{"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\/it\/blog\/news\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 progetti open-source per potenziare le competenze in Data Science (facile, normale, difficile)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Data Science per principianti<\/i><\/p>\n

1. Analisi del Sentiment (Sentiment Analysis tramite testo)<\/h3>\n

\n\"14
\n
\nGuarda l'implementazione completa del progetto Data Science utilizzando il codice sorgente \u2014 Progetto di Analisi del Sentiment in R<\/a><\/noindex>.<\/p>\n

L'analisi del sentimento \u00e8 uno studio delle parole per determinare le emozioni e le opinioni, che possono essere positive o negative. Si tratta di un tipo di classificazione in cui le classi possono essere binarie (positive e negative) o multiple (felici, arrabbiate, tristi, sgradevoli \u2026). Realizzeremo questo progetto di Data Science in linguaggio R e utilizzeremo un set di dati del pacchetto \"janeaustenR\". Useremo dizionari generali come AFINN, bing e loughran, eseguiremo un join interno e infine creeremo una nuvola di parole per visualizzare il risultato.<\/p>\n

Linguaggio:<\/b> R
\nInsieme di dati\/Pacchetto:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\nL'articolo \u00e8 stato tradotto con il supporto di EDISON Software, che crea camerini virtuali per negozi multi-brand.<\/a><\/noindex>, cos\u00ec come testa software.<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Rilevamento di Fake News (Fake News Detection)<\/h3>\n

\nPorta le tue competenze a un livello superiore lavorando a un progetto Data Science per principianti \u2014 rilevamento di notizie false utilizzando Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLe notizie false sono informazioni errate diffuse attraverso i social media e altri mezzi di comunicazione online per raggiungere obiettivi politici. In questa idea di progetto di Data Science, utilizzeremo Python per costruire un modello in grado di determinare con precisione se una notizia \u00e8 vera o falsa. Creeremo un TfidfVectorizer e utilizzeremo un PassiveAggressiveClassifier per classificare le notizie in \"vere\" e \"false\". Useremo un dataset di dimensione 7796 \u00d7 4 e faremo tutto in Jupyter Lab.<\/p>\n

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

Insieme di dati\/Pacchetto:<\/b> news.csv<\/p>\n

3. Rilevazione della malattia di Parkinson<\/h3>\n

\nAvanza lavorando sull'idea del progetto di Data Science \u2014 rilevazione della malattia di Parkinson con XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nAbbiamo iniziato a utilizzare la Data Science per migliorare la sanit\u00e0 e i servizi: se possiamo prevedere le malattie in fase precoce, possiamo ottenere molti vantaggi. Quindi, in questa idea di progetto di Data Science, impareremo a identificare la malattia di Parkinson utilizzando Python. Si tratta di una malattia neurodegenerativa progressiva del sistema nervoso centrale che influisce sul movimento e provoca tremori e rigidit\u00e0. Essa colpisce i neuroni produttori di dopamina nel cervello e ogni anno tocca oltre 1 milione di persone in India.<\/p>\n

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

Insieme di dati\/Pacchetto:<\/b> UCI ML Parkinsons dataset<\/p>\n

Progetti di Data Science di media complessit\u00e0<\/i><\/p>\n

4. Speech Emotion Recognition<\/h3>\n

\nScopri l'implementazione completa dell'esempio di progetto Data Science \u2014 riconoscimento vocale con Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nOra impariamo a utilizzare diverse librerie. Questo progetto di Data Science utilizza librosa per il riconoscimento vocale. SER \u00e8 il processo di individuazione delle emozioni umane e degli stati affettivi attraverso la voce. Poich\u00e9 utilizziamo il tono e l'intonazione per esprimere emozioni vocali, il SER \u00e8 rilevante. Tuttavia, poich\u00e9 le emozioni sono soggettive, l'annotazione del suono \u00e8 un compito complesso. Useremo le funzioni mfcc, chroma e mel e utilizzeremo il dataset RAVDESS per il riconoscimento delle emozioni. Creeremo un classificatore MLPC per questo modello.<\/p>\n

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

Insieme di dati\/Pacchetto:<\/b> RAVDESS dataset<\/p>\n

5. Gender and Age Detection (Rilevamento del genere e dell'et\u00e0)<\/h3>\n

\nImpressiona i datori di lavoro con il tuo ultimo progetto di Data Science \u2014 rilevazione del genere e dell'et\u00e0 con OpenCV<\/a><\/noindex>.<\/p>\n

