{"id":54058,"date":"2019-12-17T00:00:00","date_gmt":"2019-12-16T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard"},"modified":"2020-02-18T14:02:02","modified_gmt":"2020-02-18T11:02:02","slug":"14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 Open-Source-Projekte zur Verbesserung der Data Science F\u00e4higkeiten (einfach, normal, schwer)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Data Science f\u00fcr Einsteiger<\/i><\/p>\n

1. Sentiment-Analyse (Stimmungsanalyse durch Text)<\/h3>\n

\n\"14
\n
\nSehen Sie sich die vollst\u00e4ndige Implementierung des Data Science-Projekts mit Quellcode an \u2014 Sentiment-Analyse-Projekt in R<\/a><\/noindex>.<\/p>\n

Sentiment Analysis \u2014 \u044d\u0442\u043e \u0430\u043d\u0430\u043b\u0438\u0437 \u0441\u043b\u043e\u0432 \u0434\u043b\u044f \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u043d\u0430\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u0439 \u0438 \u043c\u043d\u0435\u043d\u0438\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043c\u043e\u0433\u0443\u0442 \u0431\u044b\u0442\u044c \u043f\u043e\u043b\u043e\u0436\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u043c\u0438 \u0438\u043b\u0438 \u043e\u0442\u0440\u0438\u0446\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u043c\u0438. \u042d\u0442\u043e \u0442\u0438\u043f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u043f\u0440\u0438 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u043a\u043b\u0430\u0441\u0441\u044b \u043c\u043e\u0433\u0443\u0442 \u0431\u044b\u0442\u044c \u0434\u0432\u043e\u0438\u0447\u043d\u044b\u043c\u0438 (\u043f\u043e\u043b\u043e\u0436\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u043c\u0438 \u0438 \u043e\u0442\u0440\u0438\u0446\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u043c\u0438) \u0438\u043b\u0438 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u043c\u0438 (\u0441\u0447\u0430\u0441\u0442\u043b\u0438\u0432\u044b\u043c\u0438, \u0437\u043b\u044b\u043c\u0438, \u0433\u0440\u0443\u0441\u0442\u043d\u044b\u043c\u0438, \u043f\u0440\u043e\u0442\u0438\u0432\u043d\u044b\u043c\u0438 …). \u041c\u044b \u0440\u0435\u0430\u043b\u0438\u0437\u0443\u0435\u043c \u044d\u0442\u043e\u0442 Data Science \u043f\u0440\u043e\u0435\u043a\u0442 \u043d\u0430 \u044f\u0437\u044b\u043a\u0435 R \u0438 \u0431\u0443\u0434\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043d\u0430\u0431\u043e\u0440 \u0434\u0430\u043d\u043d\u044b\u0445 \u0432 \u043f\u0430\u043a\u0435\u0442\u0435 \u00abjaneaustenR\u00bb. \u041c\u044b \u0431\u0443\u0434\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0441\u043b\u043e\u0432\u0430\u0440\u0438 \u043e\u0431\u0449\u0435\u0433\u043e \u043d\u0430\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f, \u0442\u0430\u043a\u0438\u0435 \u043a\u0430\u043a AFINN, bing \u0438 loughran, \u0432\u044b\u043f\u043e\u043b\u043d\u044f\u0442\u044c \u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u0435 \u0441\u043e\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435, \u0438 \u0432 \u043a\u043e\u043d\u0446\u0435 \u043c\u044b \u0441\u043e\u0437\u0434\u0430\u0434\u0438\u043c \u043e\u0431\u043b\u0430\u043a\u043e \u0441\u043b\u043e\u0432, \u0447\u0442\u043e\u0431\u044b \u043e\u0442\u043e\u0431\u0440\u0430\u0437\u0438\u0442\u044c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442.<\/p>\n

Sprache:<\/b> R
\nDatensatz\/Packet:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

