25 projetos de aprendizado de máquina para todos os níveis

Por que iniciar um projeto de aprendizado de máquina?

Esses projetos, baseados em aplicativos do mundo real, oferecem uma experiência de aprendizado abrangente em diversos domínios e tecnologias, permitindo que os participantes façam a ponte entre a teoria e a prática de forma eficaz. A diversidade dos projetos garante um amplo espectro de aprendizado, permitindo que os indivíduos aprimorem habilidades essenciais, desde o processamento de dados até a avaliação de modelos, e criem um portfólio robusto que demonstre sua proficiência em aprendizado de máquina. 

Os benefícios de realizar projetos de aprendizado de máquina incluem: 

• Experiência prática. A realização desses projetos oferece experiência prática na aplicação do conhecimento teórico a problemas do mundo real, aprimorando as habilidades essenciais de aprendizado de máquina.
• Criação de portfólio. A conclusão de projetos permite que você crie um portfólio robusto, mostrando suas habilidades e conhecimentos e aumentando a empregabilidade nesse campo competitivo.
• Resolução de problemas. Os projetos promovem a solução inovadora de problemas e o pensamento crítico, permitindo uma compreensão mais profunda das funcionalidades de aprendizado de máquina.
• Aprendizado contínuo. A natureza diversificada dos projetos promove a exploração e o aprendizado contínuo em vários domínios do aprendizado de máquina.

Projetos de aprendizado de máquina para iniciantes 

Esses projetos de aprendizado de máquina para iniciantes consistem em lidar com dados estruturados e tabulares. Você aplicará as habilidades de limpeza, processamento e visualização de dados para fins analíticos e usará a estrutura do scikit-learn para treinar e validar modelos de aprendizado de máquina. 

Se você quiser aprender os conceitos básicos de aprendizado de máquina primeiro, temos um curso incrível de aprendizado de máquina sem código. Você também pode conferir alguns de nossos projetos de IA se quiser aprimorar suas habilidades nessa área. 

 1. Prever o consumo de energia

No projeto Predict Energy Consumption (Prever consumo de energia ), você usará modelos de regressão e aprendizado de máquina para prever o consumo diário de energia com base em fatores temporais, como hora do dia e temperatura. O objetivo é descobrir padrões que possam otimizar o uso de energia, melhorando a eficiência e reduzindo os custos. Isso é particularmente importante para empresas e serviços públicos que desejam reduzir as despesas operacionais, promover a conservação de energia e gerenciar melhor seus recursos de forma mais sustentável.

O projeto Predict Energy Consumption é um projeto guiado, mas você pode replicar os objetivos em um conjunto de dados diferente, como o Bike Sharing Demand de Seul. Trabalhar em um conjunto de dados completamente novo ajudará você a depurar códigos e aprimorar suas habilidades de solução de problemas.

2. Prever cobranças de seguro

No projeto From Data to Dollars - Predicting Insurance Charges, você assume a função de um cientista de dados em uma seguradora de saúde. Você criará um modelo preditivo para estimar as cobranças de seguro com base nos atributos de um cliente, como idade e fatores de saúde. Esse projeto oferece uma aplicação prática do aprendizado de máquina nos negócios, possibilitando modelos de preços mais precisos e ajudando as empresas a gerenciar riscos e, ao mesmo tempo, fornecer estratégias de preços personalizadas aos clientes. 

O Predicting Insurance Charges é um projeto orientado. Você pode replicar o resultado em um conjunto de dados diferente, como o de demanda de reservas de hotéis. Você pode usá-lo para prever se um cliente cancelará a reserva ou não.

3. Aprovação de cartões de crédito da Predic

No projeto Predicting Credit Card Approvals (Previsão de aprovações de cartão de crédito), você criará um aplicativo de aprovação automática de cartão de crédito usando a otimização de hiperparâmetros e a regressão logística. 

Você aplicará a habilidade de lidar com valores ausentes, processar recursos categóricos, dimensionar recursos, lidar com dados desbalanceados e realizar a otimização automática de hiperparâmetros usando o GridCV. Este projeto fará com que você saia da zona de conforto de lidar com dados simples e limpos. 

