8 Fun Machine Learning Projects For Beginner

หมายเหตุ: บทความนี้เป็นส่วนหนึ่งของ "บทความชุด Article with Machine Translation" ซึ่งเป็นการแปลบทความจากต้นฉบับภาษาต่างประเทศด้วย Machine translation ดังนั้นจึงมีข้อผิดพลาดอยู่หลายจุด ขอให้ผู้อ่านโปรดใช้วิจารณญาณในการอ่าน ทาง EPT ไม่ขอรับประกันว่าข้อมูลที่ท่านได้อ่านเป็นข้อมูลที่ถูกต้อง และไม่ขอรับผิดชอบความเสียหายใด ๆ ที่เกิดต่อผู้อ่านทั้งทางร่างกาย จิตใจ ทรัพย์สิน ฯลฯ นะครับ

8 โปรเจค Machine Learning ที่สนุกสนาน สำหรับผู้เริ่มต้น

     ในการแนะนำนี้ พวกเราจะพูดถึง 8 โปรเจค Machine Learning ที่สนุกสนาน สำหรับผู้เริ่มต้น โปรเจคเป็นการลงทุนที่ดีที่สุดในเวลาของคุณ คุณจะเพลิดเพลิน ไปกับการเรียนรู้ มีแรงจูงใจและมีการดำเนินงานที่รวดเร็ว

     คุณจะเห็นได้ว่าไม่มีทฤษฏีใดสามารถที่จะมาแทนที่การฝึกฝนแบบลงมือทำได้ ตำราเรียนและบทเรียนต่างๆสามารถขับกล่อมคุณไปยังความเชื่อที่ผิดๆของการ เรียนรู้ เพราะว่าวัสดุอุปกรณ์อยู่ตรงหน้าคุณแล้วตอนนี้ แต่เมื่อคุณลองที่จะใช้งาน มัน คุณอาจพบว่ามันยากกว่าที่คิด
    โปรเจคจะช่วยให้คุณสามารถปรับปรุงการนำไปประยุกต์ใช้ทักษะ ML ของคุณ ได้อย่างรวดเร็ว ในขณะที่ยังให้โอกาสคุณที่จะสำรวจหัวข้อที่น่าสนใจอีกด้วย

     บวกกับคุณสามารถใส่โปรเจคลงไปในแฟ้มสะสมผลงานของคุณได้ด้วย ทำให้ มันง่ายขึ้นสำหรับการหางานทำ หาโอกาสทางอาชีพที่มันเจ๋งๆและแม้แต่ต่อรอง เงินเดือนที่สูงขึ้น

     นี่คือ 8 โปรเจค Machine Learning ที่สนุกสนาน สำหรับผู้เริ่มต้น คุณสามารถ ทำมันให้เสร็จได้ภายในสุดสัปดาห์เดียวหรือจะขยายพวกมัน ให้เป็นโปรเจคที่ยาว ขึ้นถ้าคุณเพลิดเพลินไปกับมัน 

เนื้อหา

1. Machine Learning ฉบับ Gladiator
2. เล่น Money Ball
3. ทำนายราคาหุ้น
4. สอนเครือข่าย Neural ให้อ่านลายมือ
5. สืบสวน Enron
6. เขียน ML Algorithms จาก Scratch 
7. ความเชื่อมั่นของการวิเคราะห์ Social Media
8. ปรับปรุงการดูแลสุขภาพ

--

1. Machine Learning ฉบับ Gladiator

           พวกเราเรียกมันว่า “Machine Learning ฉบับ Gladiator” ด้วยสเน่ห์หา   แต่ว่ามันไม่ใช่อะไรที่ใหม่ นี่เป็นอีกหนึ่งวิธีการที่รวดเร็วที่สุดเพื่อที่จะสร้าง ปรีชาญาณทางปฏิบัติใน Machine Learning 

           เป้าหมายก็คือการใช้โมเดล out-of-the-box และประยุกต์ใช้มันไปกับชุด ข้อมูลที่แตกต่างกันออกไป โปรเจคนี้เจ๋งมากๆสำหรับเหตุผลหลัก 3 ข้อ :

ข้อแรก คุณสามารถสร้างสัญชาตญาณสำหรับรูปแบบของปัญหาที่เหมาะสมได้ โมเดลอันไหนที่แข็งแกร่งในการทำข้อมูลหาย? โมเดลใดมีการจัดการคุณสมบัติได้ ดีอย่างเด็ดขาด? ใช่ คุณสามารถดูมันได้จากตำราเพื่อที่จะหาคำตอบแต่คุณจะเรียน รู้ได้ดีขึ้นโดยการเห็นการกระทำของมัน

