ડેટા સાયન્સ કૌશલ્યો (સરળ, સામાન્ય, સખત) સુધારવા માટે 14 ઓપન-સોર્સ પ્રોજેક્ટ્સ

નવા નિશાળીયા માટે ડેટા સાયન્સ

1. સેન્ટિમેન્ટ એનાલિસિસ (ટેક્સ્ટ દ્વારા મૂડ વિશ્લેષણ)

સ્રોત કોડ − નો ઉપયોગ કરીને ડેટા સાયન્સ પ્રોજેક્ટનું સંપૂર્ણ અમલીકરણ જુઓ સેન્ટિમેન્ટ એનાલિસિસ પ્રોજેક્ટમાં આર.

સેન્ટિમેન્ટ એનાલિસિસ એ લાગણીઓ અને અભિપ્રાયોને ઓળખવા માટે શબ્દોનું વિશ્લેષણ છે, જે હકારાત્મક કે નકારાત્મક હોઈ શકે છે. આ વર્ગીકરણનો એક પ્રકાર છે જ્યાં વર્ગો દ્વિસંગી (સકારાત્મક અને નકારાત્મક) અથવા બહુવચન (ખુશ, ગુસ્સો, ઉદાસી, બીભત્સ...) હોઈ શકે છે. અમે આ ડેટા સાયન્સ પ્રોજેક્ટને R માં અમલમાં મૂકીશું અને "janeaustenR" પેકેજમાં ડેટાસેટનો ઉપયોગ કરીશું. અમે AFINN, bing અને loughran જેવા સામાન્ય હેતુના શબ્દકોશોનો ઉપયોગ કરીશું, આંતરિક જોડાઈશું અને અંતે પરિણામ પ્રદર્શિત કરવા માટે અમે એક શબ્દ ક્લાઉડ બનાવીશું.

મહેરબાની: R
ડેટાસેટ/પેકેજ: janeoustenR

લેખનો અનુવાદ EDISON સૉફ્ટવેરના સમર્થન સાથે કરવામાં આવ્યો હતો, જે મલ્ટિ-બ્રાન્ડ સ્ટોર્સ માટે વર્ચ્યુઅલ ફિટિંગ રૂમ બનાવે છે, અને પરીક્ષણ સોફ્ટવેર.

2. ફેક ન્યૂઝ ડિટેક્શન

પ્રારંભિક લોકો માટે ડેટા સાયન્સ પ્રોજેક્ટ પર કામ કરીને તમારી કુશળતાને આગલા સ્તર પર લઈ જાઓ - Python સાથે નકલી સમાચાર શોધ.

નકલી સમાચાર એ રાજકીય ધ્યેયો હાંસલ કરવા માટે સોશિયલ મીડિયા અને અન્ય ઓનલાઈન મીડિયા દ્વારા ફેલાવવામાં આવતી ખોટી માહિતી છે. આ ડેટા સાયન્સ પ્રોજેક્ટ આઇડિયામાં, અમે પાયથોનનો ઉપયોગ એક મોડેલ બનાવવા માટે કરીશું જે ચોક્કસ રીતે નક્કી કરી શકે કે સમાચાર વાસ્તવિક છે કે નકલી. અમે TfidfVectorizer બનાવીશું અને સમાચારોને "વાસ્તવિક" અને "નકલી"માં વર્ગીકૃત કરવા માટે PassiveAggressiveClassifier નો ઉપયોગ કરીશું. અમે 7796×4 આકારના ડેટાસેટનો ઉપયોગ કરીશું અને બધું જ્યુપીટર લેબમાં કરીશું.

મહેરબાની: પાયથોન

ડેટાસેટ/પેકેજ: news.csv

3. પાર્કિન્સન રોગની તપાસ

ડેટા સાયન્સ પ્રોજેક્ટ આઈડિયા − પર કામ કરીને આગળ વધો XGBoost સાથે પાર્કિન્સન રોગની શોધ.

અમે હેલ્થકેર અને સેવાઓને સુધારવા માટે ડેટા સાયન્સનો ઉપયોગ કરવાનું શરૂ કર્યું છે - જો આપણે પ્રારંભિક તબક્કે રોગની આગાહી કરી શકીએ, તો અમને ઘણા ફાયદા થશે. તેથી, આ ડેટા સાયન્સ પ્રોજેક્ટ આઇડિયામાં, આપણે પાયથોનનો ઉપયોગ કરીને પાર્કિન્સન રોગને કેવી રીતે શોધી શકાય તે શીખીશું. તે સેન્ટ્રલ નર્વસ સિસ્ટમનો ન્યુરોડિજનરેટિવ, પ્રગતિશીલ રોગ છે જે ચળવળને અસર કરે છે અને ધ્રુજારી અને જડતાનું કારણ બને છે. તે મગજમાં ડોપામાઇન ઉત્પન્ન કરતા ચેતાકોષોને અસર કરે છે અને દર વર્ષે ભારતમાં 1 મિલિયનથી વધુ લોકોને અસર કરે છે.