Imagem do autor

A previsão de aprovações de cartões de crédito é um projeto orientado. Você pode replicar o resultado em um conjunto de dados diferente, como os dados de empréstimo do LendingClub.com. Você pode usá-lo para criar um indicador automático de aprovação de empréstimos.

4. Previsão da qualidade do vinho

Você poderia montar um projeto de previsão da qualidade do vinho, usando um conjunto de dados de propriedades físico-químicas do vinho, como teor alcoólico, acidez e níveis de açúcar. Ao aplicar modelos de classificação, como a regressão logística no scikit-learn, você pode classificar os vinhos em uma escala de 1 a 10.

Esse projeto é importante para os setores envolvidos na produção de vinho e no controle de qualidade, pois permite monitorar e prever consistentemente a qualidade do vinho, garantindo a excelência do produto.

5. Vendas na loja 

Store Sales é uma competição de introdução ao Kaggle em que os participantes treinam vários modelos de séries temporais para melhorar sua pontuação na tabela de classificação. No projeto, você receberá dados de vendas da loja e limpará os dados, realizará uma análise extensiva de séries temporais, dimensionamento de recursos e treinará o modelo multivariado de séries temporais. 

Para melhorar sua pontuação na tabela de classificação, você pode usar conjuntos como Bagging e Voting Regressors. 

Imagem do Kaggle

Store Sales é um projeto baseado no Kaggle em que você pode ver os notebooks de outros participantes. 

Para que você entenda melhor a previsão de séries temporais, tente aplicar suas habilidades ao conjunto de dados da Bolsa de Valores e use o Facebook Prophet para treinar um modelo de previsão de séries temporais univariadas. 

Projetos intermediários de aprendizado de máquina

Esses projetos intermediários de aprendizado de máquina concentram-se no processamento de dados e no treinamento de modelos para conjuntos de dados estruturados e não estruturados. Aprenda a limpar, processar e aumentar o conjunto de dados usando várias ferramentas estatísticas.

6. Revelar categorias encontradas nos dados

O projeto Reveal Categories Found in Data ajuda você a explorar o feedback do cliente usando clustering e processamento de linguagem natural (NLP). Você organizará as avaliações da Google Play Store em categorias distintas usando o agrupamento K-means. Compreender os temas comuns do feedback dos clientes é essencial para que as equipes de desenvolvimento de produtos resolvam os pontos problemáticos dos usuários, aprimorem os recursos e aumentem a satisfação dos usuários por meio de insights práticos.

Tente replicar o resultado em um conjunto de dados diferente, como o conjunto de dados de filmes da Netflix.

7. Frequência de palavras em Moby Dick

No projeto Word Frequency in Moby Dick (Frequência de palavras em Moby Dick), você extrairá o texto de Moby Dick, de Herman Melville, e analisará a frequência de palavras usando a biblioteca nltk do Python. Este projeto apresenta as principais técnicas de processamento de linguagem natural (NLP) e ajuda a desenvolver uma compreensão de como as palavras usadas com frequência revelam padrões no texto. É um ótimo projeto para entusiastas da literatura, historiadores ou pesquisadores interessados em mineração de texto e análise linguística.

8. Reconhecimento facial com aprendizado supervisionado

No projeto Reconhecimento facial com aprendizado supervisionado, você criará um modelo de reconhecimento facial usando técnicas de aprendizado supervisionado com Python e scikit-learn. O modelo diferencia entre imagens de Arnold Schwarzenegger e de outras pessoas. Esse projeto é importante no crescente campo da tecnologia de reconhecimento facial, com amplas aplicações em segurança, sistemas de autenticação e até mesmo em plataformas de mídia social em que a detecção facial é comumente usada.

9. Detecção de câncer de mama

Use o conjunto de dados de câncer de mama de Wisconsin para prever se um tumor é maligno ou benigno. O conjunto de dados inclui detalhes sobre as características do tumor, como textura, perímetro e área, e seu objetivo é criar um modelo de classificação que preveja um diagnóstico com base nessas características.