ข้อ 2 โปรเจคนี้จะสอนคุณเกี่ยวกับทักษะที่ล้ำค่าของการสร้างต้นแบบโมเดลได้ อย่างรวดเร็ว ในโลกของความเป็นจริง มันมักยากที่จะรู้ว่าโมเดลอันไหนที่จะ แสดงได้ดีที่สุดโดยไม่ต้องพยายามให้พวกมันทำ

ท้ายที่สุด แบบฝึกหัดนี้จะช่วยให้คุณสามารถควบคุมกระบวนการสร้างของโมเดลได้ ตัวอย่างเช่นคุณจะได้รับการฝึกฝน…

• การนำเข้าข้อมูล
• การล้างข้อมูล
• แยกมันให้เป็น train/test หรือชุดตรวจสอบข้ามชุด
• ก่อนการดำเนินงาน
• การแปลง
• คุณลักษณะทางวิศวกรรม

    เพราะว่าคุณจะใช้โมเดล out-of-the-box คุณมีโอกาสที่จะโฟกัสไปที่การ สร้างเสริมขั้นตอนที่สำคัญเหล่านี้   

ไปดูหน้าหนังสืออ้างอิง sklearn (Python) หรือ caret (R) สำหรับคำแนะนำ คุณ ควรจะฝึกฝนการถดถอย , การจัดหมวดหมู่และการจัดกลุ่มอัลกอริทึม

การเรียนการสอน

• Python: sklearn – การสอนอย่างเป็นทางการสำหรับแพ็กเกจ sklearn 
• Predicting wine quality with Scikit-Learn – บทเรียนแบบ Step-by-step สำหรับการฝึกโมเดล Machine Learning
• R: caret – การสัมมนาทางเว็บถูกจัดขึ้นโดยผู้เขียนแพ็กเกจ caret

แหล่งข้อมูล

• UCI Machine Learning Repository – มีชุดข้อมูลที่ค้นหาได้ 350+ ที่ครอบคลุมเกือบทุกเรื่อง คุณจะเจอชุดข้อมูลที่ทำให้คุณสนใจได้อย่าง แน่นอน
• Kaggle Datasets – มีชุดข้อมูล 100+ ที่อัปโหลดโดยชุมชน Kaggle มันมี บางชุดข้อมูลที่สนุกจริงๆที่นี่ รวมถึงจุดเกิด PokemonGo และ Burritos ใน San Diego ด้วย
• data.gov – ชุดข้อมูลเปิดที่ถูกปล่อยออกมาโดยรัฐมนตรีสหรัฐฯ เป็นที่ๆดีที่ จะไปดูถ้าคุณสนใจในเรื่องของสังคมศาสตร์

2. เล่น Money Ball

          ในหนังสือ Moneyball ทีมเบสบอลที่ถูกปฏิวัติของ Oakland A ผ่านการ สืบเหตุการณ์ผู้เล่นอย่างคิดวิเคราะห์ พวกเขาสร้างทีมที่ชอบแข่งขันขณะที่ใช้จ่าย เพียง 1 ใน 3 ของทีมตลาดอย่าง Yankees ที่จ่ายเงินเดือนให้

อย่างแรก ถ้าคุณยังไม่ได้อ่านหนังสือเล่มนี้ คุณควรไปอ่าน มันเป็นหนึ่งในอันที่ พวกเราชอบ!

ช่างโชคดี โลกของกีฬา มีข้อมูลเป็นตันๆให้เล่นด้วย ข้อมูลสำหรับทีม , เกม , คะแนนและผู้เล่น ทั้งหมดมีการติดตามและมีอยู่บนออนไลน์อย่างอิสระ

มันมีโปรเจคMachine Learning ที่สนุกสนานมากมายสำหรับผู้เริ่มต้น ตัวอย่างเช่น คุณสามารถลอง…

• การพนันกีฬา… กล่องทำนายคะแนนที่มีอยู่ในเวลานั้นก่อนที่จะเริ่มใหม่ แต่ละเกม
• การสืบพรสวรรค์… ใช้สถิติมหาวิทยาลัยในการทำนายว่าผู้เล่นคนไหนจะ เป็นผู้ที่เชี่ยวชาญในอาชีพที่สุด
• การจัดการโดยทั่วไป… สร้างกลุ่มผู้เล่นซึ่งมีพื้นฐานบนความแข็งแรงของ พวกเขาเพื่อที่จะสร้างทีมที่มีความรอบรู้

