O crescimento da inteligência artificial (IA) tem inspirado mais engenheiros de software, cientistas de dados, e outros profissionais a explorar a possibilidade de uma carreira na aprendizagem de máquinas. Entretanto, alguns recém-chegados tendem a focar demais na teoria e não o suficiente na aplicação prática. Se você vai ter sucesso, você precisa começar a construir projetos de aprendizagem de máquinas mais cedo em vez de mais tarde.
Pode ser difícil saber por onde começar, por isso é sempre uma boa ideia procurar orientação e inspiração de outros. Neste post, vamos compartilhar exemplos reais de projetos de aprendizagem de máquinas que o ajudarão a entender como deve ser um projeto concluído. Também forneceremos dicas acionáveis para criar seus próprios projetos de aprendizagem de máquinas que despertem a atenção.
Se você estiver procurando por uma visão mais abrangente sobre as opções de carreira de aprendizagem de máquinas, confira nossos guias sobre como se tornar um cientista de dados e como se tornar um engenheiro de dados.
Identificando os Twits no Twitter Usando o Processamento de Linguagem Natural (Iniciante)
O discurso de ódio da mídia social e notícias falsas se tornaram fenômenos mundiais na era digital. Embora posts ofensivos sejam um problema, é ainda pior quando são imprecisos ou erroneamente atribuídos a pessoas através de perfis falsos.
(Fonte: Towards Data Science)
Projetos sobre aprendizagem de máquinas podem ajudar. Uma aplicação popular do processamento de linguagem natural (PNL) é a análise dos sentimentos. Isto permite que milhares de documentos de texto possam ser digitalizados para determinados filtros em segundos. Por exemplo, o Twitter pode processar posts para comentários racistas ou sexistas e separar esses tweets de outros.
Eugene Aiken empreendeu um projeto para analisar as postagens de duas pessoas e determinar a probabilidade de um tweet específico ter vindo de um usuário em particular. Para fazer isso, ele usou os tweets de dois conhecidos rivais políticos: Donald Trump e Hillary Clinton.
Este processo envolveu várias etapas:
- Raspar os tweets deles
- Executá-los através de um processador de linguagem natural
- Classificá-los com um algoritmo de aprendizagem de máquina
- Utilizar o método predict-proba para determinar a probabilidade
Com os resultados, Eugene foi capaz de identificar quais tweets eram mais e menos prováveis de serem de Donald Trump. Este mesmo processo pode ser usado para analisar tweets de qualquer pessoa, incluindo seus amigos ou família.
Você pode aprender mais sobre este projeto de aprendizagem da máquina aqui, e baixar o conjunto de dados aqui.
Encontrando as Fraudes Enquanto Combatendo Dados Desequilibrados (Intermediário)
Quando o mundo se move em direção a uma realidade sem dinheiro e baseada em nuvens, o setor bancário está sob maior ameaça do que nunca. Espera-se que o custo global da fraude com cartão de crédito aumente acima de 32 bilhões de dólares até 2020.
Embora seja um grande problema, a fraude representa apenas uma fração ínfima do número total de transações acontecendo todos os dias. Isto dá origem a outro problema: dados desequilibrados.
Na aprendizagem de máquinas, a fraude é vista como um problema de classificação, e quando se lida com dados desequilibrados, significa que o problema a ser previsto é minoritário. Como resultado, o modelo de previsão muitas vezes terá dificuldade em produzir valor real de negócio a partir dos dados, e às vezes pode interpretar mal.
(Fonte: Towards Data Science)
Rafael Pierre explica como a equipe Towards Data Science conduziu um projeto para lidar com este problema. Trabalhando com um conjunto de dados altamente desequilibrado que teve 492 fraudes em 284.807 transações, eles implementaram três estratégias diferentes:
- Amostrastrastrastras superiores
- Amostras superiores
- Uma abordagem combinada
Embora cada técnica tenha suas virtudes, a abordagem combinada atingiu um ponto doce entre precisão e recall, oferecendo efetivamente um alto nível de precisão ao lidar com conjuntos de dados desequilibrados.
Pode aprender mais sobre este projecto de aprendizagem da máquina aqui.
