{"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\/fr\/blog\/news\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 projets open-source pour am\u00e9liorer vos comp\u00e9tences en Data Science (facile, normal, difficile)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Data Science pour d\u00e9butants<\/i><\/p>\n

1. Analyse des sentiments (Analyse des sentiments \u00e0 travers le texte)<\/h3>\n

\n\"14
\n
\nD\u00e9couvrez l'impl\u00e9mentation compl\u00e8te d'un projet Data Science avec le code source \u2014 Projet d'analyse des sentiments en R<\/a><\/noindex>.<\/p>\n

L'analyse des sentiments est l'\u00e9valuation des mots pour d\u00e9terminer les \u00e9motions et les opinions, qui peuvent \u00eatre positives ou n\u00e9gatives. C'est un type de classification o\u00f9 les classes peuvent \u00eatre binaires (positives et n\u00e9gatives) ou multiples (heureuses, en col\u00e8re, tristes, d\u00e9sagr\u00e9ables\u2026 ). Nous allons r\u00e9aliser ce projet de science des donn\u00e9es en langue R et utiliserons un ensemble de donn\u00e9es du paquet \u00ab janeaustenR \u00bb. Nous utiliserons des lexiques g\u00e9n\u00e9raux tels qu'AFINN, bing et loughran, effectuerons une jointure interne, et \u00e0 la fin, nous cr\u00e9erons un nuage de mots pour repr\u00e9senter le r\u00e9sultat.<\/p>\n

Langue :<\/b> R
\nJeu de donn\u00e9es \/ Package :<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\nCet article a \u00e9t\u00e9 traduit avec le soutien de la soci\u00e9t\u00e9 EDISON Software, qui cr\u00e9e des cabines d'essayage virtuelles pour des magasins multi-marques<\/a><\/noindex>, ainsi que teste des logiciels<\/a><\/noindex>.<\/p><\/blockquote>\n

2. D\u00e9tection de Fake News (D\u00e9tection de fausses nouvelles)<\/h3>\n

\nAm\u00e9liorez vos comp\u00e9tences en travaillant sur un projet Data Science pour d\u00e9butants \u2014 d\u00e9tection de fausses nouvelles avec Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLes fausses nouvelles sont des informations erron\u00e9es diffus\u00e9es via les r\u00e9seaux sociaux et d'autres m\u00e9dias en ligne dans un but politique. Dans cette id\u00e9e de projet Data Science, nous allons utiliser Python pour construire un mod\u00e8le capable de d\u00e9terminer avec pr\u00e9cision si une nouvelle est r\u00e9elle ou fausse. Nous cr\u00e9erons un TfidfVectorizer et utiliserons un PassiveAggressiveClassifier pour classifier les nouvelles en 'r\u00e9elles' et 'fausses'. Nous utiliserons un jeu de donn\u00e9es de forme 7796 \u00d7 4 et effectuerons tout cela dans Jupyter Lab.<\/p>\n

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

Jeu de donn\u00e9es \/ Package :<\/b> news.csv<\/p>\n

3. D\u00e9tection de la maladie de Parkinson (D\u00e9tection de la maladie de Parkinson)<\/h3>\n

\nAvancez en travaillant sur l'id\u00e9e du projet Data Science \u2014 d\u00e9tection de la maladie de Parkinson avec XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nNous commen\u00e7ons \u00e0 utiliser le Data Science pour am\u00e9liorer les soins de sant\u00e9 et les services \u2014 si nous pouvons pr\u00e9dire la maladie \u00e0 un stade pr\u00e9coce, nous aurons de nombreux avantages. Ainsi, dans cette id\u00e9e de projet Data Science, nous apprendrons \u00e0 d\u00e9tecter la maladie de Parkinson avec Python. Il s'agit d'une maladie neurod\u00e9g\u00e9n\u00e9rative progressive du syst\u00e8me nerveux central qui impacte le mouvement et provoque des tremblements et de la rigidit\u00e9. Elle affecte les neurones producteurs de dopamine dans le cerveau, et chaque ann\u00e9e, elle touche plus d'un million de personnes en Inde.<\/p>\n

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

Jeu de donn\u00e9es \/ Package :<\/b> Jeu de donn\u00e9es UCI ML Parkinsons<\/p>\n

