs de taxi. Tandis que les journées agréables et calmes incitent souvent les citadins à se déplacer à pied plutôt qu'à prendre le taxi, ce qui, aux États-Unis, fait baisser les tarifs. C'est un véritable va-et-vient pour les chauffeurs et les clients : une hausse un jour, une baisse le lendemain.

Pour ceux qui souhaitent utiliser des techniques d'apprentissage automatique pour résoudre des problèmes concrets, un projet d'apprentissage automatique simple et pratique pourrait consister à créer un modèle prédictif capable de prévoir les tarifs potentiels des taxis. Dans ce projet d'intelligence artificielle de Google Cloud, vous utiliserez BigQuery pour rechercher des ensembles de données sur les taxis publics et créer un ensemble de données d'entraînement pour la prédiction par lots. Créez un modèle ML pour prédire les tarifs et évaluez ses performances dans ce projet de niveau intermédiaire.

6. Identifiez les pièces automobiles endommagées. 

Pendant la pandémie de COVID-19, les chaînes d’approvisionnement et les processus de fabrication du monde entier ont été paralysés, les pays et les lieux de travail ayant fermé leurs portes pour tenter de stopper la propagation du virus. En conséquence, l’industrie automobile a eu du mal à fabriquer de nouvelles voitures.

En tant qu'acheteur potentiel de voiture à cette époque, vous vous inquiéteriez probablement de l'état du véhicule que vous pourriez acheter acheter en parcourant les annonces de voitures d'occasion. Ne serait-il pas formidable de pouvoir utiliser l'apprentissage automatique pour identifier les dommages subis par les différentes pièces de la voiture afin de savoir si l'achat en vaut la peine pour vous ? 

Dans ce projet interactif de Google Cloud Training, vous ferez exactement cela en utilisant la vision par apprentissage automatique pour identifier les pièces automobiles endommagées. Conçu pour les personnes de niveau intermédiaire dans le domaine de l'apprentissage automatique, ce projet rapide vous guidera tout au long du processus de téléchargement d'un ensemble de données vers le stockage cloud, d'inspection des images téléchargées pour vérifier qu'il n'y a pas d'erreurs, d’entraînement d'un modèle de machine learning et d'évaluation de la précision de votre modèle. 

7. Identifiez les visages, les étiquettes et les monuments.

Comme le savent depuis des millénaires les peintres, les sculpteurs et les acteurs, le visage est une source d'émotions. Alors que les acteurs du théâtre traditionnel japonais Nô utilisent la lumière et l'ombre pour exprimer des sourires et des froncements de sourcils sur des masques par ailleurs immuables, le sculpteur antique qui a créé la célèbre statue Laoocon et ses fils a utilisé les expressions déformées des visages de ses sujets pour exprimer leur souffrance lorsqu'ils sont attaqués par des serpents. 

Le visage et ses expressions constituent donc une autre source de données, souvent comprise intuitivement par de nombreux humains, mais pas par les machines. S’il peut être évident pour nous de faire la différence entre un visage souriant, un bâtiment et une étiquette, il faut apprendre aux machines à les différencier.

Dans ce projet de Google Cloud, vous allez envoyer des images à l'API Cloud Vision pour qu'elle identifie des objets, des visages et des monuments. D'une durée de 30 minutes seulement, ce projet de niveau intermédiaire offre un apprentissage pratique en peu de temps.

Projets guidés

Si vous ne savez pas par où commencer ou si vous préférez un peu plus d'accompagnement, vous pouvez envisager de suivre un projet guidé sur Coursera. Voici quelques idées de projets d'apprentissage automatique que vous pouvez réaliser avec l'aide d'instructions.

• Prédiction du risque de cancer du col de l'utérus à l'aide de l'apprentissage automatique. Dans ce projet guidé de niveau débutant, vous passerez deux heures à effectuer une analyse exploratoire des données, à développer, à entraîner et à évaluer un modèle de classificateur XG-Boost. À la fin, vous utiliserez le modèle que vous avez créé pour évaluer le risque de cancer du col de l'utérus et gagnerez un certificat partageable pour votre CV.

• Prévision des primes d'assurance médicale avec l'apprentissage automatique. Idéal pour les débutants, ce projet guidé de deux heures se concentre sur les réseaux neuronaux artificiels. Vous effectuerez le nettoyage des données, l'ingénierie des caractéristiques et la visualisation des données, ainsi que la création, l’entraînement et le test d'un modèle de réseau neuronal artificiel.

Développez une plus grande expertise en ML avec Coursera

L'apprentissage automatique est un domaine en pleine croissance avec un large éventail d'applications. Que vous débutiez ou que vous soyez déjà familier avec le domaine, Coursera a quelque chose à vous offrir :

Pour développer des compétences pratiques en ML, inscrivez-vous à la Spécialisation en Apprentissage Automatique de Stanford et DeepLearning.AI. Créez des modèles ML, appliquez les meilleures pratiques de développement ML et créez et entraînez votre propre réseau neuronal avec TensorFlow.

Pour maîtriser les fondamentaux de l'apprentissage en profondeur, suivez la Spécialisation Deep Learning de DeepLearning.AI. Apprenez à créer des réseaux neuronaux, des CNN et des RNN en seulement trois mois.

Pour vous préparer à une carrière dans l'ingénierie de l'IA et du machine learning, essayez le Certificat Professionnel AI & ML Engineering de Microsoft. Créez, déployez et innovez avec des techniques avancées d'apprentissage automatique et des projets concrets dans ce programme de niveau intermédiaire.