Esse projeto é essencial para aplicações na área da saúde, fornecendo percepções valiosas sobre a análise de dados médicos e o potencial de desenvolvimento de ferramentas de diagnóstico que podem ajudar na detecção precoce do câncer.

10. Reconhecimento de emoções na fala com o librosa

No projeto Speech Emotion Recognition with Librosa, você processará arquivos de som usando o Librosa, o arquivo de som e o sklearn para que o MLPClassifier reconheça emoções em arquivos de som. 

Você carregará e processará arquivos de som, realizará a extração de recursos e treinará o modelo classificador Multi-Layer Perceptron. O projeto ensinará a você os conceitos básicos de processamento de áudio para que você possa avançar no treinamento de um modelo de aprendizagem profunda para obter melhor precisão. 

Imagem de researchgate.net

Projetos avançados de aprendizado de máquina 

Esses projetos avançados de aprendizado de máquina se concentram na criação e no treinamento de modelos de aprendizado profundo e no processamento de conjuntos de dados não estruturados. Você treinará redes neurais convolucionais, unidades recorrentes com portas, ajustará modelos de linguagem grandes e modelos de aprendizagem por reforço.

11. Construa o robô Rick Sanchez usando Transformers

No projeto Build Rick Sanchez Bot Using Transformers, você usará o DialoGPT e a biblioteca Hugging Face Transformer para criar seu chatbot com inteligência artificial. 

Você processará e transformará seus dados, criará e ajustará o modelo de geração de respostas pré-treinadas em grande escala da Microsoft (DialoGPT) no conjunto de dados de diálogos de Rick e Morty. Você também pode criar um aplicativo Gradio simples para testar seu modelo em tempo real: Rick & Morty Block Party. 

12. Criando um modelo de classificador de roupas de comércio eletrônico com o Keras

O projeto Building an E-Commerce Clothing Classifier Model with Keras concentra-se na classificação de imagens no contexto do comércio eletrônico. Você usará o Keras para criar um modelo de aprendizado de máquina que automatiza a classificação de roupas com base em imagens. Isso é relevante para melhorar a experiência de compra, ajudando os clientes a encontrar produtos mais rapidamente e simplificando o gerenciamento de estoque. A classificação precisa também oferece suporte a recomendações personalizadas, aumentando o envolvimento do cliente e as vendas.

13. Detectar sinais de trânsito com aprendizagem profunda

No projeto Detectar sinais de trânsito com aprendizagem profunda, você usará o Keras para desenvolver um modelo de aprendizagem profunda capaz de detectar sinais de trânsito, como placas de pare e semáforos. Essa tecnologia é essencial para veículos autônomos, nos quais o reconhecimento rápido e preciso dos sinais de trânsito é essencial para uma navegação segura. Esse projeto estabelece as bases para o desenvolvimento de sistemas de veículos autônomos mais avançados, seguros e confiáveis.

14. Análise e previsão do mercado de ações usando aprendizagem profunda

No projeto Análise e previsão do mercado de ações, você usará GRUs (Gated Recurrent Unit) para criar modelos de previsão de aprendizagem profunda para prever os preços das ações da Amazon, IBM e Microsoft. 

Na primeira parte, você mergulhará fundo na análise de séries temporais para conhecer as tendências e a sazonalidade do preço das ações e, em seguida, usará essas informações para processar seus dados e criar um modelo GRU usando o PyTorch. Para obter orientação, você pode conferir o código-fonte no GitHub. 

Imagem de Soham Nandi

15. Aprendizagem por reforço para o Connect X

O Connect X é uma competição de simulação para iniciantes da Kaggle. Crie um agente de RL (Reinforcement Learning) para competir com outros participantes da competição Kaggle. 

Primeiro, você aprenderá como o jogo funciona e criará um agente funcional fictício para uma linha de base. Depois disso, você começará a fazer experiências com vários algoritmos de RL e arquiteturas de modelos. Você pode tentar criar um modelo com o algoritmo Deep Q-learning ou Proximal Policy Optimization.

Gif do Connect X | Kaggle

Comece sua jornada profissional de aprendizado de máquina seguindo a carreira de Cientista de Aprendizado de Máquina com Python. 