મહેરબાની: પાયથોન

ડેટાસેટ/પેકેજ: UCI ML પાર્કિન્સન્સ ડેટાસેટ

મધ્યમ જટિલતાના ડેટા સાયન્સ પ્રોજેક્ટ્સ

4. સ્પીચ ઈમોશન રેકગ્નિશન

ડેટા સાયન્સ સેમ્પલ પ્રોજેક્ટનું સંપૂર્ણ અમલીકરણ તપાસો - લિબ્રોસા સાથે વાણી ઓળખ.

ચાલો હવે શીખીએ કે વિવિધ પુસ્તકાલયોનો ઉપયોગ કેવી રીતે કરવો. આ ડેટા સાયન્સ પ્રોજેક્ટ વાણી ઓળખ માટે લિબ્રોસાનો ઉપયોગ કરે છે. SER એ વાણીમાંથી માનવ લાગણીઓ અને લાગણીશીલ સ્થિતિઓને ઓળખવાની પ્રક્રિયા છે. કારણ કે અમે અમારા અવાજ સાથે લાગણીઓ વ્યક્ત કરવા માટે ટોન અને પિચનો ઉપયોગ કરીએ છીએ, SER સંબંધિત છે. પરંતુ લાગણીઓ વ્યક્તિલક્ષી હોવાથી ઓડિયો એનોટેશન મુશ્કેલ કાર્ય છે. અમે mfcc, chroma અને mel ફંક્શનનો ઉપયોગ કરીશું અને લાગણીની ઓળખ માટે RAVDESS ડેટાસેટનો ઉપયોગ કરીશું. અમે આ મોડલ માટે MLPC ક્લાસિફાયર બનાવીશું.

મહેરબાની: પાયથોન

ડેટાસેટ/પેકેજ: RAVDESS ડેટાસેટ

5. લિંગ અને વય શોધ

નવીનતમ ડેટા સાયન્સ પ્રોજેક્ટ સાથે નોકરીદાતાઓને પ્રભાવિત કરો - OpenCV સાથે લિંગ અને વય શોધ.

પાયથોન સાથે આ એક રસપ્રદ ડેટા સાયન્સ છે. માત્ર એક છબીનો ઉપયોગ કરીને, તમે શીખી શકશો કે વ્યક્તિના લિંગ અને ઉંમરની આગાહી કેવી રીતે કરવી. આમાં, અમે તમને કમ્પ્યુટર વિઝન અને તેના સિદ્ધાંતોથી પરિચિત કરાવીશું. અમે બનાવીશું કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક અને Adience ડેટાસેટ પર Tal Hassner અને Gil Levy દ્વારા પ્રશિક્ષિત મોડેલોનો ઉપયોગ કરશે. અમે રસ્તામાં કેટલીક .pb, .pbtxt, .prototxt અને .caffemodel ફાઇલોનો ઉપયોગ કરીશું.

મહેરબાની: પાયથોન

ડેટાસેટ/પેકેજ: આદિવાસી

6. ઉબેર ડેટા વિશ્લેષણ

સ્ત્રોત કોડ - સાથે ડેટા સાયન્સ પ્રોજેક્ટનું સંપૂર્ણ અમલીકરણ જુઓ ઉબેર ડેટા એનાલિસિસ પ્રોજેક્ટ આર.

આ ggplot2 સાથેનો ડેટા વિઝ્યુલાઇઝેશન પ્રોજેક્ટ છે જેમાં આપણે R અને તેની લાઇબ્રેરીઓનો ઉપયોગ કરીશું અને વિવિધ પરિમાણોનું વિશ્લેષણ કરીશું. અમે ઉબેર પિકઅપ્સ ન્યૂ યોર્ક ડેટાસેટનો ઉપયોગ કરીશું અને વર્ષના વિવિધ સમય ફ્રેમ્સ માટે વિઝ્યુલાઇઝેશન બનાવીશું. આ અમને જણાવે છે કે સમય ગ્રાહકની મુસાફરીને કેવી અસર કરે છે.