            กีฬายังเป็นขอบเขตที่ดีสำหรับฝึกฝนการสร้างภาพข้อมูลและการ วิเคราะห์การสำรวจ คุณสามารถใช้ทักษะเหล่านี้ช่วยคุณตัดสินใจว่าชนิดของข้อมูล ไหนที่ถูกรวมอยู่ในการวิเคราะห์ของคุณ

แหล่งข้อมูล

• Sports Statistics Database – สถิติทางการกีฬาและข้อมูลเกี่ยวกับ ประวัติศาสตร์ ครอบคลุมกีฬาอาชีพเป็นจำนวนมากและบางวิทยาลัย ล้าง การตอบโต้เพื่อให้มันง่ายขึ้นสำหรับ web scraping 
• Sports Reference – อีกหนึ่งฐานข้อมูลสำหรับสถิติการกีฬา มีการโต้ตอบที่ กระจัดกระจายมากกว่า แต่แต่ละตารางสามารถส่งออกเป็นไฟล์ CSV ได้
• cricsheet.org – ข้อมูลลูกต่อลูกสำหรับนานาชาติและการแข่งขันคริกเก็ต IPL มีไฟล์ CSV สำหรับการแข่งขันนานาชาติของ IPL และ T20

3. ทำนายราคาหุ้น

         ในตลาดหุ้นเป็นเหมือนดินแดนขนมหวานสำหรับนักวิทยาศาสตร์ข้อมูล ที่สนใจด้านการเงินมาเป็นระยะเวลานาน 

อย่างแรก คุณมีชนิดของข้อมูลมากมายที่คุณจะสามารถเลือกจากมันได้ คุณ สามารถหาราคา , ปัจจัยพื้นฐาน , ตัวชี้วัดเศรษฐกิจมหภาคและระดับความผันผวน ฯลฯ ได้ รายการนี้ดำเนินต่อไปเรื่อยๆ

อย่างที่ 2 ข้อมูลสามารถกลายเป็นเม็ดเล็กๆได้ คุณสามารถรับข้อมูล time series เป็นวัน (หรือแม้แต่นาที) สำหรับแต่ละบริษัทซึ่งอนุญาตให้คุณคิดอย่างสร้างสรรค์ เกี่ยวกับกลยุทธ์การเทรดหุ้น (ซื้อขายหุ้นนั่นแหละ)

อย่างสุดท้าย โดยปกติแล้วตลาดทางการเงินมีวงจรฟีดแบคแบบสั้น แต่อย่างไรก็ ตาม คุณสามารถตรวจสอบการทำนายของคุณได้อย่างรวดเร็วบนข้อมูลใหม่

ตัวอย่างของโปรเจค Machine Learning ที่เป็นมิตรกับผู้เริ่มต้นใช้งาน คุณสามารถลอง…

• การลงทุนมูลค่าเชิงปริมาณ… ทำนายการเคลื่อนไหวของราคาใน 6 เดือน ขึ้นอยู่กับตัวบ่งชี้ปัจจัยพื้นฐานจากรายงานรายไตรมาสของบริษัท
• การทำนาย… สร้างโมเดล time series หรือแม้แต่เครือข่าย neural ที่เกิด ขึ้นซ้อนๆกันบน delta ระหว่างบนเดลต้าระหว่างความผันผวนโดยนัยและ ความผันผวนที่เป็นจริง
• การเก็งกำไรทางสถิติ… หาหุ้นที่เหมือนกันมีพื้นฐานอยู่บนการเคลื่อนไหว ของราคาของพวกมันและปัจจัยอื่นๆ และมองหาช่วงเวลาเมื่อราคาของพวก มันแตกต่างออกไป 

ข้อสังเกต : การสร้างโมเดลการค้าขายเพื่อที่จะฝึก Machine Learning เป็นเรื่องที่ ง่าย ทำพวกมันให้เป็นผลประโยชน์เป็นเรื่องที่ยากมากๆ ที่นี่ไม่มีคำแนะนำใดๆ เกี่ยวกับการเงินและพวกเราไม่แนะนำให้ค้าขายเงินจริงๆ

การเรียนการสอน

• Python: sklearn for Investing – ชุดวิดีโอ YouTube สำหรับการประยุกต์  ใช้ Machine Learning ในการลงทุน
• R: Quantitative Trading with R – หมายเหตุรายละเอียดคลาสสำหรับการ เงินเชิงปริมาณกับ R

