{"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\/hr\/blog\/news\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 open-source projekata za unapre\u0111enje vje\u0161tina u Data Science (lako, normalno, te\u0161ko)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Data Science za po\u010detnike<\/i><\/p>\n

1. Analiza Sentimenta (Analiza osje\u0107aja putem teksta)<\/h3>\n

\n\"14
\n
\nPogledajte cjelovitu implementaciju projekta Data Science koriste\u0107i izvorni kod \u2014 Projekt analize sentimenta u R<\/a><\/noindex>.<\/p>\n

Analiza Sentimenata \u2014 to je analiza re\u010di koja odre\u0111uje ose\u0107anja i mi\u0161ljenja, koja mogu biti pozitivna ili negativna. Ovo je vrsta klasifikacije gde klase mogu biti binarne (pozitivne i negativne) ili vi\u0161estruke (sre\u0107ne, ljute, tu\u017ene, neprijatne ...). Ovaj Data Science projekt \u0107emo realizovati na jeziku R i koristi\u0107emo skup podataka iz paketa \u201ejaneaustenR\u201c. Koristi\u0107emo op\u0161te re\u010dnike, kao \u0161to su AFINN, bing i loughran, izvr\u0161i\u0107emo unutra\u0161nje spajanje, a na kraju \u0107emo kreirati oblak re\u010di kako bismo prikazali rezultate.<\/p>\n

Jezik:<\/b> R
\nSkup podataka\/Paket:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\n\u010clanak je preveden uz podr\u0161ku kompanije EDISON Software, koja izra\u0111uje virtualne kabine za vi\u0161e brendova<\/a><\/noindex>, kao i testira softver<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Otkrivanje la\u017enih vijesti (Detection of Fake News)<\/h3>\n

\nPodi\u017eite svoje vje\u0161tine na vi\u0161u razinu rade\u0107i na projektu Data Science za po\u010detnike \u2014 otkrivanje la\u017enih vijesti koriste\u0107i Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLa\u017ene vijesti su la\u017ene informacije koje se \u0161ire putem dru\u0161tvenih mre\u017ea i drugih mre\u017enih medija s politi\u010dkim ciljevima. U ovoj ideji projekta Data Science koristit \u0107emo Python za izradu modela koji mo\u017ee to\u010dno odrediti je li vijest stvarna ili la\u017ena. Stvorit \u0107emo TfidfVectorizer i koristiti PassiveAggressiveClassifier za klasifikaciju vijesti kao \u201estvarne\u201c ili \u201ela\u017ene\u201c. Koristit \u0107emo skup podataka u obliku 7796 \u00d7 4 i sve \u0107e se izvesti u Jupyter Labu.<\/p>\n

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

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

3. Otkrivanje Parkinsonove bolesti (Detection of Parkinson\u2019s Disease)<\/h3>\n

\nNapredujte rade\u0107i na ideji projekta Data Science Project Idea \u2014 otkrivanje Parkinsonove bolesti koriste\u0107i XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nZapo\u010deli smo koristiti Data Science za pobolj\u0161anje zdravstva i usluga \u2014 ako mo\u017eemo predvidjeti bolest u ranoj fazi, imat \u0107emo mnoge prednosti. Dakle, u ovoj ideji projekta u podru\u010dju Data Science u\u010dit \u0107emo kako prepoznati Parkinsonovu bolest pomo\u0107u Pythona. Ovo je neurodegenerativna, progresivna bolest sredi\u0161njeg \u017eiv\u010danog sustava koja utje\u010de na pokret i uzrokuje drhtanje i uko\u010denost. Utje\u010de na neurone koji proizvode dopamin u mozgu, a svake godine zahva\u0107a vi\u0161e od 1 milijun ljudi u Indiji.<\/p>\n

