本文轉(zhuǎn)載自公眾號(hào)“讀芯術(shù)”(ID：AI_Discovery)。

紙上得來終覺淺，絕知此事要躬行。光看教程是不夠的，你需要通過實(shí)踐來掌握更多更真實(shí)的內(nèi)容。以下有8個(gè)創(chuàng)意十足的機(jī)器學(xué)習(xí)實(shí)操項(xiàng)目供你選擇，趕緊行動(dòng)起來吧!

[[339827]]

1. 基于社交媒體帖子的抑郁情緒分析

世界上有超過2.64億人患有抑郁癥。抑郁癥是全球殘疾、疾病的主要原因，每年都有近80萬人自殺身亡——自殺是15-29歲人群死亡的第二大原因。但與之相對(duì)的是，針對(duì)抑郁癥的治療卻經(jīng)常不到位、不及時(shí)、不精確。

網(wǎng)絡(luò)為改變?cè)缙谝钟籼峁┝藱C(jī)會(huì)，尤其是針對(duì)青年人的病癥。推特上每時(shí)每刻發(fā)送的推文幾乎超過35萬條，每天發(fā)送5億條，每年則約2000億條。

皮尤研究中心指出，72%的人依靠互聯(lián)網(wǎng)生活。社交網(wǎng)絡(luò)發(fā)布的數(shù)據(jù)集對(duì)于很多領(lǐng)域都很重要，比如人文科學(xué)和大腦研究。通過分析社交媒體帖子中的語言標(biāo)記，可以建立深度學(xué)習(xí)模型，使個(gè)人了解其心理健康狀況，這種方法比傳統(tǒng)方法快很多。

2. 使用神經(jīng)網(wǎng)絡(luò)將體育比賽視頻轉(zhuǎn)換為文本摘要

[[339828]]

圖源：Unsplash

這個(gè)項(xiàng)目的想法是，從體育比賽視頻中獲取精確的摘要，而后將高光部分發(fā)布在體育網(wǎng)站上?？茖W(xué)家已經(jīng)提出了各種用于提取文本摘要的模型，但是神經(jīng)網(wǎng)絡(luò)的效果最好。一般來說，摘要是指在一個(gè)簡要的結(jié)構(gòu)中引入信息，集中傳達(dá)事實(shí)和信息，同時(shí)保證其重要性。

自動(dòng)生成游戲視頻的摘要給辨別游戲高光部分帶來了挑戰(zhàn)。

為了完成上述任務(wù)，可以使用一些深度學(xué)習(xí)技術(shù)，如3D-CNN(三維卷積神經(jīng)網(wǎng)絡(luò))、RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))、LSTM(長短期記憶神經(jīng)網(wǎng)絡(luò))，還可以通過機(jī)器學(xué)習(xí)算法將視頻分成不同的部分，然后應(yīng)用SVM(支持向量機(jī))、NN(神經(jīng)網(wǎng)絡(luò))和k-均值算法。

3. 使用CNN的手寫方程求解器

識(shí)別手寫數(shù)學(xué)表達(dá)式在計(jì)算機(jī)視覺研究領(lǐng)域?qū)儆谧盍钊死Щ蟮膯栴}之一。你可以使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)和一些圖像處理技術(shù)，通過手寫數(shù)字和數(shù)學(xué)符號(hào)來訓(xùn)練手寫方程求解器。開發(fā)這樣一個(gè)系統(tǒng)需要用數(shù)據(jù)訓(xùn)練機(jī)器，使其能夠熟練地學(xué)習(xí)并且做出所需預(yù)測。

4. 使用NLP生成商務(wù)會(huì)議摘要

你有沒有遇到過這種情況：別人只想看你的摘要而不是完整的報(bào)告。我在學(xué)生時(shí)代就是經(jīng)?；撕芏鄷r(shí)間準(zhǔn)備完整的報(bào)告，但老師只有看摘要的時(shí)間。

摘要已經(jīng)勢(shì)不可擋地成為解決數(shù)據(jù)負(fù)擔(dān)過重的一種有效方法。從對(duì)話中提取信息具有很好的商業(yè)和教育價(jià)值，這可以通過捕捉對(duì)話結(jié)構(gòu)中統(tǒng)計(jì)、語言和情感方面的特征來實(shí)現(xiàn)。

手動(dòng)將報(bào)告轉(zhuǎn)換為摘要太費(fèi)時(shí)間了，人們可以借助自然語言處理(NLP)技術(shù)來實(shí)現(xiàn)。使用深度學(xué)習(xí)的文本摘要技術(shù)可以理解整個(gè)文本的上下文，對(duì)于我們這些需要快速總結(jié)文件的人來說簡直是福音。

5. 根據(jù)人臉識(shí)別情緒推薦合適的歌曲

[[339829]]

圖源：unsplash

臉是身體的重要組成部分，對(duì)于了解個(gè)人精神狀態(tài)起著重要作用。通過人臉識(shí)別推薦歌曲省去了手動(dòng)將歌曲分組這項(xiàng)枯燥乏味的步驟，并能根據(jù)個(gè)人情感特征生成合適的播放列表。

人們往往會(huì)根據(jù)自己的情緒和興趣聽歌。你可以通過捕捉面部表情創(chuàng)建一個(gè)應(yīng)用，根據(jù)用戶的情緒為他們推薦合適的歌曲。

計(jì)算機(jī)視覺是一個(gè)跨學(xué)科領(lǐng)域，有助于向計(jì)算機(jī)傳達(dá)對(duì)數(shù)字圖像或視頻的高級(jí)理解，計(jì)算機(jī)視覺組件可用于通過面部表情確定用戶情緒。

6. 從開普勒等航天器拍攝的圖像中尋找可居住的系外行星

近十年間，科學(xué)家監(jiān)測了超過100萬顆星星以識(shí)別凌日行星。人工詮釋潛在的候選系外行星需要大量勞動(dòng)力，還很容易出現(xiàn)人為錯(cuò)誤，且結(jié)果很難評(píng)估。卷積神經(jīng)網(wǎng)絡(luò)比最小二乘法更適合在嘈雜的時(shí)間序列數(shù)據(jù)中識(shí)別類地系外行星。

7. 老損膠片照片的再生成

[[339830]]

圖源：Pikist

我知道修復(fù)舊照片有多么耗時(shí)和痛苦，因此，人們可以考慮通過深度學(xué)習(xí)尋找照片上所有的缺陷(斷裂、劃痕、漏洞)，并使用圖像修復(fù)算法，從而通過四周的像素值輕松地發(fā)現(xiàn)缺陷，以恢復(fù)舊照片并為其著色。

8. 使用深度學(xué)習(xí)生成音樂

音樂是各種頻率音調(diào)的組合，自動(dòng)生成音樂則是將人類參與度降到最低，從而創(chuàng)作一小段音樂的過程。近來，深度學(xué)習(xí)工程已經(jīng)成為了編程生成音樂的前沿。

(https://medium.com/analytics-vidhya/music-generation-using-deep-learning-a2b2848ab177)

尋找項(xiàng)目的選題，你需要大膽假設(shè)，仔細(xì)觀察。如果尚在為選題苦惱，不如從上面的創(chuàng)意中挑一個(gè)試試吧。