แหล่งข้อมูล

• Quandl – ข้อมูลตลาดที่หาให้ฟรี(และต้องเสียเงิน) เกี่ยวกับการเงินและ ข้อมูลเกี่ยวกับด้านเศรษฐกิจ ตัวอย่างเช่น คุณสามารถดาวน์โหลด end-of-day stock prices for over 3000 US companies หรือ economic data from the Federal Reserve เป็นกลุ่มได้ 
• Quantopian – สังคมการเงินเชิงปริมาณที่เสนอแพลตฟอร์มฟรีสำหรับ พัฒนาอัลกอรึทึมการค้าขาย รวมไปถึงชุดข้อมูล
• US Fundamentals Archive – 5 ปีของข้อมูลปัจจัยพื้นฐานสำหรับบริษัท 5000+ แห่งในสหรัฐฯ

4. สอนเครือข่าย Neural ให้อ่านการเขียนลายมือ

     เครือข่าย Neural และการเรียนรู้ที่ลึกซึ้งเป็นเรื่องราวความสำเร็จ 2 เรื่องใน ปัญญาประดิษฐ์ที่ทันสมัย พวกเขานำความก้าวหน้าที่สำคัญในการรับรู้ภาพ , การ สร้างข้อความอัตโนมัติและแม้กระทั่งในรถยนต์ที่ขับด้วยตนเอง ในการเข้าร่วมกับสาขาที่น่าสนใจนี้ คุณควรเริ่มต้นด้วยชุดข้อมูลที่สามารถจัดการได้

MNIST Handwritten Digit Classification Challenge เป็นจุดเริ่มต้นที่คลาสสิค ข้อมูลรูปภาพโดยปกติทำงานยากกว่าข้อมูลเชิงสัมพันธ์ “flat” ข้อมูล MNIST เป็น มิตรกับผู้เริ่มต้นใหม่และเล็กพอที่จะเข้ากับคอมพิวเตอร์เครื่องหนึ่งได้

การจดจำลายมือจะท้าทายคุณ แต่มันไม่จำเป็นต้องใช้พลังการคำนวณในระดับสูง ในการเริ่มต้น เราแนะนำบทแรกในบทเรียนด้านล่างนี้ มันจะสอนคุณถึงวิธีการสร้างเครือข่าย Neural จาก scratch ที่ช่วยแก้ปัญหาความท้าทายของ MNIST ได้ด้วย ความแม่นยำสูง

การเรียนการสอน

• Neural Networks and Deep Learning (Online Book) –  บทที่ 1 จะพูดใน เรื่องวิธีการเขียนเครือข่าย Neural จาก scratch ใน Python เพื่อจำแนก ตัวเลขจาก MNIST ผู้เขียนยังให้คำอธิบายที่ดีมากๆเกี่ยวกับสัญชาตญาณ เบื้องหลังเครือข่าย Neural

แหล่งข้อมูล

• MNIST – MNIST เป็นชุดย่อยของชุดข้อมูลสองชุดที่ได้รับการแก้ไขซึ่ง จัดทำโดยสถาบันมาตรฐานและเทคโนโลยีแห่งชาติของสหรัฐอเมริกา ประกอบ ด้วยรูปภาพตัวเลขที่เขียนด้วยลายมือ 70,000 รูป

5. สืบสวน Enron

        เรื่องอื้อฉาวและการล่มสลายของ Enron เป็นหนึ่งในการล้มละลายของบริษัท ที่ใหญ่ที่สุดในประวัติศาสตร์ ในปี 2000 Enron เป็นหนึ่งในบริษัทด้านพลังงานที่ใหญ่ที่สุดในอเมริกา หลังจากถูก ฉ้อโกง มันก็ค่อยๆตกลงไปสู่การล้มละลายภายใน 1 ปี โชคดีสำหรับพวกเรา เรามีฐานข้อมูลอีเมลของ Enron มันประกอบไปด้วย 500,000 อีเมลระหว่างอดีตพนักงาน Enron 150 คน ส่วนใหญ่เป็นผู้บริหารอาวุโส มันยังเป็น ฐานข้อมูลอีเมลจริงๆที่เปิดสาธารณะที่ใหญ่มากเพียงอันเดียว ซึ่งทำให้มันมีค่ามาก ในความจริง นักวิทยาศาสตร์ข้อมูลเคยใช้ชุดข้อมูลนี้สำหรับการศึกษาและการวิจัย อยู่หลายปี  

