{"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\/news\/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 Anf\u00e4nger<\/i><\/p>\n

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

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

Sentiment-Analyse \u2014 dies ist die Analyse von W\u00f6rtern zur Bestimmung von Stimmungen und Meinungen, die positiv oder negativ sein k\u00f6nnen. Es handelt sich um eine Art Klassifikation, bei der die Klassen bin\u00e4r (positiv und negativ) oder mehrdimensional ( gl\u00fccklich, w\u00fctend, traurig, unangenehm ...) sein k\u00f6nnen. Wir implementieren dieses Data Science-Projekt in der Programmiersprache R und verwenden einen Datensatz aus dem Paket \u201ejaneaustenR\u201c. Wir werden gebr\u00e4uchliche W\u00f6rterb\u00fccher wie AFINN, Bing und Loughran verwenden, innere Verkn\u00fcpfungen durchf\u00fchren und am Ende ein Wortwolken-Tool erstellen, um die Ergebnisse darzustellen.<\/p>\n

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

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

\nDer Artikel wurde mit Unterst\u00fctzung der Firma EDISON Software \u00fcbersetzt, die macht virtuelle Umkleidekabinen f\u00fcr Multibrand-Shops<\/a><\/noindex>, sowie testet Software<\/a><\/noindex>.<\/p><\/blockquote>\n

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

\nHeben Sie Ihre F\u00e4higkeiten auf die n\u00e4chste Stufe, indem Sie an einem Data Science-Projekt f\u00fcr Anf\u00e4nger arbeiten \u2014 Erkennung von gef\u00e4lschten Nachrichten mit Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nFake News sind falsche Informationen, die \u00fcber soziale Netzwerke und andere Online-Medien verbreitet werden, um politische Ziele zu verfolgen. In dieser Projektidee im Bereich Data Science verwenden wir Python, um ein Modell zu erstellen, das genau bestimmen kann, ob eine Nachricht echt oder falsch ist. Wir erstellen einen TfidfVectorizer und verwenden einen PassiveAggressiveClassifier, um Nachrichten in \u201eecht\u201c und \u201efalsch\u201c zu klassifizieren. Wir nutzen einen Datensatz mit der Form 7796 \u00d7 4 und f\u00fchren alles im Jupyter Lab aus.<\/p>\n

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

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

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

\nVorankommen, indem Sie an der Projektidee Data Science Project Idea arbeiten \u2014 Erkennung von Parkinson-Krankheit mit XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nWir haben begonnen, Data Science zur Verbesserung des Gesundheitswesens und der Dienstleistungen einzusetzen \u2014 wenn wir Krankheiten fr\u00fchzeitig vorhersagen k\u00f6nnen, haben wir viele Vorteile. In dieser Projektidee im Bereich Data Science lernen wir, wie man die Parkinson-Krankheit mit Python erkennt. Es handelt sich um eine neurodegenerative, fortschreitende Erkrankung des zentralen Nervensystems, die sich auf die Bewegung auswirkt und Zittern und Steifheit verursacht. Sie beeintr\u00e4chtigt 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\/Paket:<\/b> UCI ML Parkinsons-Datensatz<\/p>\n

Data Science Projekte mittlerer Komplexit\u00e4t<\/i><\/p>\n

4. Spracherkennung von Emotionen<\/h3>\n

\nErfahren Sie mehr \u00fcber die vollst\u00e4ndige Umsetzung des Data Science-Projekts \u2014 Spracherkennung mit Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLernen wir nun, verschiedene Bibliotheken zu verwenden. Dieses Data Science-Projekt nutzt librosa zur Spracherkennung. SER ist der Prozess, menschliche Emotionen und affektive Zust\u00e4nde durch Sprache zu bestimmen. Da wir Ton und Tonh\u00f6he zur Ausdruck von Emotionen verwenden, ist SER relevant. Aber da Emotionen subjektiv sind, ist die Annotation von Ton sehr herausfordernd. Wir werden die Funktionen mfcc, chroma und mel verwenden und den RAVDESS-Datensatz zur Emotionserkennung nutzen. Wir erstellen einen MLPC-Klassifikator f\u00fcr dieses Modell.<\/p>\n