\"14<\/a><\/noindex>

\nDer Artikel wurde mit Unterst\u00fctzung von EDISON Software \u00fcbersetzt, einem Unternehmen, das schafft virtuelle Ankleidekabinen f\u00fcr Multibrand-Shops<\/a><\/noindex>, sowie testet Software<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Fake News-Erkennung (Erkennung von Fake News)<\/h3>\n

\nBringen Sie Ihre F\u00e4higkeiten auf ein neues Niveau, indem Sie an einem Data Science-Projekt f\u00fcr Einsteiger arbeiten \u2014 Erkennung von gef\u00e4lschten Nachrichten mit Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nFalsche Nachrichten sind falsche Informationen, die \u00fcber soziale Medien und andere Online-Medien verbreitet werden, um politische Ziele zu erreichen. In diesem Data-Science-Projekt werden wir Python einsetzen, um ein Modell zu entwickeln, das genau bestimmen kann, ob eine Nachricht echt oder falsch ist. Wir werden TfidfVectorizer erstellen und den PassiveAggressiveClassifier verwenden, um Nachrichten in \"echt\" und \"falsch\" zu klassifizieren. Wir werden einen Datensatz mit der Form 7796 \u00d7 4 verwenden und alles im Jupyter Lab durchf\u00fchren.<\/p>\n

Sprache:<\/b> Python<\/p>\n

Datensatz\/Packet:<\/b> news.csv<\/p>\n

3. Detecting Parkinson\u2019s Disease (Erkennung der Parkinson-Krankheit)<\/h3>\n

\nGehen Sie voran, indem Sie an der Idee des Data-Science-Projekts arbeiten \u2013 Erkennung der Parkinson-Krankheit mit XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nWir haben begonnen, Data Science zur Verbesserung der Gesundheitsversorgung und Dienstleistungen zu nutzen \u2014 wenn wir eine Krankheit im Fr\u00fchstadium vorhersagen k\u00f6nnen, haben wir viele Vorteile. In diesem Data Science-Projekt lernen wir, die Parkinson-Krankheit mit Python zu erkennen. Dies ist eine neurodegenerative, fortschreitende Erkrankung des zentralen Nervensystems, die sich auf die Beweglichkeit auswirkt und Zittern und Steifheit verursacht. Sie betrifft die Dopamin-produzierenden Neuronen im Gehirn und jedes Jahr sind mehr als 1 Million Menschen in Indien betroffen.<\/p>\n

Sprache:<\/b> Python<\/p>\n

Datensatz\/Packet:<\/b> UCI ML Parkinsons-Datensatz<\/p>\n

Data Science-Projekte mittlerer Schwierigkeit<\/i><\/p>\n

4. Speech Emotion Recognition (Emotionserkennung aus Sprache)<\/h3>\n

\nSehen Sie sich die vollst\u00e4ndige Umsetzung des Data Science-Projekts an \u2014 Spracherkennung mit Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLassen Sie uns nun lernen, wie man verschiedene Bibliotheken verwendet. Dieses Data-Science-Projekt nutzt librosa zur Spracherkennung. SER ist der Prozess, menschliche Emotionen und affektive Zust\u00e4nde anhand der Sprache zu erkennen. Da wir Ton und Tonh\u00f6he zur Ausdruck von Emotionen verwenden, ist SER relevant. Da Emotionen jedoch subjektiv sind, ist es eine schwierige Aufgabe, den Klang zu annotieren. Wir werden die Funktionen mfcc, chroma und mel verwenden und den RAVDESS-Datensatz zur Emotionsrecognition nutzen. Wir werden einen MLPC-Klassifikator f\u00fcr dieses Modell erstellen.<\/p>\n

