本文转载自公众号“读芯术”(ID：AI_Discovery)。
纸上得来终觉浅，绝知此事要躬行。光看教程是不够的，你需要通过实践来掌握更多更真实的内容。以下有8个创意十足的机器学习实操项目供你选择，赶紧行动起来吧!
1. 基于社交媒体帖子的抑郁情绪分析
世界上有超过2.64亿人患有抑郁症。抑郁症是全球残疾、疾病的主要原因，每年都有近80万人自杀身亡——自杀是15-29岁人群死亡的第二大原因。但与之相对的是，针对抑郁症的治疗却经常不到位、不及时、不精确。
网络为改变早期抑郁提供了机会，尤其是针对青年人的病症。推特上每时每刻发送的推文几乎超过35万条，每天发送5亿条，每年则约2000亿条。
皮尤研究中心指出，72%的人依靠互联网生活。社交网络发布的数据集对于很多领域都很重要，比如人文科学和大脑研究。通过分析社交媒体帖子中的语言标记，可以建立深度学习模型，使个人了解其心理健康状况，这种方法比传统方法快很多。
2. 使用神经网络将体育比赛视频转换为文本摘要
图源：Unsplash
这个项目的想法是，从体育比赛视频中获取精确的摘要，而后将高光部分发布在体育网站上。科学家已经提出了各种用于提取文本摘要的模型，但是神经网络的效果最好。一般来说，摘要是指在一个简要的结构中引入信息，集中传达事实和信息，同时保证其重要性。
自动生成游戏视频的摘要给辨别游戏高光部分带来了挑战。
为了完成上述任务，可以使用一些深度学习技术，如3D-CNN(三维卷积神经网络)、RNN(循环神经网络)、LSTM(长短期记忆神经网络)，还可以通过机器学习算法将视频分成不同的部分，然后应用SVM(支持向量机)、NN(神经网络)和k-均值算法。
3. 使用CNN的手写方程求解器
识别手写数学表达式在计算机视觉研究领域属于最令人困惑的问题之一。你可以使用卷积神经网络(CNN)和一些图像处理技术，通过手写数字和数学符号来训练手写方程求解器。开发这样一个系统需要用数据训练机器，使其能够熟练地学习并且做出所需预测。
4. 使用NLP生成商务会议摘要
你有没有遇到过这种情况：别人只想看你的摘要而不是完整的报告。我在学生时代就是经常花了很多时间准备完整的报告，但老师只有看摘要的时间。
摘要已经势不可挡地成为解决数据负担过重的一种有效方法。从对话中提取信息具有很好的商业和教育价值，这可以通过捕捉对话结构中统计、语言和情感方面的特征来实现。
手动将报告转换为摘要太费时间了，人们可以借助自然语言处理(NLP)技术来实现。使用深度学习的文本摘要技术可以理解整个文本的上下文，对于我们这些需要快速总结文件的人来说简直是福音。
5. 根据人脸识别情绪推荐合适的歌曲
图源：unsplash
脸是身体的重要组成部分，对于了解个人精神状态起着重要作用。通过人脸识别推荐歌曲省去了手动将歌曲分组这项枯燥乏味的步骤，并能根据个人情感特征生成合适的播放列表。
人们往往会根据自己的情绪和兴趣听歌。你可以通过捕捉面部表情创建一个应用，根据用户的情绪为他们推荐合适的歌曲。
计算机视觉是一个跨学科领域，有助于向计算机传达对数字图像或视频的高级理解，计算机视觉组件可用于通过面部表情确定用户情绪。
6. 从开普勒等航天器拍摄的图像中寻找可居住的系外行星
近十年间，科学家监测了超过100万颗星星以识别凌日行星。人工诠释潜在的候选系外行星需要大量劳动力，还很容易出现人为错误，且结果很难评估。卷积神经网络比最小二乘法更适合在嘈杂的时间序列数据中识别类地系外行星。
7. 老损胶片照片的再生成
图源：Pikist
我知道修复旧照片有多么耗时和痛苦，因此，人们可以考虑通过深度学习寻找照片上所有的缺陷(断裂、划痕、漏洞)，并使用图像修复算法，从而通过四周的像素值轻松地发现缺陷，以恢复旧照片并为其着色。
8. 使用深度学习生成音乐
音乐是各种频率音调的组合，自动生成音乐则是将人类参与度降到最低，从而创作一小段音乐的过程。近来，深度学习工程已经成为了编程生成音乐的前沿。
(https://medium.com/analytics-vidhya/music-generation-using-deep-learning-a2b2848ab177)
寻找项目的选题，你需要大胆假设，仔细观察。如果尚在为选题苦恼，不如从上面的创意中挑一个试试吧。
