人工智能：你知道這八個(gè)超贊的機(jī)器學(xué)習(xí)項(xiàng)目嗎？

在人工智能的大潮中，機(jī)器學(xué)習(xí)項(xiàng)目琳瑯滿目。哪些項(xiàng)目是兼具代表性和實(shí)用性的呢？近日，一位名為 Kajal Yadav 的作者列出了 8 個(gè)經(jīng)典的機(jī)器學(xué)習(xí)項(xiàng)目，實(shí)用又有趣。目前已在 medium 上獲贊 1.7K。

這 8 個(gè)項(xiàng)目的主題包括情緒分析、自動(dòng)摘要生成、情緒檢測(cè)、老照片修復(fù)以及深度學(xué)習(xí)生成音樂等。

基于社交媒體的抑郁情緒分析

這是一個(gè)非常敏感的話題，以至于被認(rèn)為是一個(gè)迫切需要解決的問題。全球有超過 2.64 億人正在遭受抑郁癥的折磨。抑郁癥是全球致殘的主要原因之一，也是全球疾病負(fù)擔(dān)中極為重要的一部分。每年有 80 萬人自殺而死。自殺是 15 到 29 歲人群的第二大致死因素。遺憾的是，抑郁癥的治療往往延遲、不準(zhǔn)確甚至完全不起作用。

基于互聯(lián)網(wǎng)的生活為改變?cè)缙谝钟舭Y治療服務(wù)提供了機(jī)會(huì)，尤其是在年輕人群中。

正如 Pew 研究中心（Pew Research Center）指出的那樣，有 72% 的人使用互聯(lián)網(wǎng)。社交網(wǎng)絡(luò)上發(fā)布的數(shù)據(jù)集對(duì)許多領(lǐng)域都非常重要，例如人文科學(xué)和大腦研究。但是，僅依賴專業(yè)領(lǐng)域的支持還遠(yuǎn)遠(yuǎn)不夠，并且顯式方法論也并不奏效。

所以，通過分析社交媒體帖子中的一些標(biāo)志性語言，我們可以創(chuàng)建一種新的深度學(xué)習(xí)模型。這種模型可以較傳統(tǒng)方法更早地使人深入了解自身心理狀態(tài)。

借助神經(jīng)網(wǎng)絡(luò)生成體育比賽視頻的文本摘要

該項(xiàng)目的想法主要是基于從體育比賽視頻中提取出準(zhǔn)確的摘要。一些體育網(wǎng)站能夠給出比賽的亮點(diǎn)。關(guān)于提取式文本摘要任務(wù)，已經(jīng)出現(xiàn)了各種各樣的模型，其中以神經(jīng)網(wǎng)絡(luò)的性能最佳。通常，摘要生成指的是簡(jiǎn)要介紹文章的信息，著重傳達(dá)事實(shí)類信息，同時(shí)突出文章重點(diǎn)。

自動(dòng)創(chuàng)建游戲視頻的輪廓帶來了一項(xiàng)挑戰(zhàn)，即找出游戲中精彩的環(huán)節(jié)和亮點(diǎn)。因此，人們可以使用三維卷積網(wǎng)絡(luò)（3D-CNN）、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）等深度學(xué)習(xí)方法，同時(shí)也可以先通過機(jī)器學(xué)習(xí)算法將視頻分成幾個(gè)片段然后應(yīng)用支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)（NN）、k-means 算法等。

使用 CNN 的手寫方程式求解器

在所有問題中，手寫數(shù)學(xué)表達(dá)式識(shí)別是計(jì)算機(jī)視覺研究領(lǐng)域令人困惑的問題之一。借助于圖像處理技術(shù)加持的卷積神經(jīng)網(wǎng)絡(luò)（CNN），我們可以通過手寫數(shù)字（handwritten digit）和數(shù)學(xué)符號(hào)來訓(xùn)練手寫方程式求解器。開發(fā)這樣的系統(tǒng)需要用數(shù)據(jù)訓(xùn)練機(jī)器，使其熟練學(xué)習(xí)并做出所需的預(yù)測(cè)。