મહેરબાની: R

ડેટાસેટ/પેકેજ: ન્યૂ યોર્ક સિટી ડેટાસેટમાં ઉબેર પિકઅપ્સ

7. ડ્રાઈવર સુસ્તી શોધ

ટોપ ડેટા સાયન્સ પ્રોજેક્ટ પર કામ કરીને તમારી કુશળતાને અપગ્રેડ કરો - OpenCV અને Keras સાથે સ્લીપીનેસ ડિટેક્શન સિસ્ટમ.

સ્લીપી ડ્રાઇવિંગ અત્યંત ખતરનાક છે, ડ્રાઇવરો ડ્રાઇવિંગ કરતી વખતે ઊંઘી જવાને કારણે દર વર્ષે લગભગ એક હજાર અકસ્માતો થાય છે. આ પાયથોન પ્રોજેક્ટમાં, અમે એવી સિસ્ટમ બનાવીશું જે ઊંઘમાં રહેલા ડ્રાઇવરોને શોધી શકે અને બીપ વડે તેમને એલર્ટ પણ કરી શકે.

આ પ્રોજેક્ટ કેરાસ અને ઓપનસીવીનો ઉપયોગ કરીને અમલમાં મૂકવામાં આવ્યો છે. અમે ચહેરા અને આંખોને શોધવા માટે ઓપનસીવીનો ઉપયોગ કરીશું અને કેરાસની મદદથી અમે ડીપ ન્યુરલ નેટવર્ક પદ્ધતિઓનો ઉપયોગ કરીને આંખની સ્થિતિ (ખુલ્લી કે બંધ)નું વર્ગીકરણ કરીશું.

8. ચેટબોટ

Python સાથે ચેટબોટ બનાવો અને તમારી કારકિર્દીમાં એક પગલું આગળ વધો - NLTK અને Keras સાથે ચેટબોટ.

ચેટબોટ્સ એ વ્યવસાયનો અભિન્ન ભાગ છે. ઘણા વ્યવસાયોએ તેમના ગ્રાહકોને સેવાઓ પ્રદાન કરવાની હોય છે અને તેમને સેવા આપવા માટે ઘણી માનવશક્તિ, સમય અને પ્રયત્નો લે છે. ચેટબોટ્સ ગ્રાહકો દ્વારા પૂછવામાં આવતા કેટલાક સામાન્ય પ્રશ્નોના જવાબ આપીને ગ્રાહકોની મોટાભાગની ક્રિયાપ્રતિક્રિયાને સ્વચાલિત કરી શકે છે. ત્યાં મૂળભૂત રીતે બે પ્રકારના ચેટબોટ્સ છે: ડોમેન-વિશિષ્ટ અને ઓપન-ડોમેન. ડોમેન-વિશિષ્ટ ચેટબોટનો ઉપયોગ ચોક્કસ સમસ્યાને ઉકેલવા માટે થાય છે. આમ, તમારે તમારા ક્ષેત્રમાં અસરકારક રીતે કામ કરવા માટે તેને કસ્ટમાઇઝ કરવાની જરૂર છે. ઓપન-ડોમેન ચેટબોટ્સને કોઈપણ પ્રશ્નો પૂછી શકાય છે, તેથી તેમને તાલીમ આપવા માટે મોટી સંખ્યામાં ડેટાની જરૂર છે.

ડેટા સેટ: ઇન્ટેન્ટ્સ json ફાઇલ

મહેરબાની: પાયથોન

એડવાન્સ્ડ ડેટા સાયન્સ પ્રોજેક્ટ્સ

9. છબી કૅપ્શન જનરેટર

સોર્સ કોડ - સાથે સંપૂર્ણ પ્રોજેક્ટ અમલીકરણ તપાસો CNN અને LSTM સાથે ઇમેજ કૅપ્શન જનરેટર.

ઇમેજમાં શું છે તેનું વર્ણન કરવું એ મનુષ્યો માટે એક સરળ કાર્ય છે, પરંતુ કમ્પ્યુટર્સ માટે, ઇમેજ માત્ર સંખ્યાઓનો સંગ્રહ છે જે દરેક પિક્સેલના રંગ મૂલ્યને રજૂ કરે છે. કમ્પ્યુટર માટે આ મુશ્કેલ કાર્ય છે. ઇમેજમાં શું છે તે સમજવું અને પછી કુદરતી ભાષાનું વર્ણન (દા.ત. અંગ્રેજી) બનાવવું એ બીજું મુશ્કેલ કાર્ય છે. આ પ્રોજેક્ટ ડીપ લર્નિંગ તકનીકોનો ઉપયોગ કરે છે જેમાં અમે ઇમેજ વર્ણન જનરેટર બનાવવા માટે રિકરન્ટ ન્યુરલ નેટવર્ક (LSTM) સાથે કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (CNN) નો અમલ કરીએ છીએ.