Projets de science des donn\u00e9es de complexit\u00e9 moyenne<\/i><\/p>\n

4. Reconnaissance des \u00e9motions par la parole<\/h3>\n

\nD\u00e9couvrez la mise en \u0153uvre compl\u00e8te d'un projet de science des donn\u00e9es \u2014 reconnaissance vocale \u00e0 l'aide de Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nApprenons maintenant \u00e0 utiliser diff\u00e9rentes biblioth\u00e8ques. Ce projet de science des donn\u00e9es utilise librosa pour la reconnaissance vocale. La reconnaissance des \u00e9motions par la parole (SER) est le processus de d\u00e9termination des \u00e9motions humaines et des \u00e9tats affectifs \u00e0 partir de la parole. Comme nous utilisons le ton et la hauteur pour exprimer des \u00e9motions vocales, le SER est pertinent. Cependant, \u00e9tant donn\u00e9 que les \u00e9motions sont subjectives, l'annotation du son est une t\u00e2che complexe. Nous utiliserons les fonctions mfcc, chroma et mel et le jeu de donn\u00e9es RAVDESS pour la reconnaissance des \u00e9motions. Nous cr\u00e9erons un classificateur MLPC pour ce mod\u00e8le.<\/p>\n

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

Jeu de donn\u00e9es \/ Package :<\/b> Jeu de donn\u00e9es RAVDESS<\/p>\n

5. D\u00e9tection du sexe et de l'\u00e2ge<\/h3>\n

\nImpressionnez les employeurs avec le dernier projet de science des donn\u00e9es \u2014 d\u00e9tection du sexe et de l'\u00e2ge \u00e0 l'aide d'OpenCV<\/a><\/noindex>.<\/p>\n

\"14
\n
\nC'est un projet de science des donn\u00e9es avec Python. En utilisant une seule image, vous apprendrez \u00e0 pr\u00e9dire le sexe et l'\u00e2ge d'une personne. Dans ce projet, nous vous pr\u00e9senterons la vision par ordinateur et ses principes. Nous construirons un r\u00e9seau de neurones convolutifs<\/a><\/noindex> et utiliserons des mod\u00e8les form\u00e9s par Tal Hassner et Gil Levi pour le jeu de donn\u00e9es Adience. En cours de route, nous utiliserons certains fichiers .pb, .pbtxt, .prototxt et .caffemodel.<\/p>\n

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

Jeu de donn\u00e9es \/ Package :<\/b> Adience<\/p>\n

6. Analyse des donn\u00e9es Uber<\/h3>\n

\nD\u00e9couvrez la mise en \u0153uvre compl\u00e8te du projet de science des donn\u00e9es avec le code source \u2014 Projet d'analyse des donn\u00e9es Uber en R<\/a><\/noindex>.<\/p>\n

\"14
\n
\nC'est un projet de visualisation de donn\u00e9es avec ggplot2, o\u00f9 nous utiliserons R et ses biblioth\u00e8ques pour analyser diff\u00e9rents param\u00e8tres. Nous utiliserons le jeu de donn\u00e9es Uber Pickups \u00e0 New York et cr\u00e9erons des visualisations pour diff\u00e9rentes p\u00e9riodes de l'ann\u00e9e. Cela nous indique comment le temps impacte les trajets des clients.<\/p>\n

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

Jeu de donn\u00e9es \/ Package :<\/b> Jeu de donn\u00e9es Uber Pickups \u00e0 New York<\/p>\n

7. D\u00e9tection de la somnolence du conducteur<\/h3>\n

\nAm\u00e9liorez vos comp\u00e9tences en travaillant sur le meilleur projet de science des donn\u00e9es \u2014 syst\u00e8me de d\u00e9tection de somnolence avec OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLa conduite somnolente est extr\u00eamement dangereuse et chaque ann\u00e9e, environ mille accidents se produisent \u00e0 cause des conducteurs qui s'endorment au volant. Dans ce projet en Python, nous cr\u00e9erons un syst\u00e8me capable de d\u00e9tecter les conducteurs somnolents et de les alerter avec un signal sonore.<\/p>\n

Ce projet est r\u00e9alis\u00e9 en utilisant Keras et OpenCV. Nous allons utiliser OpenCV pour d\u00e9tecter le visage et les yeux, et avec Keras, nous allons classer l'\u00e9tat de l'\u0153il (Ouvert ou Ferm\u00e9) en utilisant des m\u00e9thodes de r\u00e9seau de neurones profonds.<\/p>\n