Sprache:<\/b> Python<\/p>\n

Datensatz\/Packet:<\/b> RAVDESS-Datensatz<\/p>\n

5. Geschlechts- und Altersbestimmung<\/h3>\n

\nBeeindrucken Sie Arbeitgeber mit dem neuesten Data-Science-Projekt \u2014 Geschlechts- und Altersbestimmung mit OpenCV<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDies ist ein interessantes Data-Science-Projekt mit Python. Nur mit einem Bild lernen Sie, das Geschlecht und das Alter einer Person vorherzusagen. Dabei werden wir Sie mit Computer Vision und seinen Prinzipien vertraut machen. Wir werden ein konvolutionales neuronales Netzwerk<\/a><\/noindex> bauen und die von Tal Hassner und Gil Levi f\u00fcr den Adience-Datensatz trainierten Modelle verwenden. Unterwegs werden wir einige .pb-, .pbtxt-, .prototxt- und .caffemodel-Dateien verwenden.<\/p>\n

Sprache:<\/b> Python<\/p>\n

Datensatz\/Packet:<\/b> Adience<\/p>\n

6. Uber-Datenanalyse<\/h3>\n

\nSehen Sie sich die vollst\u00e4ndige Implementierung des Data Science-Projekts mit Quellcode an \u2014 Uber Datenanalyseprojekt in R<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDies ist ein Datenvisualisierungsprojekt mit ggplot2, in dem wir R und seine Bibliotheken verwenden und verschiedene Parameter analysieren. Wir nutzen den Datensatz Uber Pickups in New York und erstellen Visualisierungen f\u00fcr verschiedene Zeitrahmen im Jahr. Das zeigt uns, wie die Zeit die Fahrten der Kunden beeinflusst.<\/p>\n

Sprache:<\/b> R<\/p>\n

Datensatz\/Packet:<\/b> Datensatz Uber Pickups in New York City<\/p>\n

7. Fahrererm\u00fcdungsdetektion<\/h3>\n

\nVerbessern Sie Ihre F\u00e4higkeiten, indem Sie an einem Top-Data-Science-Projekt arbeiten \u2014 einem Erkennungssystem f\u00fcr M\u00fcdigkeit mit OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nM\u00fcdigkeit beim Fahren ist \u00e4u\u00dferst gef\u00e4hrlich, und jedes Jahr kommt es zu etwa tausend Unf\u00e4llen, weil Fahrer w\u00e4hrend der Fahrt einschlafen. In diesem Python-Projekt werden wir ein System erstellen, das m\u00fcde Fahrer erkennen und sie mit einem akustischen Signal warnen kann.<\/p>\n

Dieses Projekt wird mit Keras und OpenCV umgesetzt. Wir verwenden OpenCV zur Gesichts- und Augenerkennung, und mit Keras klassifizieren wir den Augenstatus (Offen oder Geschlossen) mithilfe von Methoden des Deep Learning.<\/p>\n

8. Chatbot<\/h3>\n

\nErstellen Sie einen Chatbot mit Python und machen Sie einen Schritt nach vorne in Ihrer Karriere \u2014 Chatbot mit NLTK & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nChatbots sind ein unverzichtbarer Bestandteil von Unternehmen. Viele Unternehmen m\u00fcssen ihren Kunden Dienstleistungen anbieten, und deren Betreuung erfordert viel Arbeitskraft, Zeit und M\u00fche. Chatbots k\u00f6nnen einen gro\u00dfen Teil der Kundeninteraktion automatisieren, indem sie einige h\u00e4ufig gestellte Fragen der Kunden beantworten. Grunds\u00e4tzlich gibt es zwei Arten von Chatbots: Dom\u00e4nenspezifische und Open-Domain. Dom\u00e4nenspezifische Chatbots werden h\u00e4ufig zur L\u00f6sung spezifischer Probleme eingesetzt. Daher m\u00fcssen Sie ihn anpassen, um effektiv in Ihrem Bereich zu arbeiten. Open-Domain-Chatbots k\u00f6nnen zu beliebigen Fragen gestellt werden, weshalb f\u00fcr ihr Training eine enorme Menge an Daten erforderlich ist.<\/p>\n