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

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

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

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

\"14
\n
\nDies ist ein interessantes Data Science-Projekt mit Python. Anhand eines einzigen Bildes lernen Sie, das Geschlecht und das Alter einer Person vorherzusagen. Dabei f\u00fchren wir Sie in die Computer Vision und deren Prinzipien ein. Wir werden eine faltungsneuronale Netzwerk<\/a><\/noindex> verwenden und die Modelle, die von Tal Hassner und Gil Levi f\u00fcr den Adience-Datensatz trainiert wurden. Unterwegs verwenden wir einige .pb, .pbtxt, .prototxt und .caffemodel-Dateien.<\/p>\n

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

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

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

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

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

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

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

7. Erkennung von Fahrerm\u00fcdigkeit<\/h3>\n

\nVerbessern Sie Ihre F\u00e4higkeiten, indem Sie an einem der besten Data Science-Projekte arbeiten \u2014 System zur Erkennung von M\u00fcdigkeit mit OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nM\u00fcdes Fahren ist extrem gef\u00e4hrlich und jedes Jahr passieren etwa tausend Unf\u00e4lle, weil Fahrer w\u00e4hrend der Fahrt einschlafen. In diesem Python-Projekt werden wir ein System erstellen, das m\u00fcde Fahrer erkennt und sie akustisch warnt.<\/p>\n

Dieses Projekt wurde mit Keras und OpenCV umgesetzt. Wir werden OpenCV zur Gesichtserkennung und zur Erkennung von Augen verwenden, w\u00e4hrend wir mit Keras den Zustand des Auges (Offen oder Geschlossen) mithilfe von Methoden des tiefen neuronalen Netzes klassifizieren werden.<\/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 wesentlicher Bestandteil von Unternehmen. Viele Unternehmen m\u00fcssen Dienstleistungen f\u00fcr ihre Kunden anbieten, was viel Personal, Zeit und Aufwand erfordert. Chatbots k\u00f6nnen einen gro\u00dfen Teil der Kundeninteraktion automatisieren, indem sie auf h\u00e4ufige Fragen Antworten geben, die von Kunden gestellt werden. Es gibt haupts\u00e4chlich zwei Arten von Chatbots: Dom\u00e4nenspezifische und Offene Dom\u00e4nen. Dom\u00e4nenspezifische Chatbots werden oft eingesetzt, um spezifische Probleme zu l\u00f6sen. Daher m\u00fcssen Sie sie anpassen, damit sie in Ihrem Bereich effektiv arbeiten. Offene Dom\u00e4nen-Chatbots k\u00f6nnen auf beliebige Fragen Antworten geben, weshalb eine gro\u00dfe Menge an Daten ben\u00f6tigt wird, um sie zu trainieren.<\/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 Quellcode \u2014 Bildbeschreibungs-Generator mit CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDie Beschreibung dessen, was auf einem Bild zu sehen ist, ist f\u00fcr Menschen eine einfache Aufgabe, aber f\u00fcr Computer ist ein Bild einfach eine Reihe von Zahlen, die den Farbwert jedes Pixels darstellen. Es ist eine schwierige Aufgabe f\u00fcr Computer. Zu verstehen, was sich in einem Bild befindet, und dann eine Beschreibung in nat\u00fcrlicher Sprache zu erstellen (zum Beispiel auf Englisch) ist eine weitere schwierige Aufgabe. Dieses Projekt nutzt Methoden des tiefen Lernens, bei denen wir ein Convolutional Neural Network (CNN) mit einem Recurrent Neural Network (LSTM) implementieren, um einen Bildbeschreibungs-Generator zu erstellen.<\/p>\n

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

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

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

10. Betrugserkennung bei Kreditkarten<\/h3>\n

\nGeben Sie Ihr Bestes, w\u00e4hrend Sie an einer Data Science Projektidee arbeiten \u2014 Betrugserkennung bei Kreditkarten mit maschinellem Lernen<\/a><\/noindex>.<\/p>\n

\"14
\n
\nBis jetzt haben Sie begonnen, die Methoden und Konzepte zu verstehen. Lassen Sie uns zu einigen fortgeschrittenen Projekten im Bereich Data Science \u00fcbergehen. In diesem Projekt werden wir die Sprache R mit Algorithmen wie Entscheidungsb\u00e4ume verwenden<\/a><\/noindex>, logistische Regression, k\u00fcnstliche neuronale Netze und Gradientenboosting-Klassifikator. Wir werden einen Datensatz von Kreditkartenoperationen nutzen, um Transaktionen als betr\u00fcgerisch oder echt zu klassifizieren. Wir werden verschiedene Modelle ausw\u00e4hlen und Leistungsdiagramme erstellen.<\/p>\n