\"14
\n
\nQuesto \u00e8 un interessante progetto di Data Science con Python. Utilizzando solo un'immagine, imparerai a prevedere il genere e l'et\u00e0 di una persona. In questo, ti introdurremo alla Computer Vision e ai suoi principi. Costruiremo una rete neurale convoluzionale<\/a><\/noindex> e useremo modelli addestrati da Tal Hassner e Gil Levi per il dataset Adience. Durante il percorso utilizzeremo alcuni file .pb, .pbtxt, .prototxt e .caffemodel.<\/p>\n

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

Insieme di dati\/Pacchetto:<\/b> Adience<\/p>\n

6. Uber Data Analysis (Analisi dei dati Uber)<\/h3>\n

\nScopri l'implementazione completa del progetto Data Science con codice sorgente \u2014 Progetto di Analisi Uber in R<\/a><\/noindex>.<\/p>\n

\"14
\n
\nQuesto \u00e8 un progetto di visualizzazione dati con ggplot2, in cui utilizzeremo R e le sue librerie per analizzare vari parametri. Useremo il set di dati Uber Pickups a New York e creeremo visualizzazioni per diverse fasce orarie dell'anno. Questo ci informera\u0300 su come il tempo influenza i viaggi dei clienti.<\/p>\n

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

Insieme di dati\/Pacchetto:<\/b> set di dati Uber Pickups a New York City<\/p>\n

7. Rilevamento della sonnolenza dei conducenti<\/h3>\n

\nMigliora le tue competenze lavorando su un Top Data Science Project \u2014 sistema di rilevamento della sonnolenza con OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLa guida assonnata \u00e8 estremamente pericolosa, e ogni anno si verificano circa mille incidenti a causa di conducenti che si addormentano durante la guida. In questo progetto Python creeremo un sistema che potr\u00e0 rilevare i conducenti assonnati e avvisarli con un segnale acustico.<\/p>\n

Questo progetto \u00e8 realizzato con Keras e OpenCV. Useremo OpenCV per rilevare il volto e gli occhi, mentre con Keras classificheremo lo stato dell'occhio (Aperto o Chiuso) utilizzando metodi di rete neurale profonda.<\/p>\n

8. Chatbot<\/h3>\n

\nCrea un chatbot con Python e fai un passo avanti nella tua carriera \u2014 Chatbot con NLTK & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nI chatbot sono una parte fondamentale del business. Molte aziende devono offrire servizi ai propri clienti, e per gestirli \u00e8 necessario un notevole impegno di risorse umane, tempo e sforzi. I chatbot possono automatizzare gran parte delle interazioni con i clienti, rispondendo ad alcune delle domande pi\u00f9 frequenti poste dai clienti. Esistono fondamentalmente due tipi di chatbot: specifici per dominio e a dominio aperto. I chatbot specifici per dominio sono spesso utilizzati per risolvere problemi specifici. Pertanto, \u00e8 necessario configurarli per funzionare in modo efficace nel proprio settore. I chatbot a dominio aperto possono ricevere domande di qualsiasi tipo, quindi per il loro training \u00e8 necessario un enorme quantit\u00e0 di dati.<\/p>\n

Set di dati:<\/b> File json degli intenti<\/p>\n

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

Progetti avanzati di Data Science<\/i><\/p>\n

9. Generatore di descrizioni delle immagini<\/h3>\n

\nControlla l'implementazione completa del progetto con il codice sorgente \u2014 Generatore di descrizioni delle immagini con CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDescrivere ci\u00f2 che \u00e8 presente nell'immagine \u00e8 un compito facile per le persone, ma per i computer, l'immagine \u00e8 semplicemente un insieme di numeri che rappresentano il valore di colore di ciascun pixel. Comprendere cosa c'\u00e8 nell'immagine e poi creare una descrizione in linguaggio naturale (ad esempio in inglese) \u00e8 un'altra sfida complessa. Questo progetto utilizza metodi di deep learning in cui implementiamo una Rete Neurale Convoluzionale (CNN) con una Rete Neurale Ricorrente (LSTM) per generare descrizioni delle immagini.<\/p>\n

Set di dati:<\/b> Flickr 8K<\/p>\n

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

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

10. Credit Card Fraud Detection<\/h3>\n

\nFai del tuo meglio lavorando sull'idea del progetto Data Science \u2014 rilevamento delle frodi con carta di credito tramite machine learning<\/a><\/noindex>.<\/p>\n