ડેટા સેટ: Flickr 8K

મહેરબાની: પાયથોન

ફ્રેમવર્ક: કેરાસ

10. ક્રેડિટ કાર્ડ ફ્રોડ ડિટેક્શન

ડેટા સાયન્સ પ્રોજેક્ટ વિચાર - પર કામ કરીને તમારું શ્રેષ્ઠ કાર્ય કરો મશીન લર્નિંગ સાથે ક્રેડિટ કાર્ડ છેતરપિંડી શોધ.

અત્યાર સુધીમાં તમે પદ્ધતિઓ અને વિભાવનાઓને સમજવાનું શરૂ કરી દીધું છે. ચાલો કેટલાક અદ્યતન ડેટા સાયન્સ પ્રોજેક્ટ્સ પર આગળ વધીએ. આ પ્રોજેક્ટમાં, અમે અલ્ગોરિધમ્સ સાથે આર ભાષાનો ઉપયોગ કરીશું જેમ કે નિર્ણય વૃક્ષો, લોજિસ્ટિક રીગ્રેશન, કૃત્રિમ ન્યુરલ નેટવર્ક્સ અને ગ્રેડિયન્ટ બુસ્ટિંગ ક્લાસિફાયર. અમે ક્રેડિટ કાર્ડ વ્યવહારોને કપટપૂર્ણ અને અસલી તરીકે વર્ગીકૃત કરવા માટે કાર્ડ ટ્રાન્ઝેક્શન ડેટાસેટનો ઉપયોગ કરીશું. અમે તેમના માટે અલગ-અલગ મોડલ પસંદ કરીશું અને પર્ફોર્મન્સ કર્વ્સ બનાવીશું.

મહેરબાની: R

ડેટાસેટ/પેકેજ: કાર્ડ વ્યવહારો ડેટાસેટ

11. મૂવી ભલામણ સિસ્ટમ

સ્રોત કોડ સાથે શ્રેષ્ઠ ડેટા સાયન્સ પ્રોજેક્ટના અમલીકરણનું અન્વેષણ કરો - ફિલ્મની ભલામણ સિસ્ટમમાં આર

આ ડેટા સાયન્સ પ્રોજેક્ટમાં, અમે મશીન લર્નિંગ દ્વારા મૂવીની ભલામણોને અમલમાં મૂકવા માટે R નો ઉપયોગ કરીશું. ભલામણ સિસ્ટમ અન્ય વપરાશકર્તાઓની પસંદગીઓ અને બ્રાઉઝિંગ ઇતિહાસના આધારે ફિલ્ટરિંગ પ્રક્રિયા દ્વારા વપરાશકર્તાઓને સૂચનો મોકલે છે. જો A અને Bને હોમ અલોન ગમે છે, અને B ને મીન ગર્લ્સ ગમે છે, તો તમે A ને સૂચવી શકો છો - તેમને પણ તે ગમશે. આનાથી ગ્રાહકો પ્લેટફોર્મ સાથે સંપર્ક કરી શકે છે.

મહેરબાની: R

ડેટાસેટ/પેકેજ: MovieLens ડેટાસેટ

12. ગ્રાહક વિભાજન

ડેટા સાયન્સ પ્રોજેક્ટ (સ્રોત કોડ સહિત) વડે નોકરીદાતાઓને પ્રભાવિત કરો - મશીન લર્નિંગ સાથે ગ્રાહકનું વિભાજન.

ખરીદનાર વિભાજન એક લોકપ્રિય એપ્લિકેશન છે દેખરેખ વિનાનું શિક્ષણ. ક્લસ્ટરિંગનો ઉપયોગ કરીને, કંપનીઓ સંભવિત વપરાશકર્તા આધાર સાથે કામ કરવા માટે ગ્રાહક વિભાગોને વ્યાખ્યાયિત કરે છે. તેઓ લિંગ, ઉંમર, રુચિઓ અને ખર્ચ કરવાની ટેવ જેવી સામાન્ય લાક્ષણિકતાઓ અનુસાર ગ્રાહકોને જૂથોમાં વિભાજિત કરે છે, જેથી તેઓ દરેક જૂથમાં તેમના ઉત્પાદનોનું અસરકારક રીતે માર્કેટિંગ કરી શકે. અમે ઉપયોગ કરીશું કે-મતલબ ક્લસ્ટરીંગ, તેમજ લિંગ અને વય દ્વારા વિતરણની કલ્પના કરો. અમે પછી તેમની વાર્ષિક આવક અને ખર્ચના સ્તરનું વિશ્લેષણ કરીએ છીએ.

