Machine learning 哪些是好的机器学习编程练习？

理想情况下，它们将具有以下特征：

它们可以在一个晚上的编码中完成。不需要一周或更长的时间就能得到有趣的结果。这样，我就可以感觉到我在一次（可能几个小时）的静坐中就学到了什么，完成了什么

这些问题来自现实世界，或者至少是现实世界问题的玩具版本

如果问题需要数据来测试解决方案，那么就有现成的真实数据集，或者自己生成有趣的测试数据是很简单的

很容易评估我的工作做得有多好。当我测试我的解决方案时，从结果中可以清楚地看出，通过简单的检查，或者通过对结果质量的量化度量，我已经完成了一些不平凡的事情

---

大多数机器学习项目可能需要一些时间

如何对文本进行贝叶斯分类

NLTK工具包（Python的自然语言工具包）中的一个示例是电影评论。该工具包提供了标记为正面或负面的电影评论

---

编写一个贝叶斯分类器，利用这些数据对电影评论进行分类以进行培训。

实现以下算法：

• Perceptron，margin Perceptron：您可以尝试使用任何人脸数据库检测人脸图像（对人脸图像和非人脸图像进行分类）。试试这个例子。您也可以尝试编写穷人的OCR系统
• LVQ，Kohonen地图：你可以尝试压缩图像。你可以从任何墙纸网站下载大图片
• 朴素贝叶斯分类器：你可以分类垃圾邮件，而不是垃圾邮件。还有更多的科学数据集，如和新闻组等，你必须根据文章确定主题
• 反向传播，多层感知器：你们可以在脸上，或者垃圾邮件上，或者
• 使用SGD的原始SVM线性学习：例如，您可以尝试使用数字

有很多项目，有些需要几个小时，有些需要几天，但你肯定会学到很多。

查看真实数据集

例如,。 有关数据集的详细信息，请查看数据集说明

---

即使是朴素贝叶斯分类器也能在这个数据集上获得很好的结果（超过95%的交叉验证准确率）。如果我没记错的话，通过一些变量选择，您甚至可以达到100%。

实际数据集有任何具体问题吗？我可以从教科书中随机挑选一些东西来实施，但对于仅仅做一个练习来说，最好有明确的目标和数据来配合。我已经编辑了我的答案。