\"14
\n
\nFino ad ora hai iniziato a comprendere i metodi e i concetti. Passiamo ad alcuni progetti avanzati nel campo della scienza dei dati. In questo progetto utilizzeremo il linguaggio R con algoritmi come gli alberi decisionali<\/a><\/noindex>, regressione logistica, reti neurali artificiali e classificatore di gradient boosting. Utilizzeremo un dataset di transazioni con carte per classificare le transazioni delle carte di credito come fraudolente e genuine. Selezioneremo diversi modelli e costruiremo curve di prestazione.<\/p>\n

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

Insieme di dati\/Pacchetto:<\/b> Dataset sulle transazioni con carte<\/p>\n

11. Sistema di Raccomandazione di Film<\/h3>\n

\nScopri l'implementazione del miglior progetto Data Science con codice sorgente \u2014 Sistema di Raccomandazione di Film in R<\/a><\/noindex><\/p>\n

\"14
\n
\nIn questo progetto Data Science utilizzeremo R per effettuare raccomandazioni di film tramite machine learning. Il sistema di raccomandazione invia suggerimenti agli utenti attraverso un processo di filtraggio, basato sulle preferenze di altri utenti e sulla cronologia delle visualizzazioni. Se A e B amano Home Alone, e B ama Mean Girls, potremmo consigliare a A \u2014 potrebbero piacergli anche. Questo permette ai clienti di interagire con la piattaforma.<\/p>\n

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

Insieme di dati\/Pacchetto:<\/b> Dataset MovieLens<\/p>\n

12. Segmentazione Clienti<\/h3>\n

\nImpressiona i datori di lavoro con un progetto Data Science (incluso codice sorgente) \u2014 Segmentazione dei clienti tramite machine learning<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLa segmentazione dei clienti \u00e8 un'applicazione popolare del machine learning non supervisionato<\/a><\/noindex>. Utilizzando la clustering, le aziende definiscono i segmenti di clientela per lavorare con un potenziale bacino di utenti. Dividono i clienti in gruppi in base a caratteristiche comuni, come sesso, et\u00e0, interessi e abitudini di spesa, affinch\u00e9 possano vendere efficacemente i loro prodotti a ciascun gruppo. Utilizzeremo il clustering K-means<\/a><\/noindex>, e visualizzeremo quindi la distribuzione per sesso e et\u00e0. Successivamente, analizzeremo i loro redditi annuali e il livello di spesa.<\/p>\n

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

Insieme di dati\/Pacchetto:<\/b> il dataset Mall_Customers<\/p>\n

13. Classificazione del cancro al seno<\/h3>\n

\nGuarda l'implementazione completa del progetto Data Science in Python \u2014 Classificazione del cancro al seno tramite deep learning<\/a><\/noindex>.<\/p>\n

\"14
\n
\nTornando al contributo della scienza dei dati in medicina, impariamo a rilevare il cancro al seno utilizzando Python. Useremo il set di dati IDC_regular per identificare il carcinoma duttale invasivo, la forma pi\u00f9 comune di cancro al seno. Si sviluppa nei dotti mammari, penetrando nel tessuto fibroso o adiposo del seno al di fuori del dotto. In questa idea di progetto scientifico per la raccolta di dati, useremo Deep Learning<\/a><\/noindex> e la libreria Keras per la classificazione.<\/p>\n

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

Insieme di dati\/Pacchetto:<\/b> IDC_regular<\/p>\n

14. Riconoscimento dei Segnali Stradali<\/h3>\n

\nRaggiungere precisione nella tecnologia di guida autonoma attraverso un progetto di Data Science per il riconoscimento dei segnali stradali utilizzando CNN<\/a><\/noindex> open source.<\/p>\n

\"14
\n
\nI segnali stradali e le norme del traffico sono fondamentali per ogni automobilista per evitare incidenti. Per rispettare la regola, \u00e8 importante capire prima come appare un segnale stradale. \u00c8 necessario che una persona impari tutti i segnali prima di ottenere la patente per guidare qualsiasi veicolo. Tuttavia, ora con l'aumento dei veicoli autonomi, in un futuro prossimo la gente non guider\u00e0 pi\u00f9 da sola. Nel progetto \"Riconoscimento dei segnali stradali\" scoprirai come un programma pu\u00f2 riconoscere il tipo di segnale stradale, utilizzando l'immagine come input. Il set di dati di riconoscimento dei segnali stradali tedeschi (GTSRB) \u00e8 utilizzato per costruire una rete neurale profonda per riconoscere la classe a cui appartiene il segnale. Creeremo anche una semplice interfaccia grafica per interagire con l'applicazione.<\/p>\n

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

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

Leggi di pi\u00f9<\/h3>\n

<\/p>\n