મહેરબાની: R

ડેટાસેટ/પેકેજ: મૉલ_ગ્રાહક ડેટાસેટ

13. સ્તન કેન્સરનું વર્ગીકરણ

પાયથોન − માં ડેટા સાયન્સ પ્રોજેક્ટનું સંપૂર્ણ અમલીકરણ જુઓ ડીપ લર્નિંગનો ઉપયોગ કરીને સ્તન કેન્સરનું વર્ગીકરણ.

ડેટા સાયન્સના તબીબી યોગદાન પર પાછા ફરીએ, ચાલો જાણીએ કે પાયથોન વડે સ્તન કેન્સર કેવી રીતે શોધી શકાય. સ્તન કેન્સરનું સૌથી સામાન્ય સ્વરૂપ, આક્રમક ડક્ટલ કાર્સિનોમા શોધવા માટે અમે IDC_regular ડેટાસેટનો ઉપયોગ કરીશું. તે દૂધની નળીઓમાં વિકાસ પામે છે, નળીની બહાર સ્તનધારી ગ્રંથિના તંતુમય અથવા ચરબીયુક્ત પેશીઓમાં પ્રવેશ કરે છે. આ ડેટા કલેક્શન સાયન્સ પ્રોજેક્ટ આઈડિયામાં અમે ઉપયોગ કરીશું ડીપ લર્નિંગ અને વર્ગીકરણ માટે કેરાસ પુસ્તકાલય.

મહેરબાની: પાયથોન

ડેટાસેટ/પેકેજ: IDC_regular

14. ટ્રાફિક ચિહ્નોની ઓળખ

ડેટા સાયન્સ પ્રોજેક્ટ ચાલુ સાથે સ્વ-ડ્રાઇવિંગ કાર ટેક્નોલોજીમાં ચોકસાઇ હાંસલ કરવી CNN નો ઉપયોગ કરીને ટ્રાફિક સાઇન ઓળખ ખુલ્લા સ્ત્રોત.

અકસ્માતો ટાળવા માટે દરેક વાહન ચાલક માટે રોડ ચિહ્નો અને ટ્રાફિક નિયમો ખૂબ જ મહત્વપૂર્ણ છે. નિયમનું પાલન કરવા માટે, તમારે પહેલા રોડ સાઇન કેવો દેખાય છે તે સમજવાની જરૂર છે. વ્યક્તિને કોઈપણ વાહન ચલાવવાનો અધિકાર આપવામાં આવે તે પહેલાં તેણે તમામ રસ્તાના ચિહ્નો શીખવા જોઈએ. પરંતુ હવે સ્વાયત્ત વાહનોની સંખ્યા વધી રહી છે, અને નજીકના ભવિષ્યમાં, વ્યક્તિ હવે પોતાની જાતે કાર ચલાવશે નહીં. રોડ સાઇન રેકગ્નિશન પ્રોજેક્ટમાં, તમે શીખી શકશો કે પ્રોગ્રામ ઇનપુટ તરીકે ઇમેજ લઈને રોડ સાઇનના પ્રકારને કેવી રીતે ઓળખી શકે છે. જર્મન રોડ સાઇન રેકગ્નિશન રેફરન્સ ડેટાસેટ (GTSRB) નો ઉપયોગ ટ્રાફિક સાઇન જે વર્ગ સાથે સંબંધિત છે તેને ઓળખવા માટે ડીપ ન્યુરલ નેટવર્ક બનાવવા માટે થાય છે. અમે એપ્લિકેશન સાથે ક્રિયાપ્રતિક્રિયા કરવા માટે એક સરળ GUI પણ બનાવી રહ્યા છીએ.

મહેરબાની: પાયથોન

ડેટા સેટ: GTRB (જર્મન ટ્રાફિક સાઇન રેકગ્નિશન બેન્ચમાર્ક)

વધુ વાંચો

• તાલીમ પ્રોજેક્ટ માટે 52 ડેટાસેટ્સ
• ફ્રન્ટ-એન્ડ ડોજો: વિકાસકર્તા કૌશલ્યોને તાલીમ આપવા માટેના પ્રોજેક્ટ્સ (5 નવા + 43 જૂના)
• ટોચના 12 સૌથી રસપ્રદ આઇટી ડાયનેમિક ઇન્ફોગ્રાફિક્સ

સોર્સ: www.habr.com