Projetos de aprendizado de máquina para alunos do último ano

O projeto do último ano exige que você dedique um certo tempo para produzir uma solução exclusiva. Você pesquisará a arquitetura de vários modelos, usará várias estruturas de aprendizado de máquina para normalizar e aumentar os conjuntos de dados, entenderá a matemática por trás do processo e escreverá uma tese com base em seus resultados. 

16. ASR multilíngue com transformadores 

No modelo ASR multilíngue, você ajustará o modelo Wave2Vec XLS-R usando áudio e transcrição turcos para criar um sistema de reconhecimento automático de fala. 

Primeiro, você entenderá os arquivos de áudio e o conjunto de dados de texto e, em seguida, usará um tokenizador de texto, extrairá recursos e processará os arquivos de áudio. Depois disso, você criará um treinador, uma função WER, carregará modelos pré-treinados, ajustará hiperparâmetros, treinará e avaliará o modelo. 

Você pode usar a plataforma Hugging Face para armazenar os pesos do modelo e publicar aplicativos da Web para transcrever a fala em tempo real: Transmissão de Urdu Asr.

Imagem de huggingface.co

17. Estilização de rosto em uma foto

No projeto One Shot Face Stylization, você pode modificar o modelo para melhorar os resultados ou ajustar o JoJoGAN em um novo conjunto de dados para criar seu aplicativo de estilização. 

Ele usará a imagem original para gerar uma nova imagem usando a inversão de GAN e o ajuste fino de um StyleGAN pré-treinado. Você entenderá vários arquitetos de redes adversárias generativas. Depois disso, você começará a coletar um conjunto de dados emparelhados para criar um estilo de sua escolha. 

Em seguida, com a ajuda de uma solução de amostra da versão anterior do StyleGAN, você experimentará o novo arquiteto para produzir arte realista. 

A imagem foi criada usando JoJoGAN

18. Recomendações de moda personalizadas da H&M

No projeto H&M Personalized Fashion Recommendations, você criará recomendações de produtos com base em transações anteriores, dados de clientes e metadados de produtos. 

O projeto testará suas habilidades em PNL, CV (Visão Computacional) e aprendizagem profunda. Nas primeiras semanas, você entenderá os dados e como pode usar vários recursos para chegar a uma linha de base. 

Em seguida, crie um modelo simples que use apenas os recursos de texto e categóricos para prever recomendações. Depois disso, passe a combinar PNL e CV para melhorar sua pontuação na tabela de classificação. Você também pode entender melhor o problema analisando as discussões e o código da comunidade. 

Imagem de H&M EDA FIRST LOOK

19. Agente de aprendizado por reforço para Atari 2600

No projeto MuZero para Atari 2600, você criará, treinará e validará o agente de aprendizagem por reforço usando o algoritmo MuZero para jogos do Atari 2600. Leia o tutorial para saber mais sobre o algoritmo MuZero.  

O objetivo é construir uma nova arquitetura ou modificar a existente para melhorar a pontuação em uma tabela de classificação global. Você levará mais de três meses para entender como o algoritmo funciona no aprendizado por reforço. 

Este projeto é muito matemático e exige que você tenha conhecimentos de Python. Você pode encontrar soluções propostas, mas para alcançar o primeiro lugar no ranking mundial, você precisa criar a sua solução.

Gif do autor | Cara de abraço

20. MLOps Aprendizado de máquina de ponta a ponta

O projeto MLOps End-To-End Machine Learning é necessário para que você seja contratado pelas melhores empresas. Atualmente, os recrutadores estão procurando engenheiros de ML que possam criar sistemas de ponta a ponta usando ferramentas MLOps, orquestração de dados e computação em nuvem. 

Neste projeto, você criará e implantará um classificador de imagens de localização usando TensorFlow, Streamlit, Docker, Kubernetes, cloudbuild, GitHub e Google Cloud. O principal objetivo é automatizar a criação e a implantação de modelos de aprendizado de máquina na produção usando CI/CD. Para obter orientação, leia o tutorial Machine Learning, Pipelines, Deployment e MLOps. 