ตัวอย่างของโปรเจค Machine Learning สำหรับผูู้เริ่มต้น คุณสามารถลอง…

• ตรวจจับความผิดปกติ… จัดทำแผนที่กระจายอีเมลที่ส่งและรับตามชั่วโมง และพยายามตรวจหาพฤติกรรมผิดปกติที่นำไปสู่เรื่องอื้อฉาวสาธารณะ
• การวิเคราะห์ Social network… สร้างโมเดลกราฟเครือข่ายระหว่างลูกจ้าง เพื่อหาผู้มีอิทธิพลที่สำคัญ
• การประมวลผลภาษาธรรมชาติ… วิเคราะห์เนื้อหาของข้อความร่วมกับอีเมล metadata เพื่อแยกประเภทอีเมลตามวัตถุประสงค์

แหล่งข้อมูล

• Enron Email Dataset – นี่เป็นที่เก็บอีเมลของ Enron เป็นเจ้าของโดย CMU
• Description of Enron Data (PDF) – การวิเคราะห์การสำรวจของข้อมูล อีเมลของ Enron ที่จะช่วยให้คุณได้รับรากฐานของคุณ

6. เขียนอัลกอริทึม ML จาก Scratch

        เขียนอัลกอริทึม Machine Learning จาก scratch เป็นเครื่องมือการ เรียนรู้ที่ยอดเยี่ยมสำหรับ 2 เหตุผลหลัก เหตุผลแรก มันไม่มีทางที่ดีกว่านี้ที่จะสร้างความเข้าใจที่ถูกต้องของระบบกลไกของ พวกมัน คุณจะถูกบังคับให้คิดในทุกๆขั้นตอนและจะนำไปสู่การเรียนรู้ที่ถูกต้อง อีกเหตุผล คือ คุณจะได้เรียนรู้วิธีการแปลคำแนะนำทางคณิตศาสตร์ไปเป็นการทำ งานของโค้ด คุณจำเป็นต้องใช้ทักษะนี้เมื่อประยุกต์ใช้อัลกอริทึมจากงานวิจัยทาง วิชาการ

ในการเริ่มต้น เราแนะนำว่าให้เลือกอัลกอริทึมที่ไม่ซับซ้อนมากเกินไป มันมีการตัดสินใจที่ละเอียดอ่อนมากมาย คุณจำเป็นที่จะต้องทำแม้กับอัลกอริทึมที่ง่ายที่สุด หลังจากที่คุณสะดวกสบายในการสร้างอัลกอริทึมแบบง่ายแล้ว ลองขยายพวกมันให้ มีฟังก์ชั่นที่มากขึ้น ตัวอย่างเช่น พยายามขยายอัลกอริทึมขั้นตอนวิธีการถดถอย โลจิสติกวานิลลา ไปเป็นการถดถอย lasso/ridge โดยการเพิ่ม Paramiters การทำให้ เป็นระเบียบ สุดท้ายนี้ นี่เป็นเคล็ดลับสำหรับผู้เริ่มต้นทุกคนควรรู้ : อย่าไปท้อใจถ้าอัลกอริทึมของ คุณไม่เป็นที่รวดเร็วหรือเป็นที่พอใจเท่ากับในแพ็กเกจของพวกมันที่มีอยู่ แพ็กเกจ เหล่านั้นเป็นผลผลิตของการพัฒนามาหลายปี!

การเรียนการสอน

• Python: Logistic Regression from Scratch

• Python: k-Nearest Neighbors from Scratch

• R: Logistic Regression from Scratch

 7. ความเชื่อมั่นของการวิเคราะห์ Social Media 

        Social Media เกือบจะเป็นความหมายที่เหมือนกันกับ “ข้อมูลใหญ่” เนื่องจากการเลี่ยงจำนวนของเนื้อหาที่ผู้ใช้สร้างขึ้น การวิเคราะห์นี้มีข้อมูลมากมาย ที่สามารถพิสูจน์หนทางที่ไม่เคยมีมาก่อนเพื่อให้ชีวิตแก่ความคิดเห็น , แนวโน้มและ ความเชื่อมั่นต่อสาธารณะ Facebook , Twitter , YouTube , WeChat , WhatsApp , Reddit… รายการยังคงดำเนินต่อไปเรื่อยๆ 

           มากไปกว่านั้น ในทุกๆรุ่นจะใช้เวลามากขึ้นบน Social Media มากกว่า บรรพบุรุษของพวกเขา นี่หมายความว่าข้อมูล Social Media จะกลายมามีความ เกี่ยวข้องมากขึ้นสำหรับการตลาด , การสร้างยี่ห้อและธุรกิจทั้งหมด