Apanhar Crooks on the Hook usando Geo-Mapping e Cloud Computing (Advanced)
Vulnerável vida marinha está sob imensa ameaça de caçadores ilegais em todo o mundo. Por muitos anos, foi praticamente impossível manter o controle das atividades de cada barco no mar. Hoje em dia, os avanços na IA, geo-mapeamento e computação em nuvem se combinaram para realizar uma brilhante idéia de projeto de aprendizagem de máquinas: Global Fishing Watch.
(Fonte: Unsplash)
Então, como é que a aprendizagem de máquinas está a ajudar a Global Fishing Watch a identificar a actividade de pesca ilegal nos nossos oceanos? Este projecto em curso envolve três fases principais:
- Dados de colheita – A maioria dos grandes navios usa um dispositivo semelhante ao GPS conhecido como sistema de identificação automática (AIS), que transmite a sua posição. Embora muitos barcos de pesca não possuam AIS, aqueles que o fazem são responsáveis por cerca de 80% da pesca global em alto mar. Ao rastrear os dispositivos AIS com satélites, é possível monitorar os movimentos dos navios, mesmo em áreas remotas.
- Processamento – Global Fishing Watch usa redes neurais para processar a informação e encontrar padrões em grandes conjuntos de dados. Isto compreende cerca de 60 milhões de pontos de dados de mais de 300.000 embarcações por dia! Com a ajuda de especialistas em pesca, o algoritmo aprendeu como classificar essas embarcações por uma série de fatores, como por exemplo:
- Tipo – vela, carga, pesca
- Equipamento de pesca – grawl, palangre, rede de cerco com retenida
- Comportamentos de pesca – onde está, quando está activo
- Partilhar os resultados – Esta informação sobre o seguimento das embarcações está disponível ao público. Qualquer pessoa pode visitar o site para acompanhar os movimentos dos barcos de pesca comercial em tempo real, segui-los no mapa interativo, ou baixar os dados. As pessoas podem até criar mapas de calor para verificar padrões de atividade pesqueira ou visualizar os rastros de embarcações específicas em áreas marinhas protegidas.
Você pode aprender mais sobre este projeto de aprendizagem da máquina aqui.
Uber Helpful Customer Support Using Deep Learning (Advanced)
Como um dos principais exemplos de ruptura tecnológica, Uber pretende ficar por aqui. Com bilhões de caronas para lidar a cada ano, o aplicativo de compartilhamento de caronas precisa de um sistema de suporte fantástico para resolver problemas de clientes o mais rápido possível.
(Fonte: Uber)
Uber se propôs a melhorar a eficácia de seus representantes de suporte ao cliente criando uma arquitetura modelo “human-in-the-loop”, que é chamada de Assistente de Ticket de Obsessão ao Cliente, ou COTA.
Por meio de testes divididos de duas versões do COTA, a equipe Uber usou um aprendizado profundo para descobrir o impacto no tempo de manuseio dos ingressos, na satisfação do cliente e na receita. É um ótimo modelo para projetos de aprendizado profundo que combinam uma arquitetura técnica inteligente com a contribuição humana e que, espera-se, lhe fornecerá outras idéias de projetos de aprendizado profundo.
>
Você pode aprender mais sobre este projeto de aprendizagem de máquinas aqui.
Barbie With Brains Using Deep Learning Algorithms (Advanced)
Bonecas modernas que podem “falar” desempenham um papel importante na formação das mentes jovens das crianças. Contudo, os bonecos padrão têm tipicamente um conjunto limitado de frases que não têm correlação com o que a criança está a dizer.
Mas e se o boneco conseguisse entender as perguntas? E se o boneco pudesse dar respostas lógicas?
(Fonte: ToyTalk)
Hello Barbie é uma demonstração emocionante do poder da aprendizagem da máquina e da inteligência artificial. Através da PNL e de algumas análises de áudio avançadas, a Barbie pode interagir em conversas lógicas. O microfone no seu colar grava tudo o que é dito e depois transmite-o para os servidores ToyTalk, onde é analisado.
Existem mais de 8.000 linhas de diálogo disponíveis, e os servidores irão transmitir a resposta mais apropriada de volta em um segundo para que a Barbie possa responder. Considere-o uma outra arquitetura que acrescenta ao seu trovoada de idéias de projetos de aprendizado profundo.
