<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ThinkChat2.0新版上線,更智能更精彩,支持會話、畫圖、視頻、閱讀、搜索等,送10W Token,即刻開啟你的AI之旅 廣告
                # 研究對您來說很重要的機器學習問題 > 原文: [https://machinelearningmastery.com/work-on-machine-learning-problems-that-matter-to-you/](https://machinelearningmastery.com/work-on-machine-learning-problems-that-matter-to-you/) 自學機器學習時很難保持動力。 標準測試數據集可能非常鈍,與您和日常生活脫節。無聊甚至。您可能想要使用的技巧是查找和處理對您而言重要的數據集。 在這篇文章中,我們將介紹一些數據集的想法,您可以用它們來激勵甚至加速您應用機器學習的過程。 ## 影響問題 我們之前已經考慮過[需要解決有影響的問題](http://machinelearningmastery.com/machine-learning-that-matters/ "Machine Learning that Matters")。影響最大的問題是結果直接影響您的問題。 這些可能是與您的個人生活,愛好甚至工作有關的問題。它們是現在可能會或可能不會解決的問題。只要您以某種方式對結果進行投資,問題的大小和范圍就無關緊要了。結果對你很重要。 這是一種強大的方法,原因有兩個: * 它允許您客觀地對待問題,并將理性的解決問題的技巧應用于此,這可能會產生一些有趣的結果。 * 關注結果更有可能激勵您學習新的和不同的方法,深入研究問題的定義并撰寫您的發現。因為您關心結果,所以您將更認真地對待項目。 你不能選擇任何舊問題。還有一些額外的考慮因素: * **數據**:機器學習算法模擬數據問題,建模質量通常與數據質量成正比。您需要能夠訪問并能夠收集問題的數據。 * **公眾**:數據和/或結果可以公開嗎?如果您想將項目用作機器學習組合的一部分,這對您來說很重要,我強烈建議您這樣做。 * **問題**:從一個問題開始,確保有問題需要解決。該問題將闡明您需要收集的數據以及答案對您的影響。 在接下來的部分中,我們將看看您生活中的三個方面,您可能會發現可以通過機器學習進行調查的問題。 ## 機器學習在家里 您的個人生活中是否存在可以使用機器學習方法建模的問題和數據來源? [![machine learning fitness](img/a7e159b0a34486d591929e28ae792e4c.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/06/machine-learning-fitness.jpg) 跟蹤和建模您自己的健身。 攝影: [Phil Gradwell](https://www.flickr.com/photos/philgradwell/12420412833/sizes/l) ,保留一些權利。 我想到的五個例子是: * **個人理財**:您可以為個人理財的某些方面建模。這可能類似于每周支出預測或大量購買預測。如果這是你的事情,它也可能與你的投資組合有關。 * **運輸**:您可以為個人交通工具的某些方面建模。這可能是您在某一天通勤的訓練或公共汽車,通勤時間或工作到達時間預測或燃料消耗等細節。 * **食物**:你可以對你消費的食物進行建模。這可能是數量,卡路里,零食預測或您在給定的一周內需要購買的模型。 * **媒體**:您可以為媒體消費建模,例如電視,電影,書籍,音樂或網站。一種顯而易見的方法是將其建模為推薦問題,還要考慮消費量模型,例如消費時消耗的量以及您可以預測的其他相關模式。 * **健身**:你可以模擬個人健身的某些方面。這可能是體重,BMI,身體測量或耐力方面,如仰臥起坐次數或完成日常工作的時間。如何建模你是否會在某一天去健身房(輸入是什么?)。 請記住,您必須能夠訪問數據,這很可能意味著您必須花一些時間來測量和收集數據。 ## 機器學習與業余愛好 你有機器學習以外的愛好嗎?考慮一下您可以收集與您的愛好相關的模型數據。 [![machine learning horse racing](img/3a4af5a9c994745044e8b7dff2f2b6dd.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/06/machine-learning-horse-racing.jpg) 將機器學習應用到您的愛好中。 照片由[你作為一臺機器](https://www.flickr.com/photos/youasamachine/7672323774/sizes/l),保留一些權利。 您可能擁有或想要建模的五個愛好示例包括: * **體育**:你可以模擬球隊或聯賽的表現。你可能會進入幻想運動隊,并有興趣模擬個人球員的表現。體育結果也有賭博方面可能引起你的興趣(小心)。也許你有一個孩子或家庭成員在幾周內參加體育運動可能會提供一個問題,并且數據來源與你有更多聯系。 * **游戲**:你可以模擬你玩游戲的一個方面。這可能是桌面游戲,紙牌游戲或電腦游戲。您可以模擬和預測贏/輸結果,特定結果分數或游戲中的特定動作。 * **藝術/工藝品**:也許你是一個業余藝術家或工藝品人,并將你的照片發布到你的作品的公共社交相冊。您可以建模并預測您發布的特定照片是第三方喜歡還是感興趣(以視圖或評論的形式)。類似的方法可以與對照組(家庭成員?)以及可能需要主觀評估興趣或質量(繪畫,音樂,紙質等)的各種其他藝術形式一起使用。 * **語言**:您可以對您或朋友或家人正在學習的語言的某些方面進行建模。如果正在使用閃存卡,您可能會遇到一個有趣的問題,即建模是否會記住給定卡的內容。您還可以模擬語言學習的其他方面,例如獲得的新作品的比率和錯誤的頻率。收集數據可能是一個有趣的挑戰。 * **攝影**:也許你是一個鳥類觀察者,自然愛好者,或者有其他理由拍攝各種各樣的自然。您可以模擬將葉/鳥/動物的照片分類到其組中的問題。您還可以模擬給定照片是否包含感興趣對象的問題,例如您的寵物狗或您自己的臉。 傾向于擁有數據集的愛好,您可以隨時使用和模型化。 ## 機器學習在工作中 您是否可以訪問工作中的數據或您工作的內容?這可能是您的博客或其他在線內容,也可能是您的工作創建或發布的數據或與之相關的數據。 [![machine learning at work](img/9097ffe38b130f58c367c0f053afddbd.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/06/machine-learning-at-work.jpg) 在工作中應用機器學習。 照片來自 [BiblioArchives / LibraryArchives](https://www.flickr.com/photos/lac-bac/4678564541/sizes/o/) ,保留一些權利。 * **訪客**:您能否對訪問您網站的內容進行建模(這可能是您自己的博客或網站屬性)。也許是訪問者的人口統計特征,例如平臺,瀏覽器等,或者可能是基于發布內容的訪問者來源或頁面瀏覽量。 * **客戶**:與訪客一樣,他們的客戶屬性可以建模嗎?這可能是購買量,購物車內容,購買時間或類似的人口統計信息。我喜歡這個領域,因為它可以清除許多關于被認為是理所當然的業務的新知識(支持數據)。 * **轉換**:它們的轉換質量是否可以建模?這可能是轉換的方面,例如時間或客戶人口統計。它可能是對轉換鏈的預測,例如試用,付費,向上銷售。 * **流失**:對于服務行業而言,流失是非常重要的事情,很可能已經建模。是否有某種形式的流失未被建模?也許從審判中流失。從電子郵件列表或 RSS 訂閱中流失? * **專有數據**:您組織創建或有權訪問的一些獨??特或有趣的數據。對于可能值得建模的數據,您可以提出哪些問題。例如,氣象數據,制造數據,采礦數據等。 請注意隱私問題和數據所有權。在訪問數據之前,您可能需要獲得許可,并且必須將結果保密或組織內部。 我希望你發現這很有用,或者想到一個你可以調查的問題,這會讓你更深入地了解應用機器學習。 如果是這樣,請發表評論,我很想聽聽你的想法。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看