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

Skup podataka\/Paket:<\/b> UCI ML Parkinsons dataset<\/p>\n

Projekti Data Science srednje slo\u017eenosti<\/i><\/p>\n

4. Prepoznavanje emocija iz govora<\/h3>\n

\nPogledajte potpunu implementaciju primjera projekta Data Science \u2014 prepoznavanje govora pomo\u0107u Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nSada \u0107emo nau\u010diti koristiti razli\u010dite biblioteke. Ovaj projekt Data Science koristi librosa za prepoznavanje govora. SER je proces odre\u0111ivanja ljudskih emocija i afektivnih stanja temeljem govora. Kako koristimo ton i visinu tona za izra\u017eavanje emocija glasom, SER je relevantan. No, s obzirom da su emocije subjektivne, ozna\u010davanje zvuka predstavlja slo\u017een zadatak. Koristit \u0107emo funkcije mfcc, chroma i mel i upotrijebiti RAVDESS set podataka za prepoznavanje emocija. Izradit \u0107emo MLPC klasifikator za ovaj model.<\/p>\n

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

Skup podataka\/Paket:<\/b> RAVDESS dataset<\/p>\n

5. Otkrivanje Spola i Uzrasta<\/h3>\n

\nImpresionirajte poslodavce najnovijim projektom Data Science \u2014 odre\u0111ivanje spola i uzrasta pomo\u0107u OpenCV-a<\/a><\/noindex>.<\/p>\n

\"14
\n
\nOvo je zanimljiv projekt Data Science s Pythonom. Koriste\u0107i samo jednu sliku, nau\u010dit \u0107ete predvi\u0111ati spol i uzrast osobe. U ovom projektu upoznat \u0107emo vas s ra\u010dunalnom vizijom i njezinim principima. Izradit \u0107emo konvolucijsku neuronsku mre\u017eu<\/a><\/noindex> i koristiti modele koje su obu\u010dili Tal Hassner i Gil Levi za set podataka Adience. Usput \u0107emo koristiti neke datoteke .pb, .pbtxt, .prototxt i .caffemodel.<\/p>\n

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

Skup podataka\/Paket:<\/b> Adience<\/p>\n

6. Analiza podataka Ubera<\/h3>\n

\nPogledajte potpunu implementaciju projekta Data Science s izvorni kodom \u2014 Projekt analize podataka Ubera u R-u<\/a><\/noindex>.<\/p>\n

\"14
\n
\nOvo je projekt vizualizacije podataka s ggplot2, u kojem \u0107emo koristiti R i njegove biblioteke i analizirati razli\u010dite parametre. Koristit \u0107emo set podataka Uber Pickups u New Yorku i stvarati vizualizacije za razli\u010dite vremenske okvire u godini. To nam govori kako vrijeme utje\u010de na vo\u017enje korisnika.<\/p>\n

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

Skup podataka\/Paket:<\/b> Uber Pickups in New York City dataset<\/p>\n

7. Detekcija umora voza\u010da<\/h3>\n

\nUsavr\u0161ite svoje ve\u0161tine rade\u0107i na vrhunskom Data Science projektu \u2014 sistemom detekcije umora sa OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nVo\u017enja u stanju umora je izuzetno opasna i svake godine se desi oko hiljadu nesre\u0107a zbog toga \u0161to voza\u010di zaspe za volanom. U ovom projektu na Pythonu, kreira\u0107emo sistem koji mo\u017ee detektovati umorne voza\u010de i obavestiti ih zvu\u010dnim signalom.<\/p>\n

Ovaj projekat je realizovan uz pomo\u0107 Keras i OpenCV. Koristi\u0107emo OpenCV za detekciju lica i o\u010diju, dok \u0107emo pomo\u0107u Keras-a klasifikovati stanje oko (Otvoreno ili Zatvoreno) koriste\u0107i metode dubokih neuronskih mre\u017ea.<\/p>\n