使用 NLP 生成商務(wù)會(huì)議摘要

曾經(jīng)遇到過這樣的情況，每個(gè)人都只想看到摘要而不是報(bào)告的全部?jī)?nèi)容。上學(xué)的時(shí)候，我們會(huì)花費(fèi)很多時(shí)間準(zhǔn)備報(bào)告，但老師只有時(shí)間看摘要。

摘要已經(jīng)成為解決數(shù)據(jù)過多問題的一種無可替代的有效方法。從對(duì)話中提取信息具有很好的商業(yè)和教育價(jià)值，這可以通過捕獲具有對(duì)話結(jié)構(gòu)的統(tǒng)計(jì)、語言和情感方面的特征來解決。

通常來說，手動(dòng)將報(bào)告濃縮為一個(gè)匯總摘要要花費(fèi)很多時(shí)間，但是用自然語言處理（NLP）來做就會(huì)簡(jiǎn)單很多。用深度學(xué)習(xí)生成文本摘要能夠理解整篇文章的上下文，對(duì)所有需要快速生成文檔摘要的人來說真是太方便了。

用人臉識(shí)別來檢測(cè)情緒并推薦歌曲

人臉是人體的重要組成部分，它對(duì)于了解人的心理狀態(tài)尤為重要。用人臉識(shí)別檢測(cè)心情并推薦歌曲不僅可以省去歌曲手動(dòng)分類的麻煩，而且有助于根據(jù)人的情緒特征生成適當(dāng)?shù)牟シ帕斜怼?/p>

人們傾向于根據(jù)心情和興趣聽音樂。所以，我們可以創(chuàng)建一種應(yīng)用程序，通過捕獲面部表情，識(shí)別出用戶的情緒并推薦相應(yīng)的歌曲。

計(jì)算機(jī)視覺是一個(gè)跨學(xué)科領(lǐng)域，這一領(lǐng)域的研究致力于在計(jì)算機(jī)上對(duì)數(shù)字圖像和視頻做高水平的理解。計(jì)算機(jī)視覺組件可用于通過面部表情決定用戶情緒。

文章《20+ Emotion Recognition APIs That Will Leave You Impressed， and Concerned》中介紹了 20 多種有趣且實(shí)用的情緒識(shí)別 API。

文章鏈接：

https://nordicapis.com/20-emotion-recognition-apis-that-will-leave-you-impressed-and-concerned/

從開普勒等太空飛行器拍攝的圖像中找出宜居的系外行星

。

在最近十年中，對(duì)超過 100 萬顆恒星進(jìn)行了監(jiān)測(cè)，以識(shí)別正在凌日行星（transiting planet）。人工解釋系外行星候選者的工作量巨大，并且容易出現(xiàn)人為錯(cuò)誤，其后果難以評(píng)估。卷積神經(jīng)網(wǎng)絡(luò)適用于在嘈雜的時(shí)間序列數(shù)據(jù)中，以比最小二乘策略更高的準(zhǔn)確性來識(shí)別類地系外行星。

老照片修復(fù)

以原始方法修復(fù)受損照片是非常耗時(shí)和痛苦的。因此，我們可以通過深度學(xué)習(xí)找出所有的圖像缺陷（如裂縫、劃痕和孔洞），并且借助于圖像修復(fù)算法，我們還可以根據(jù)像素值輕松地找出缺陷，以復(fù)原老照片，并為老照片著色。

用深度學(xué)習(xí)生成音樂

音樂是一種變換頻率的曲調(diào)。因此，自動(dòng)音樂生成（Automatic Music Generation）是一個(gè)用最少的人為調(diào)整作出一小段曲子的過程。最近，深度學(xué)習(xí)工程（deep learning engineering）已成為程序化音樂生成的最前沿技術(shù)。