8. Chatbot<\/h3>\n

\nCr\u00e9ez un chatbot avec Python et faites un pas en avant dans votre carri\u00e8re \u2014 Chatbot avec NLTK & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLes chatbots sont essentiels pour les entreprises. De nombreuses entreprises doivent offrir des services \u00e0 leurs clients, et cela n\u00e9cessite beaucoup de main-d'\u0153uvre, de temps et d'efforts. Les chatbots peuvent automatiser une grande partie des interactions avec les clients, en r\u00e9pondant \u00e0 certaines questions fr\u00e9quentes pos\u00e9es par ceux-ci. En gros, il existe deux types de chatbots : sp\u00e9cifiques au domaine et de domaine ouvert. Le chatbot sp\u00e9cifique au domaine est souvent utilis\u00e9 pour r\u00e9soudre un probl\u00e8me particulier. Ainsi, vous devez le configurer pour qu'il fonctionne efficacement dans votre domaine. Les chatbots de domaine ouvert peuvent recevoir toutes sortes de questions, donc leur apprentissage n\u00e9cessite un \u00e9norme volume de donn\u00e9es.<\/p>\n

Jeu de donn\u00e9es :<\/b> Fichier json d'intentions<\/p>\n

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

Projets avanc\u00e9s en Data Science<\/i><\/p>\n

9. G\u00e9n\u00e9rateur de l\u00e9gendes d'image<\/h3>\n

\nV\u00e9rifiez la mise en \u0153uvre compl\u00e8te du projet avec le code source \u2014 G\u00e9n\u00e9rateur de l\u00e9gendes d'image avec CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nD\u00e9crire ce qui se trouve sur une image est une t\u00e2che facile pour les humains, mais pour les ordinateurs, une image est simplement une s\u00e9rie de chiffres repr\u00e9sentant la valeur de couleur de chaque pixel. C'est une t\u00e2che difficile pour les ordinateurs. Comprendre ce qu'il y a sur l'image et ensuite cr\u00e9er une description en langage naturel (par exemple, en anglais) est une autre t\u00e2che complexe. Ce projet utilise des m\u00e9thodes d'apprentissage profond, dans lequel nous impl\u00e9mentons un R\u00e9seau de neurones convolutif (CNN) avec un R\u00e9seau de neurones r\u00e9current (LSTM) pour cr\u00e9er un g\u00e9n\u00e9rateur de description d'image.<\/p>\n

Jeu de donn\u00e9es :<\/b> Flickr 8K<\/p>\n

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

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

10. D\u00e9tection de fraude par carte de cr\u00e9dit<\/h3>\n

\nFaites de votre mieux en travaillant sur l'id\u00e9e de projet Data Science \u2014 d\u00e9tection de fraude par carte de cr\u00e9dit \u00e0 l'aide de l'apprentissage automatique<\/a><\/noindex>.<\/p>\n

\"14
\n
\n\u00c0 ce stade, vous avez commenc\u00e9 \u00e0 comprendre les m\u00e9thodes et les concepts. Passons \u00e0 quelques projets avanc\u00e9s en science des donn\u00e9es. Dans ce projet, nous allons utiliser le langage R avec des algorithmes tels que les arbres de d\u00e9cision<\/a><\/noindex>, r\u00e9gression logistique, r\u00e9seaux de neurones artificiels et classificateur de boosting par gradient. Nous utiliserons un ensemble de donn\u00e9es sur les transactions par carte pour classifier les transactions de carte de cr\u00e9dit en tant que frauduleuses ou l\u00e9gitimes. Nous s\u00e9lectionnerons diff\u00e9rents mod\u00e8les pour cela et tracerons des courbes de performance.<\/p>\n

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

Jeu de donn\u00e9es \/ Package :<\/b> Ensemble de donn\u00e9es sur les transactions par carte<\/p>\n

11. Syst\u00e8me de recommandation de films<\/h3>\n

\nD\u00e9couvrez la mise en \u0153uvre du meilleur projet de Data Science avec le code source \u2014 Syst\u00e8me de recommandation de films en R<\/a><\/noindex><\/p>\n

\"14
\n
\nDans ce projet de Data Science, nous utiliserons R pour effectuer des recommandations de films par le biais de l'apprentissage machine. Le syst\u00e8me de recommandation envoie des suggestions aux utilisateurs via un processus de filtrage bas\u00e9 sur les pr\u00e9f\u00e9rences d'autres utilisateurs et l'historique de visionnage. Si A et B aiment Maman, j'ai rat\u00e9 l'avion et que B aime Les filles du calendrier, alors on peut proposer \u00e0 A \u2014 cela pourrait aussi lui plaire. Cela permet aux clients d'interagir avec la plateforme.<\/p>\n