8. \u010cat-bot<\/h3>\n

\nKreirajte \u010dat-bota koriste\u0107i Python i napravi korak napred u svojoj karijeri \u2014 \u010cat-bot sa NLTK & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\n\u010cat-botovi su neizostavni deo poslovanja. Mnogim preduze\u0107ima je potrebno pru\u017eiti usluge svojim klijentima, a to zahteva mnogo radne snage, vremena i truda. \u010cat-botovi mogu automatizovati veliki deo interakcije sa klijentima, odgovaraju\u0107i na neka \u010desta pitanja koja postavljaju klijenti. Uglavnom postoje dve vrste \u010dat-botova: specifi\u010dni za oblast i otvoreni. Specifi\u010dni \u010dat-bot se \u010desto koristi za re\u0161avanje odre\u0111enog problema, pa ga treba prilagoditi za efikasno delovanje u va\u0161oj oblasti. Otvorenim \u010dat-botovima mogu se postavljati bilo kakva pitanja, tako da je za njihovo obu\u010davanje potrebno ogromno koli\u010dine podataka.<\/p>\n

Skup podataka:<\/b> Intents json datoteka<\/p>\n

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

Napredni Data Science projekti<\/i><\/p>\n

9. Generator opisa slike<\/h3>\n

\nPogledajte potpunu realizaciju projekta sa izvorom \u2014 Generator opisa slike sa CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nOpis onoga \u0161to se nalazi na slici je lak zadatak za ljude, ali za ra\u010dunare, slika je samo skup brojeva koji predstavljaju vrednost boje svakog piksela. Ovo je te\u017eak zadatak za ra\u010dunare. Razumeti \u0161ta se nalazi na slici i zatim stvoriti opis na prirodnom jeziku (na primer, na engleskom) je jo\u0161 jedan te\u017eak zadatak. Ovaj projekat koristi metode dubokog u\u010denja, gde implementiramo Konvolucijsku neuronsku mre\u017eu (CNN) sa rekurentnom neuronskom mre\u017eom (LSTM) za kreiranje generatora opisa slike.<\/p>\n

Skup podataka:<\/b> Flickr 8K<\/p>\n

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

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

10. Otkrivanje prijevara kreditnim karticama<\/h3>\n

\nU\u010dinite sve \u0161to je mogu\u0107e rade\u0107i na ideji projekta Data Science \u2014 otkrivanje prijevara kreditnim karticama pomo\u0107u strojnog u\u010denja<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDo sada ste po\u010deli razumijevati metode i koncepte. Pre\u0111imo na nekoliko naprednih projekata u znanosti o podacima. U ovom projektu koristit \u0107emo R jezik s algoritmima poput stabla odlu\u010divanja<\/a><\/noindex>, logisti\u010dke regresije, umjetnih neuronskih mre\u017ea i klasifikatora gradijentnog pove\u0107anja. Koristit \u0107emo skup podataka o transakcijama karticama kako bismo klasificirali transakcije kreditnim karticama kao prijevare ili autenti\u010dne. Prona\u0107i \u0107emo razli\u010dite modele i izgraditi krivulje performansi.<\/p>\n

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

Skup podataka\/Paket:<\/b> Skup podataka o transakcijama karticama<\/p>\n

11. Sustav preporuka filmova<\/h3>\n

\nIstra\u017eite implementaciju najboljeg Data Science projekta s izvornim kodom \u2014 Sustav preporuka filmova na jeziku R<\/a><\/noindex><\/p>\n

\"14
\n
\nU ovom projektu znanosti o podacima koristit \u0107emo R kako bismo izvr\u0161ili preporu\u010divanje filmova putem strojnog u\u010denja. Sustav preporuka \u0161alje prijedloge korisnicima putem procesa filtriranja, temeljenog na preferencijama drugih korisnika i povijesti gledanja. Ako se A i B svi\u0111a Sam u Ku\u0107i, a B voli Zle Cure, A mo\u017ee biti predlo\u017een \u2014 mo\u017eda \u0107e im se i to svidjeti. To omogu\u0107uje kupcima da komuniciraju s platformom.<\/p>\n

