Pangwakas na Proyekto
Ang huling proyekto ay nagbibigay sa iyo ng pagkakataong subukan ang iyong kaalaman sa bootcamp at mga bagong nakuhang kasanayan sa isang pabago-bago, hands-on na kapaligiran. Ito ay isang pagkakataon upang lumikha ng isang bagay na totoo, ipakita ang iyong mga teknikal na kakayahan, at bumuo ng isang proyekto na magiging isang mahalagang bahagi ng iyong propesyonal na portfolio. Binibigyang-daan ka nitong ipahayag ang iyong pagkamalikhain at i-highlight kung gaano ka nabago sa kabuuan ng iyong karanasan sa bootcamp.
Bukod pa rito, ang pangwakas na proyekto ay idinisenyo upang gayahin ang mga hamon na makakaharap mo sa isang tunay na tech na trabaho, na nagbibigay-daan sa iyo upang ipakita ang iyong mga kasanayan sa paglutas ng mga kumplikadong problema at magbigay ng kasangkapan sa iyo para sa mga inaasahan ng iyong karera sa hinaharap.
- Pagkilala sa Problema: Pumili ng problema sa totoong mundo na nauugnay sa iyong industriya o larangan ng interes. Malinaw na tukuyin ang saklaw at layunin ng proyekto, na binibigyang-diin kung paano mapahusay ng mga advanced na diskarte sa malalim na pag-aaral ang solusyon.
- Pagkolekta at Paunang Pagproseso ng Data: Magtipon ng data mula sa iba't ibang mapagkukunan, linisin, at iproseso ito upang pangasiwaan ang mga nawawalang value, outlier, at inconsistencies. Tiyaking angkop ang data para sa mga modelo ng malalim na pag-aaral, kabilang ang normalisasyon at pagpapalaki kung kinakailangan.
- Exploratory Data Analysis (EDA): Magsagawa ng data visualization at statistical analysis upang matukoy ang mga trend, ugnayan, at mga insight. Pinuhin ang direksyon ng iyong proyekto batay sa mga natuklasan sa EDA, habang isinasaalang-alang ang pagiging angkop para sa mga deep learning na arkitektura tulad ng mga CNN, RNN, o mga transformer.
- Pagbuo ng Modelo at Pagsusuri: Bumuo at sanayin ang mga modelo ng machine learning, na nagsasama ng mga advanced na deep learning technique gaya ng Convolutional Neural Networks (CNNs) para sa data ng imahe, Recurrent Neural Networks (RNNs) o LSTMs para sa time series o sequence data, o mga transformer model para sa NLP tasks. Suriin ang performance ng modelo gamit ang mga sukatan tulad ng katumpakan, precision, recall, o AUC, at ilapat ang hyperparameter tuning para i-optimize ang deep learning models.
- Deployment at Presentation: I-deploy ang panghuling modelo gamit ang web frameworks, mga API, o cloud-based na serbisyo, na tinitiyak ang scalability para sa mga modelo ng deep learning. Ipakita ang iyong mga natuklasan, pagganap ng modelo, at epekto sa negosyo o totoong mundo sa mga stakeholder sa isang propesyonal na setting.