Você pode aprender mais sobre este projeto de aprendizado da máquina aqui.
Personalização da arte da netflix usando IA (Advanced)
Netflix é a força dominante no entretenimento agora, e a empresa entende que pessoas diferentes têm gostos diferentes. Às vezes, as pessoas são culpadas de julgar shows ou filmes por suas imagens e, portanto, elas podem nunca checar certos programas. Para não ser derrotado, a Netflix pretende persuadir mais pessoas a verem seus shows.
(Fonte: Unsplash)
Quando você visita a Netflix, às vezes você verá diferentes obras de arte para os mesmos shows. Isto é aprendizagem de máquina no trabalho. Netflix usa uma rede neural convolucional que analisa imagens visuais. A empresa explica que eles também dependem de “bandidos contextuais”, que trabalham continuamente para determinar qual trabalho artístico fica melhor engajado.
A medida que você usa mais o Netflix, ele começa a entender não apenas quais programas você gosta, mas também que tipo de trabalho artístico! Por exemplo, se você assistiu a vários filmes estrelados por Uma Thurman, é provável que você veja Pulp Fiction art apresentando a atriz em vez dos co-estrelas John Travolta ou Samuel L. Jackson.
Você pode aprender mais sobre este projeto de aprendizagem da máquina aqui.
Relacionado: 6 Projetos completos de ciência de dados
Como gerar suas próprias idéias de projetos de aprendizagem de máquinas
Se você já está aprendendo a se tornar um engenheiro de aprendizagem de máquinas, você pode estar pronto para ficar preso dentro. Se não, aqui estão alguns passos para pôr as coisas em movimento.
Pick an Idea That Excites You
Para dar o pontapé de saída, você precisa de fazer um brainstorming de algumas ideias de projectos de aprendizagem de máquinas. Pense nos seus interesses e procure criar conceitos de alto nível em torno deles. Escolha a idéia mais viável, e depois solidifique-a com uma proposta escrita, que funciona como um plano para verificar durante todo o projeto.
Relacionado: 5 Indústrias pouco tradicionais que estão alavancando AI
Evite sair do escopo
Se é o seu primeiro projeto, você deve combater a vontade de ir além do escopo do projeto. Concentre-se em projetos simples de aprendizagem mecânica. Ao focar em um pequeno problema e pesquisar um conjunto de dados grande e relevante, seu projeto tem mais probabilidade de gerar um retorno positivo sobre seu investimento.
Teste sua Hipótese
Especialmente quando se fala de projetos de aprendizagem de máquinas fáceis para iniciantes, a principal coisa a se pensar é gerar insights a partir do seu projeto. Não se preocupe ainda em agir sobre esses insights. Modele sua hipótese, e teste-a. Python é a linguagem mais fácil para iniciantes, e nós aconselhamos que você a use para conduzir seus testes.
Implement the Results
Após ter alcançado todos os resultados desejados, você pode procurar implementar seu projeto. Existem alguns passos para esta etapa:
- Criar uma API (interface de programação de aplicações) – Isto permite que você integre os conhecimentos de aprendizagem da sua máquina no produto.
- Registre os resultados em um único banco de dados – Ao reunir tudo, você torna mais fácil construir sobre os resultados.
- Incorporar o código – Quando você tem pouco tempo, a incorporação do código é mais rápida do que uma API.
Revise and Learn
Quando você tiver terminado o projeto, avalie os resultados. Pense sobre o que aconteceu, e porquê. O que você poderia ter feito de diferente? Com o tempo, à medida que você ganha experiência você será capaz de aprender com seus próprios erros.
Dicas para Projetos de Aprendizagem de Máquinas para Iniciantes
Precisos de sete projetos simples de aprendizagem de máquinas precisam ser construídos sobre uma base sólida de conhecimento para ter qualquer chance real de sucesso. Além disso, o campo competitivo torna difícil para os recém-chegados se destacar.
Relacionado: Como Aterrar um Estágio de Aprendizagem de Máquina
Aqui estão algumas dicas para fazer seu projeto de aprendizagem de máquina brilhar.