Imagem de Senthil E

Projetos de aprendizado de máquina para criação de portfólio

Para criar seu portfólio de aprendizado de máquina, você precisa de projetos que se destaquem. Mostre ao gerente de contratação ou ao recrutador que você pode escrever códigos em várias linguagens, entender várias estruturas de aprendizado de máquina, resolver problemas exclusivos usando o aprendizado de máquina e entender o ecossistema de aprendizado de máquina de ponta a ponta. 

21. Classificador de texto BERT na unidade de processamento de tensor 

No projeto BERT Text Classifier, você usará o modelo de idioma grande e o ajustará no idioma Arabizi usando a TPU (Tensor Processing Unit). Você aprenderá a processar dados de texto usando o TensorFlow, modificar a arquitetura do modelo para obter melhores resultados e treiná-lo usando as TPUs do Google. Ele reduzirá seu tempo de treinamento em 10 vezes em comparação com as GPUs. 

Imagem de Hugging Face

22. Classificação de imagens usando Julia

No projeto Image Classification Using FastAI.jl, você usará o Julia, que foi projetado para tarefas de aprendizado de máquina de alto desempenho, para criar uma classificação simples de imagens. Você aprenderá uma nova linguagem e uma estrutura de aprendizado de máquina chamada FastAI. 

Você também aprenderá sobre a API FastAI para processar e visualizar os conjuntos de dados imagenette2-160, carregar o modelo pré-treinado ResNet18 e treiná-lo usando a GPU. Este projeto abrirá um novo mundo para você explorar e desenvolver soluções de aprendizagem profunda usando o Julia. 

Imagem do autor

23. Gerador de legenda de imagem

No projeto Image Caption Generator, você usará o Pytorch para criar modelos CNN e LSTM para criar geradores de legendas de imagens. Você aprenderá a processar dados de texto e imagem, criar um codificador CNN e um decodificador RNN e treiná-lo com hiperparâmetros ajustados. 

Para criar o melhor gerador de legendas, você precisa aprender sobre arquitetura de codificador-decodificador, NLP, CNN, LSTM e ter experiência na criação de funções de treinamento e validação usando o Pytorch. 

Imagem de Legenda automática de imagem usando aprendizagem profunda

24. Gerar música usando redes neurais

No projeto Generate Music, você usará o Music21 e o Keras para criar o modelo LSTM para gerar música. Você aprenderá sobre arquivos MIDI, notas e acordes e treinará o modelo LSTM usando arquivos MIDI. 

Você também aprenderá a criar arquitetura de modelos, pontos de verificação e funções de perda, além de aprender a prever notas usando entradas aleatórias. O objetivo principal é usar arquivos MIDI para treinar redes neurais, extrair resultados do modelo e convertê-los em arquivos de música MP3. 

Imagem de Sigurður Skúli | Música gerada pela rede LSTM

25. Implementação do aplicativo de aprendizado de máquina na produção

O projeto Deploying Machine Learning Application to the Production é altamente recomendado para profissionais de aprendizado de máquina que buscam melhores oportunidades na área. 

Neste projeto, você implantará aplicativos de aprendizado de máquina na nuvem usando Plotly, Transformers, MLFlow, Streamlit, DVC, GIT, DagsHub e Amazon EC2. É uma maneira perfeita de mostrar suas habilidades em MLOps. 

Imagem de Zoumana Keita

Como iniciar um projeto de aprendizado de máquina?

Imagem do autor

Não há etapas padrão em um projeto típico de aprendizado de máquina. Portanto, pode ser apenas coleta de dados, preparação de dados e treinamento de modelos. Nesta seção, aprenderemos sobre as etapas necessárias para criar o projeto de aprendizado de máquina pronto para produção. 

Definição do problema

Você precisa entender o problema comercial e ter uma ideia aproximada de como usará o aprendizado de máquina para resolvê-lo. Procure artigos de pesquisa, projetos de código aberto, tutoriais e aplicativos semelhantes usados por outras empresas. Certifique-se de que sua solução seja realista e que os dados estejam facilmente disponíveis. 