           ในขณะที่ มันมีแพลตฟอร์ม Social Media ที่ได้รับความนิยมมากมาย Twitter เป็นจุดเริ่มต้นที่คลาสสิกสำหรับการฝึก Machine Learning ด้วยข้อมูล Twitter คุณจะได้รับการผสมผสานของข้อมูลที่น่าสนใจ (เนื้อหาทวีต) และ meta-data (ตำแหน่งที่ตั้ง , แฮชแท็ก , ผู้ใช้ , รีทวิตและอื่นๆ) ที่เปิดเส้นทาง ที่เกือบจะไม่มีที่สิ้นสุดสำหรับการวิเคราะห์

การเรียนการสอน

• Python: Mining Twitter Data – วิธีการที่จะแสดงการวิเคราะห์ ความเชื่อมั่นบนข้อมูล Twitter
• R: Sentiment analysis with machine learning – การสอนการวิเคราะห์ ความเชื่อมั่นแบบสั้นๆย่อๆ

แหล่งข้อมูล

• Twitter API – Twitter API คือ แหล่งข้อมูลที่คลาสสิคสำหรับการสตรีม มิ่งข้อมูล คุณสามารถติดตามทวิต , แฮชแท็กและอื่นๆได้
• StockTwits API – StockTwits มันก็เหมือนกับทวิตเตอร์สำหรับผู้ค้าขาย และนักลงทุน คุณสามารถขยายชุดข้อมูลนี้ในอีกหลายทางที่น่าสนใจโดยการ join มันให้เป็นชุดข้อมูล time series โดยใช้ timestamp และ ticker symbol   

8. ปรับปรุงการดูแลสุขภาพ

        อีกหนึ่งอุตสาหกรรมที่ประสบกับการเปลี่ยนแปลงที่รวดเร็วเนื่องจาก Machine Learning คือ สุขภาพและการดูแลสุขภาพทั่วโลก ในประเทศส่วนใหญ่ การเป็นแพทย์ต้องใช้เวลาหลายปีในการศึกษา เป็น สาขาที่มีความต้องการมาก การเดิมพันสูงและมีอุปสรรคที่สูงมากในการเข้าถึง ดังนั้น เมื่อเร็วๆ นี้มีความพยายามอย่างมากที่จะช่วยลดภาระงานของ แพทย์และปรับปรุงประสิทธิภาพโดยรวมของระบบการดูแลสุขภาพด้วยความ ช่วยเหลือของ Machine Learning

กรณีที่ใช้ :

• การดูแลการป้องกัน… ทำนายโรคที่จะระบาดทั้งในระดับบุคคลและระดับ ชุมชน
• การดูแลการวินิจฉัย… การจัดกลุ่มโดยอัตโนมัติของข้อมูลภาพ เช่น การ สแกน , x-rays และอื่นๆ
• การประกัน… การปรับเบี้ยประกันภัยซึ่งอยู่บนพื้นฐานของปัจจัยความเสี่ยง แบบสาธารณะที่มีอยู่

       ในขณะที่โรงพยาบาลยังคงปรับปรุงระเบียนผู้ป่วยให้ทันสมัยขึ้นและในขณะ ที่เรารวบรวมข้อมูลด้านสุขภาพที่ละเอียดขึ้น มันจะมีการไหลเข้ามาของโอกาสของ ผลผลิตที่อยู่ในการตัดสินว่าต่ำสำหรับนักวิทยาศาสตร์ข้อมูลเพื่อสร้างความแตกต่าง         

การเรียนการสอน

• R: Building meaningful machine learning models for disease prediction

• Machine Learning in Health Care – การนำเสนอที่ยอดเยี่ยมโดยงานวิจัย ของ Microsoft

แหล่งข้อมูล

• Large Health Data Sets – การรวบรวมของชุดข้อมูลใหญ่ที่เกี่ยวกับ สุขภาพ

• data.gov/health – ชุดข้อมูลที่เกี่ยวข้องกับสุขภาพและการดูแลสุขภาพ จัดหาให้โดยรัฐบาลสหรัฐฯ

• Health Nutrition and Population Statistics – สุขภาพ , โภชนาการและ สถิติประชากรทั่วโลก จัดหาให้โดยธนาคารโลก

References :

https://elitedatascience.com/machine-learning-projects-for-beginners