Conhecer as Aplicações Comuns da Aprendizagem de Máquina
>
Broadly, há três tipos básicos de aprendizagem de máquina:
- Aprendizagem supervisionada analisa dados históricos para prever novos resultados. Por exemplo, a previsão de preços de propriedades.
- Aprendizagem sem supervisão procura por padrões de dados usando análise estatística. Por exemplo, identificar segmentos de clientes dentro dos dados de vendas da sua empresa.
- Aprendizagem reforçada opera com um modelo dinâmico que usa tentativa e erro para melhorar constantemente o desempenho. Por exemplo, negociação de ações.
Quando você desenvolver uma melhor compreensão destas aplicações, você saberá como aplicar a aprendizagem da máquina ao seu problema.
Não subestime o pré-processamento e limpeza de dados
Dados ruidosos podem distorcer os seus resultados. Portanto, você deve procurar usar o pré-processamento e a limpeza dos dados regularmente. Dito de forma simples, trata-se de tomar seus dados e torná-los mais fáceis de entender. Ao arrumar as coisas e inserir os dados que faltam, você garante que seus modelos sejam o mais precisos possível. Se os seus projectos de aprendizagem de máquinas têm problemas de qualidade de dados, o artigo ligado antes deve ajudar com as bases de dados que se relacionam com ideias de projectos de aprendizagem de máquinas.
Machine Learning Is a Team Game
Even Neo precisava de amigos. Quando você estiver desenvolvendo projetos de aprendizagem de máquinas, você precisará trabalhar com outras pessoas, muitas das quais não terão o mesmo entendimento de IA e software que você.
Você deve confiar em outras pessoas, e também ser honesto sobre o seu modelo. Em última análise, quando você estiver trabalhando em projetos de aprendizagem de máquinas, busque transparência e comunicação aberta para que seu projeto possa funcionar sem problemas.
Focus on Solving Real-World Problems
Está tudo bem e bom usar a aprendizagem de máquinas para aplicações divertidas, mas se você está de olho em conseguir um emprego como engenheiro de aprendizagem de máquinas, você deve se concentrar em aliviar um ponto de dor sentido por muitas pessoas. Pense em como o seu projeto irá oferecer valor aos clientes. Ao pesquisar questões do mundo real, você pode fazer seu projeto se destacar como aquele que o mundo quer e precisa. Não se limite a projetos de aprendizagem profunda para mostrar suas habilidades – crie um impacto significativo com qualquer tecnologia que você possa. O que realmente importa é o impacto e não a tecnologia.
Play to Your Strengths
Se você é novo no aprendizado de máquinas e não tem muita experiência, pode ser um pouco assustador enfrentar codificadores veteranos e engenheiros de software. Neste caso, a sua fraqueza percebida pode ser um ponto forte. Você pode se apoiar em sua experiência e conhecimento prévio sobre diferentes indústrias para criar projetos únicos de aprendizagem de máquinas que muitas outras pessoas podem nem mesmo pensar. Você pode gerar idéias de projetos de aprendizagem de máquinas com sua própria perspectiva, olhando também para conjuntos de dados abertos.
A aprendizagem de máquinas pode tornar o mundo mais humano
A indústria da aprendizagem de máquinas continuará a crescer nos próximos anos. Enquanto algumas pessoas vêem a chamada “ascensão dos robôs” como o fim do toque pessoal nos negócios, a realidade é bem o oposto. Há tantas grandes ideias de projectos de aprendizagem de máquinas que ajudam as empresas a oferecer um melhor serviço, humanizando eficazmente as marcas, tornando-as mais sintonizadas com os interesses do seu público-alvo.
Não é fácil desenvolver as suas primeiras ideias de projectos de aprendizagem de máquinas. Aprendendo com os outros, você pode criar algo grandioso. Projetos de aprendizagem de máquinas podem ter efeitos dramáticos em campos tão diversos e importantes como a saúde humana e a economia: projetos de aprendizagem de máquinas podem ajudar a avançar nossa compreensão de nós mesmos e do nosso mundo.
Trilha de Carreira de Engenharia de Aprendizagem de Máquinas da Springboard, a primeira deste tipo a vir com uma garantia de emprego, foca-se na aprendizagem baseada em projetos. Saiba mais.