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

Jeu de donn\u00e9es \/ Package :<\/b> Ensemble de donn\u00e9es MovieLens<\/p>\n

12. Segmentation des clients<\/h3>\n

\nImpressionnez les employeurs avec un projet de Data Science (incluant le code source) \u2014 Segmentation des clients par apprentissage machine<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLa segmentation des clients est une application populaire d'apprentissage non supervis\u00e9<\/a><\/noindex>. En utilisant la classification, les entreprises d\u00e9finissent des segments de clients pour interagir avec une base utilisateur potentielle. Elles divisent les clients en groupes selon des caract\u00e9ristiques communes, comme le sexe, l'\u00e2ge, les int\u00e9r\u00eats et les habitudes de d\u00e9pense, afin de vendre efficacement leurs produits \u00e0 chaque groupe. Nous utiliserons la classification K-means<\/a><\/noindex>, ainsi que visualiser la r\u00e9partition par sexe et \u00e2ge. Ensuite, nous analyserons leurs revenus annuels et leurs niveaux de d\u00e9pense.<\/p>\n

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

Jeu de donn\u00e9es \/ Package :<\/b> Ensemble de donn\u00e9es Mall_Customers<\/p>\n

13. Classification du cancer du sein<\/h3>\n

\nVoir la mise en \u0153uvre compl\u00e8te du projet Data Science en Python \u2014 Classification du cancer du sein par apprentissage profond<\/a><\/noindex>.<\/p>\n

\"14
\n
\nEn revenant \u00e0 la contribution m\u00e9dicale de la science des donn\u00e9es, apprenons \u00e0 d\u00e9tecter le cancer du sein en utilisant Python. Nous allons utiliser le jeu de donn\u00e9es IDC_regular pour identifier le carcinome canalaire invasif, la forme la plus courante de cancer du sein. Ce dernier se d\u00e9veloppe dans les canaux mammaires et p\u00e9n\u00e8tre dans le tissu fibreux ou adipeux du sein \u00e0 l'ext\u00e9rieur du conduit. Dans cette id\u00e9e de projet scientifique sur la collecte de donn\u00e9es, nous allons utiliser Deep Learning<\/a><\/noindex> et la biblioth\u00e8que Keras pour la classification.<\/p>\n

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

Jeu de donn\u00e9es \/ Package :<\/b> IDC_regular<\/p>\n

14. Reconnaissance des panneaux de signalisation (Traffic Signs Recognition)<\/h3>\n

\nAtteindre la pr\u00e9cision dans la technologie de conduite autonome gr\u00e2ce \u00e0 un projet de science des donn\u00e9es sur la reconnaissance des panneaux de signalisation utilisant CNN<\/a><\/noindex> open source.<\/p>\n

\"14
\n
\nLes panneaux de signalisation et le code de la route sont tr\u00e8s importants pour chaque conducteur afin d'\u00e9viter les accidents. Pour suivre la r\u00e8gle, il est d'abord n\u00e9cessaire de comprendre \u00e0 quoi ressemble un panneau de signalisation. Une personne doit apprendre tous les panneaux de signalisation avant qu'on ne lui accorde un permis pour conduire tout v\u00e9hicule. Mais maintenant, le nombre de v\u00e9hicules autonomes augmente, et dans un avenir proche, les gens ne conduiront plus eux-m\u00eames leurs voitures. Dans le projet 'Reconnaissance des panneaux de signalisation', vous apprendrez comment un programme peut reconna\u00eetre le type de panneau de signalisation en prenant une image comme entr\u00e9e. Le jeu de donn\u00e9es de reconnaissance des panneaux de signalisation allemand (GTSRB) est utilis\u00e9 pour construire un r\u00e9seau de neurones profond afin de reconna\u00eetre la classe \u00e0 laquelle appartient le panneau. Nous cr\u00e9ons \u00e9galement une interface graphique simple pour interagir avec l'application.<\/p>\n

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

Jeu de donn\u00e9es :<\/b> GTSRB (German Traffic Sign Recognition Benchmark)<\/p>\n

Lire la suite<\/h3>\n

<\/p>\n