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

Skup podataka\/Paket:<\/b> Skup podataka MovieLens<\/p>\n

12. Segmentacija kupaca<\/h3>\n

\nImpresionirajte poslodavce projektom iz podru\u010dja Data Science (uklju\u010duju\u0107i izvorni kod) \u2014 Segmentacija kupaca pomo\u0107u strojnog u\u010denja<\/a><\/noindex>.<\/p>\n

\"14
\n
\nSegmentacija kupaca je popularna primjena nepratljenog u\u010denja.<\/a><\/noindex>Kori\u0161tenjem klasterizacije, tvrtke definiraju segmente kupaca za rad s potencijalnom bazom korisnika. Dijele kupce u grupe prema zajedni\u010dkim obilje\u017ejima, kao \u0161to su spol, dob, interesi i potro\u0161a\u010dke navike, kako bi u\u010dinkovito prodavali svoje proizvode svakoj grupi. Koristit \u0107emo K-means klasterizaciju<\/a><\/noindex>, kao i vizualizirati raspodjelu prema spolu i dobi. Zatim \u0107emo analizirati njihove godi\u0161nje prihode i razinu tro\u0161kova.<\/p>\n

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

Skup podataka\/Paket:<\/b> Skup podataka Mall_Customers<\/p>\n

13. Klasifikacija raka dojke<\/h3>\n

\nPogledajte potpunu implementaciju projekta Data Science u Pythonu \u2014 Klasifikacija raka dojke pomo\u0107u dubokog u\u010denja<\/a><\/noindex>.<\/p>\n

\"14
\n
\nVra\u0107aju\u0107i se na medicinski doprinos znanosti o podacima, nau\u010dimo kako otkriti rak dojke pomo\u0107u Pythona. Koristit \u0107emo set podataka IDC_regular za otkrivanje invazivne karcinome ductus, naj\u010de\u0161\u0107eg oblika raka dojke. Razvija se u mlije\u010dnim kanalima, prodiru\u0107i u vlaknasto ili masno tkivo dojke izvan kanala. U ovoj ideji znanstvenog projekta prikupljanja podataka koristit \u0107emo Duboko u\u010denje<\/a><\/noindex> i biblioteku Keras za klasifikaciju.<\/p>\n

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

Skup podataka\/Paket:<\/b> IDC_regular<\/p>\n

14. Prepoznavanje prometnih znakova<\/h3>\n

\nPostizanje preciznosti u tehnologiji autonomnog upravljanja vozilom putem projekta Data Science za prepoznavanje prometnih znakova koriste\u0107i CNN<\/a><\/noindex> s otvorenim izvorom.<\/p>\n

\"14
\n
\nPrometni znaci i prometna pravila vrlo su va\u017eni za svakog voza\u010da kako bi se izbjegle nesre\u0107e. Da biste slijedili pravilo, prvo morate razumjeti kako izgleda prometni znak. Osoba mora nau\u010diti sve prometne znakove prije nego \u0161to joj se daju voza\u010dke dozvole za upravljanje bilo kojim vozilom. No, trenuta\u010dno raste broj autonomnih vozila, i u bliskoj budu\u0107nosti ljudi vi\u0161e ne\u0107e samostalno upravljati automobilima. U projektu 'Prepoznavanje prometnih znakova' nau\u010dit \u0107ete kako program mo\u017ee prepoznati tip prometnog znaka prihva\u0107aju\u0107i sliku kao ulazni signal. Skup kontrolnih podataka o prepoznavanju prometnih znakova u Njema\u010dkoj (GTSRB) koristi se za izgradnju duboke neuronske mre\u017ee za prepoznavanje klase kojoj prometni znak pripada. Tako\u0111er stvaramo jednostavno grafi\u010dko su\u010delje za interakciju s aplikacijom.<\/p>\n

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

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

Pro\u010ditajte vi\u0161e<\/h3>\n

<\/p>\n