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

Datensatz\/Paket:<\/b> Datensatz der Kreditkartentransaktionen<\/p>\n

11. Filmempfehlungssystem<\/h3>\n

\nErforschen Sie die Implementierung eines der besten Data-Science-Projekte mit Quellcode \u2014 Filmempfehlungssystem in R<\/a><\/noindex><\/p>\n

\"14
\n
\nIn diesem Data-Science-Projekt werden wir R verwenden, um Filmempfehlungen mithilfe von maschinellem Lernen durchzuf\u00fchren. Das Empfehlungssystem unterbreitet den Nutzern Vorschl\u00e4ge durch einen Filterprozess, der auf den Vorlieben anderer Nutzer und der Geschichte ihrer Ansehen basiert. Wenn A und B \u201eKevin \u2013 Allein zu Hause\u201c m\u00f6gen und B \u201eGirls Club \u2013 Vorsicht bissig\u201c liebt, dann k\u00f6nnte man A empfehlen, es ebenfalls zu probieren. Dadurch k\u00f6nnen sich die Kunden mit der Plattform besch\u00e4ftigen.<\/p>\n

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

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

12. Kundensegmentierung<\/h3>\n

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

\"14
\n
\nDie Segmentierung von K\u00e4ufern ist eine beliebte Anwendung des un\u00fcberwachten Lernens.<\/a><\/noindex>Durch Clusterbildung identifizieren Unternehmen Kundensegmente, um mit potenziellen Nutzerbasen zu arbeiten. Sie teilen Kunden in Gruppen basierend auf gemeinsamen Merkmalen wie Geschlecht, Alter, Interessen und Ausgabeverhalten ein, damit sie ihre Produkte effektiv an jede Gruppe verkaufen k\u00f6nnen. Wir werden verwenden K-Means-Clustering<\/a><\/noindex>, sowie die Verteilung nach Geschlecht und Alter visualisieren. Danach analysieren wir ihr Jahreseinkommen und Ausgabenverhalten.<\/p>\n

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

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

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

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

\"14
\n
\nKehren wir zum medizinischen Beitrag der Datenwissenschaft zur\u00fcck, lassen Sie uns lernen, Brustkrebs mit Python zu identifizieren. Wir werden den Datensatz IDC_regular verwenden, um invasive Duktuskarzinome zu identifizieren, die h\u00e4ufigste Form von Brustkrebs. Es entwickelt sich in den Milchg\u00e4ngen und dringt in das faserige oder fettige Gewebe der Brust au\u00dferhalb des Ganges ein. In dieser wissenschaftlichen Projektidee zur Datensammlung werden wir nutzen Deep Learning<\/a><\/noindex> und die Keras-Bibliothek zur Klassifizierung.<\/p>\n

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

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

14. Verkehrsschilderkennung<\/h3>\n

\nDie Genauigkeit in der Technologie des autonomen Fahrens mit einem 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 sehr wichtig, um Unf\u00e4lle zu vermeiden. Um eine Regel zu befolgen, muss man zun\u00e4chst verstehen, wie ein Verkehrsschild aussieht. Eine Person muss alle Verkehrsschilder lernen, bevor sie den F\u00fchrerschein f\u00fcr \u0623\u064a Transportmittel erh\u00e4lt. Aber jetzt nimmt die Zahl der autonomen Fahrzeuge zu, und in naher Zukunft wird der Mensch das Auto nicht mehr selbst fahren. In dem Projekt \u201eVerkehrsschilderkennung\u201c werden Sie lernen, wie ein Programm die Art der Verkehrsschilder erkennen kann, indem es ein Bild als Eingabesignal nimmt. Der deutsche Datensatz f\u00fcr die Verkehrsschilderkennung (GTSRB) wird verwendet, um ein tiefes neuronales Netzwerk zur Erkennung der Klasse, zu der das Verkehrsschild geh\u00f6rt, zu erstellen. 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

Weiterlesen<\/h3>\n

<\/p>\n