Coleta de dados

Você coletará dados de várias fontes, limpará e rotulará esses dados e criará scripts para validação de dados. Certifique-se de que seus dados não sejam tendenciosos ou contenham informações confidenciais. 

Preparação de dados 

Preencher valores ausentes, limpar e processar dados para análise de dados. Use ferramentas de visualização para entender a distribuição dos dados e como você pode usar os recursos para melhorar o desempenho do modelo. O dimensionamento de recursos e o aumento de dados são usados para transformar dados em um modelo de aprendizado de máquina.

Modelo de treinamento 

selecionar redes neurais ou algoritmos de aprendizado de máquina que são comumente usados para problemas específicos. Modelo de treinamento usando validação cruzada e usando várias técnicas de otimização de hiperparâmetros para obter resultados ideais. 

Avaliação do modelo 

Avaliação do modelo no conjunto de dados de teste. Certifique-se de que você está usando a métrica de avaliação de modelo correta para problemas específicos. A precisão não é uma métrica válida para todos os tipos de problemas. Verifique a pontuação F1 ou AUC para classificação ou RMSE para regressão. Visualize a importância dos recursos do modelo para eliminar os recursos que não são importantes. Avalie as métricas de desempenho, como o treinamento do modelo e o tempo de inferência. 

Certifique-se de que o modelo tenha superado a linha de base humana. Caso contrário, volte a coletar mais dados de qualidade e inicie o processo novamente. É um processo iterativo em que você continuará treinando com várias técnicas de engenharia de recursos, arquitetos de modo e estruturas de aprendizado de máquina para melhorar o desempenho. 

Produção 

Depois de obter resultados de última geração, é hora de implantar seu modelo de aprendizado de máquina na produção/nuvem usando as ferramentas de MLOps. Monitore o modelo com dados em tempo real. A maioria dos modelos falha na produção, portanto, é uma boa ideia implantá-los para um pequeno subconjunto de usuários. 

Retreinamento 

Se o modelo não conseguir obter resultados, você voltará à prancheta de desenho e criará uma solução melhor. Mesmo que você obtenha ótimos resultados, o modelo pode se degradar com o tempo devido ao desvio de dados e ao desvio de conceito. O retreinamento de novos dados também faz com que seu modelo se adapte às mudanças em tempo real.

Apoiando o crescimento da sua equipe com o DataCamp for Business

Embora os projetos individuais sejam essenciais para o desenvolvimento de habilidades pessoais, as organizações também precisam garantir que suas equipes estejam bem equipadas para lidar com as complexidades da análise de dados. O DataCamp for Business oferece soluções personalizadas que ajudam as empresas a aprimorar as habilidades de seus funcionários em ciência de dados, análise e aprendizado de máquina. Com acesso a uma vasta biblioteca de cursos interativos, trilhas de aprendizado personalizadas e projetos do mundo real, as equipes podem aprimorar suas habilidades em ingestão, limpeza, manipulação, visualização e análise preditiva de dados - todas as principais áreas destacadas neste blog.

Não importa se você é uma pequena startup ou uma grande empresa, o DataCamp for Business oferece as ferramentas para aprimorar, requalificar e criar uma cultura orientada por dados para se manter competitivo no mercado atual. Você pode solicitar uma demonstração hoje para saber mais. 

Conclusão

Iniciar um projeto de aprendizado de máquina pode ajudar você a ganhar experiência prática, aprimorar seu portfólio e desenvolver habilidades críticas de solução de problemas. Os projetos que abordamos podem não apenas preencher a lacuna entre a teoria e a prática, mas também abrir caminhos para o seu aprendizado e inovação contínuos.

Ao se envolver com diversos conjuntos de dados e desafios complexos, você pode construir uma base sólida em aprendizado de máquina, posicionando-se para o sucesso nos âmbitos acadêmico e profissional. Seja você um iniciante ou um aluno avançado, cada projeto que você realiza o aproxima do domínio da arte e da ciência do aprendizado de máquina. Comece a sua jornada hoje mesmo com a nossa trilha de habilidades de Cientista de Aprendizado de Máquina com Python.