Copiaré a continuación mi respuesta a una pregunta similar que respondí recientemente:
Comience mirando los proyectos de cursos que la gente ha realizado en otras universidades para obtener algunas ideas. Por lo general, existen las siguientes categorías de proyectos:
- Comparación de las técnicas existentes en algunos datos : comience con un problema de aprendizaje automático, para el que tiene datos, y el enfoque para el cual no es inmediatamente obvio. Un ejemplo es el problema de la retinopatía diabética de Kaggle. Luego, pruebe varias técnicas de ML (diferentes algoritmos como SVM, regresión logística, etc. si se trata de un problema de clasificación), técnicas de reducción de dimensionalidad, otras técnicas de preprocesamiento, etc. para obtener una idea del problema y las técnicas. Puedes ver las competencias de Kaggle actuales o pasadas por problemas.
- Extracción de características : aquí, tiene un problema mal definido para comenzar, como el reconocimiento facial. Debe modelarlo de alguna manera, de modo que pueda generar “buenas características”. Las buenas características serían similares para los rostros de la misma persona y muy diferentes para los rostros de diferentes personas. Entonces, el objetivo aquí es generar buenas características, que se pueden suministrar a algunos algoritmos ML estándar como SVM para obtener una buena precisión.
- Implementación : Identifique algunos documentos que introducen técnicas interesantes e impleméntelas.
- Optimización : identifique algún problema que demore un tiempo en ejecutarse e intente encontrar formas de hacerlo más rápido sin comprometer mucho la precisión. También puede probar métodos de optimización muy diferentes en este problema para ver cómo funcionan, por ejemplo, usar algoritmos genéticos en lugar de recocido simulado.
- Nuevo algoritmo : identifique un problema, como clasificación, agrupamiento, etc. y proponga un algoritmo que intuitivamente debería hacer lo “correcto”. Vea qué tan bien lo hace en comparación con otros algoritmos estándar.
- Teoría : demuestre algunos resultados teóricos en algún algoritmo existente o en un nuevo algoritmo.
- Obviamente, puede combinar varias de estas técnicas para construir un proyecto más grande.
Una vez que tenga algunas ideas vagas en mente, haga una lluvia de ideas con otros, los miembros de su grupo (si los hay), compañeros de clase, personas mayores, profesores, para formalizarlos aún más.
- Me encanta codificar. '¿Hay alguna comunidad en la que pueda participar en pequeños proyectos para poder conectarme a ellos de forma remota y aprender?
- ¿Cuáles son los últimos algoritmos y técnicas para la corrección ortográfica?
- ¿Es posible guardar el estado de una red neuronal?
- ¿Somos mejores que las máquinas que creamos?
- ¿Qué es el HTML? ¿Cuáles son las características que tiene sobre una representación de datos en texto plano?
Obtener los datos y organizar los recursos de cálculo (memoria + tiempo de CPU) a menudo son un desafío. Así que asegúrate de tener en cuenta esos aspectos al hacer una lluvia de ideas.