Datensatz:<\/b> Intents JSON-Datei<\/p>\n

Sprache:<\/b> Python<\/p>\n

Fortgeschrittene Data Science Projekte<\/i><\/p>\n

9. Bildbeschreibungs-Generator<\/h3>\n

\n\u00dcberpr\u00fcfen Sie die vollst\u00e4ndige Implementierung des Projekts mit dem Quellcode \u2014 Bildbeschreibungs-Generator mit CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDie Beschreibung dessen, was auf einem Bild zu sehen ist, stellt f\u00fcr Menschen eine einfache Aufgabe dar, aber f\u00fcr Computer ist ein Bild nur eine Ansammlung von Zahlen, die den Farbwert jedes Pixels repr\u00e4sentieren. Es ist eine schwierige Aufgabe f\u00fcr Computer, zu verstehen, was sich im Bild befindet, und dann eine Beschreibung in nat\u00fcrlicher Sprache (zum Beispiel auf Englisch) zu erstellen. Dieses Projekt verwendet Methoden des Deep Learning, bei denen wir ein Convolutional Neural Network (CNN) mit einem Recurrent Neural Network (LSTM) kombinieren, um einen Bildbeschreibungsgenerator zu entwickeln.<\/p>\n

Datensatz:<\/b> Flickr 8K<\/p>\n

Sprache:<\/b> Python<\/p>\n

Framework:<\/b> Keras<\/p>\n

10. Kreditkartenbetrugserkennung<\/h3>\n

\nSetzen Sie alles daran, w\u00e4hrend Sie an der Data Science-Projektidee arbeiten \u2014 Betrugserkennung bei Kreditkarten mithilfe von maschinellem Lernen<\/a><\/noindex>.<\/p>\n

\"14
\n
\nBis jetzt haben Sie die Methoden und Konzepte begonnen zu verstehen. Lassen Sie uns zu einigen fortgeschrittenen Projekten in der Datenwissenschaft \u00fcbergehen. In diesem Projekt werden wir die R-Sprache mit Algorithmen wie Entscheidungsb\u00e4ume<\/a><\/noindex>, logistische Regression, k\u00fcnstliche neuronale Netze und Gradient Boosting-Klassifikatoren. Wir werden einen Datensatz von Kreditkarten-Transaktionen verwenden, um diese als betr\u00fcgerisch oder legitim zu klassifizieren. Wir werden verschiedene Modelle ausprobieren und Leistungskennlinien erstellen.<\/p>\n

Sprache:<\/b> R<\/p>\n

Datensatz\/Packet:<\/b> Datensatz zu Kreditkartentransaktionen<\/p>\n

11. Movie Recommendation System (Filmempfehlungssystem)<\/h3>\n

\nEntdecken Sie die Umsetzung des besten Data Science-Projekts mit Quellcode \u2014 Filmempfehlungssystem in R<\/a><\/noindex><\/p>\n

\"14
\n
\nIn diesem Data Science-Projekt werden wir R nutzen, um Filme durch maschinelles Lernen zu empfehlen. Das Empfehlungssystem sendet Vorschl\u00e4ge an Benutzer basierend auf den Vorlieben anderer Benutzer und deren Sehgewohnheiten. Wenn A und B \u201eKevin \u2013 Allein zu Hause\u201c m\u00f6gen und B \u201eDie M\u00e4dchen von anderen\u201c liebt, kann A ebenfalls empfohlen werden \u2013 das k\u00f6nnte ihm auch gefallen. Dadurch k\u00f6nnen Kunden mit der Plattform interagieren.<\/p>\n

Sprache:<\/b> R<\/p>\n

Datensatz\/Packet:<\/b> MovieLens-Datensatz<\/p>\n

12. Customer Segmentation (Kundensegmentierung)<\/h3>\n

\nBeeindrucken Sie Arbeitgeber mit einem Data Science-Projekt (einschlie\u00dflich Quellcode) \u2014 Kundensegmentierung durch maschinelles Lernen<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDie Segmentierung von Kunden ist eine g\u00e4ngige Anwendung ungew supervised learning (un\u00fcberwachtes Lernen)<\/a><\/noindex>. Durch die Clusteranalyse identifizieren Unternehmen Kundensegmente, um mit einer potenziellen Nutzerbasis zu arbeiten. Sie teilen Kunden in Gruppen entsprechend gemeinsamen Eigenschaften wie Geschlecht, Alter, Interessen und Ausgabengewohnheiten, um ihre Produkte effektiv jeder Gruppe anzubieten. Wir werden K-means-Clustering<\/a><\/noindex>einsetzen und die Verteilung nach Geschlecht und Alter visualisieren. Danach analysieren wir deren j\u00e4hrliches Einkommen und Ausgabenlevel.<\/p>\n

Sprache:<\/b> R<\/p>\n

Datensatz\/Packet:<\/b> Mall_Customers-Datensatz<\/p>\n

13. Brustkrebs-Klassifikation<\/h3>\n

\nSehen Sie sich die vollst\u00e4ndige Umsetzung des Data Science-Projekts in Python an \u2014 Brustkrebs-Klassifikation mit Deep Learning<\/a><\/noindex>.<\/p>\n

\"14
\n
\nKehren wir zur\u00fcck zum medizinischen Beitrag der Datenwissenschaft, lernen wir, Brustkrebs mit Python zu identifizieren. Wir werden den Datensatz IDC_regular verwenden, um das invasive Duktalkarzinom, die h\u00e4ufigste Form von Brustkrebs, zu identifizieren. Es entwickelt sich in den Milchg\u00e4ngen und dringt in das faserige oder fettige Gewebe der Brust au\u00dferhalb des Kanals ein. In diesem Data-Science-Projekt werden wir Deep Learning<\/a><\/noindex> und die Keras-Bibliothek f\u00fcr die Klassifizierung verwenden.<\/p>\n

Sprache:<\/b> Python<\/p>\n

Datensatz\/Packet:<\/b> IDC_regular<\/p>\n

14. Verkehrsschilderkennung<\/h3>\n

\nDie Erreichung von Genauigkeit in der Technologie des autonomen Fahrens durch ein Data-Science-Projekt zur Erkennung von Verkehrsschildern unter Verwendung von CNN<\/a><\/noindex> mit Open Source.<\/p>\n

\"14
\n
\nVerkehrsschilder und Verkehrsregeln sind f\u00fcr jeden Fahrer von gro\u00dfer Bedeutung, um Unf\u00e4lle zu vermeiden. Um den Regeln zu folgen, muss man zun\u00e4chst verstehen, wie ein Verkehrsschild aussieht. Eine Person muss alle Verkehrsschilder lernen, bevor sie die Berechtigung zum F\u00fchren eines Fahrzeugs erh\u00e4lt. Doch heutzutage nimmt die Anzahl autonomer Fahrzeuge zu, und in naher Zukunft wird der Mensch nicht mehr selbstst\u00e4ndig ein Auto fahren. Im Projekt \u201eErkennung von Verkehrsschildern\u201c erfahren Sie, wie ein Programm den Typ des Verkehrsschilds anhand eines Bildes als Eingangsquelle erkennen kann. Der Datensatz zur Erkennung von Verkehrsschildern in Deutschland (GTSRB) wird verwendet, um ein tiefes neuronales Netzwerk zum Erkennen der Klasse des jeweiligen Verkehrsschildes aufzubauen. Wir erstellen auch eine einfache grafische Benutzeroberfl\u00e4che, um mit der Anwendung zu interagieren.<\/p>\n

Sprache:<\/b> Python<\/p>\n

Datensatz:<\/b> GTSRB (German Traffic Sign Recognition Benchmark)<\/p>\n

Mehr lesen<\/h3>\n

<\/p>\n