{"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 migliorare 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<\/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 sentiment \u00e8 l'analisi delle parole per determinare stati d'animo e opinioni, che possono essere positivi o negativi. Si tratta di un tipo di classificazione in cui le classi possono essere binarie (positive e negative) o multiple (felici, arrabbiate, tristi, sgradevoli \u2026). Implementeremo questo progetto di Data Science in R e utilizzeremo un dataset dal pacchetto \u00abjaneaustenR\u00bb. Utilizzeremo dizionari generici come AFINN, bing e loughran, eseguiremo un inner join e alla fine creeremo una nuvola di parole per visualizzare il risultato.<\/p>\n

Lingua:<\/b> R
\nDataset\/Pacchetto:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\nL'articolo \u00e8 stato tradotto con il supporto dell'azienda EDISON Software, che crea camerini virtuali per negozi multimarca<\/a><\/noindex>, e inoltre testa il software<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Rilevamento di Notizie False<\/h3>\n

\nEleva le tue abilit\u00e0 a un nuovo livello lavorando su un progetto Data Science per principianti \u2014 rilevamento di notizie false con Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLe notizie false sono informazioni false diffuse tramite social media e altri media online per scopi politici. In questa idea di progetto Data Science, utilizzeremo Python per costruire un modello in grado di determinare con precisione se una notizia \u00e8 reale o falsa. Creeremo un TfidfVectorizer e utilizzeremo un PassiveAggressiveClassifier per classificare le notizie come 'reali' o 'falsi'. Utilizzeremo un dataset di dimensione 7796 \u00d7 4 e eseguiremo tutto in Jupyter Lab.<\/p>\n

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

Dataset\/Pacchetto:<\/b> news.csv<\/p>\n

3. Rilevamento della Malattia di Parkinson<\/h3>\n

\nProsegui lavorando su un'idea di progetto Data Science \u2014 rilevamento della malattia di Parkinson con XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nAbbiamo iniziato a utilizzare Data Science per migliorare la salute e i servizi \u2014 se riusciamo a prevedere la malattia in una fase precoce, avremo molti vantaggi. Quindi, in questa idea di progetto Data Science, impareremo a rilevare la malattia di Parkinson con Python. Questa \u00e8 una malattia neurodegenerativa progressiva del sistema nervoso centrale che influisce sul movimento, causando tremori e rigidit\u00e0. Colpisce i neuroni che producono dopamina nel cervello, e ogni anno coinvolge pi\u00f9 di 1 milione di persone in India.<\/p>\n

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

Dataset\/Pacchetto:<\/b> Dataset UCI ML Parkinsons<\/p>\n

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

4. Riconoscimento delle emozioni vocali<\/h3>\n

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

\"14
\n
\nImpariamo ora a utilizzare diverse librerie. Questo progetto di Data Science utilizza librosa per il riconoscimento vocale. SER \u00e8 il processo di identificazione delle emozioni umane e degli stati affettivi tramite la voce. Poich\u00e9 utilizziamo il tono e l'intonazione per esprimere emozioni vocali, il SER \u00e8 rilevante. Ma poich\u00e9 le emozioni sono soggettive, l'annotazione dell'audio \u00e8 un compito complesso. Utilizzeremo 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

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

Dataset\/Pacchetto:<\/b> Dataset RAVDESS<\/p>\n

5. Riconoscimento del genere e dell'et\u00e0<\/h3>\n

\nColpisci i datori di lavoro con il pi\u00f9 recente progetto di Data Science \u2014 determinazione del genere e dell'et\u00e0 utilizzando 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 progetto ti presenteremo la Computer Vision e i suoi principi. Costruiremo una rete neurale convoluzionale<\/a><\/noindex> e utilizzeremo 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

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

Dataset\/Pacchetto:<\/b> Adience<\/p>\n

6. Analisi dei dati di Uber<\/h3>\n

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

\"14
\n
\nQuesto \u00e8 un progetto di visualizzazione dei dati con ggplot2, nel quale utilizzeremo R e le sue librerie per analizzare diversi parametri. Utilizzeremo il dataset Uber Pickups di New York e creeremo visualizzazioni per vari periodi dell'anno. Questo ci dice come il tempo influisce sugli spostamenti dei clienti.<\/p>\n

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

Dataset\/Pacchetto:<\/b> Dataset Uber Pickups a New York City<\/p>\n

7. Rilevamento della sonnolenza del conducente<\/h3>\n

\nMigliora le tue abilit\u00e0 lavorando su un progetto di Data Science di alta qualit\u00e0 \u2014 sistema di rilevamento della sonnolenza con OpenCV e Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nGuidare stanco \u00e8 estremamente pericoloso e ogni anno si verificano circa mille incidenti a causa di guidatori che si addormentano mentre guidano. In questo progetto in Python, creeremo un sistema in grado di rilevare i guidatori assonnati e di avvertirli con un segnale acustico.<\/p>\n

Questo progetto \u00e8 realizzato utilizzando Keras e OpenCV. Utilizzeremo OpenCV per il rilevamento di volti e occhi, mentre con Keras classificheremo lo stato dell'occhio (Aperto o Chiuso) utilizzando metodi di reti neurali profonde.<\/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 integrante del business. Molte aziende devono offrire servizi ai propri clienti, e per assisterli \u00e8 necessaria molta manodopera, tempo e sforzi. I chatbot possono automatizzare gran parte delle interazioni con i clienti, rispondendo a alcune domande frequenti che gli utenti pongono. In generale, esistono due tipi di chatbot: specifici per dominio e open-domain. I chatbot specifici per dominio vengono spesso utilizzati per risolvere problemi specifici, quindi \u00e8 necessario configurarli per funzionare in modo efficace nel proprio settore. I chatbot open-domain possono ricevere qualsiasi domanda, quindi per il loro addestramento \u00e8 necessario un'enorme quantit\u00e0 di dati.<\/p>\n

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

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

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

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

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

\"14
\n
\nDescrivere cosa c'\u00e8 in un'immagine \u00e8 un compito facile per gli esseri umani, ma per i computer, un'immagine \u00e8 semplicemente un insieme di numeri che rappresentano il valore del colore di ogni pixel. \u00c8 un compito difficile per i computer. Comprendere cosa c'\u00e8 in un'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 creare un generatore di descrizioni di immagini.<\/p>\n

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

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

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

10. Rilevamento delle frodi con carte di credito<\/h3>\n

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

\"14
\n
\nFino a questo punto 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 boosting gradiente. Useremo un set di dati sulle transazioni con carte per classificare le transazioni delle carte di credito come fraudolente e autentiche. Adotteremo diversi modelli e costruiremo curve di performance.<\/p>\n

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

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

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

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

\"14
\n
\nIn questo progetto di 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 ad A e B piace Mamma, ho preso il morbillo, e a B piace Mean Girls, allora possiamo suggerire a A che potrebbe piacerle anche. Ci\u00f2 consente ai clienti di interagire con la piattaforma.<\/p>\n

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

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

12. Segmentazione dei Clienti<\/h3>\n

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

\"14
\n
\nLa segmentazione dei clienti \u00e8 un'applicazione popolare di apprendimento non supervisionato.<\/a><\/noindex>Utilizzando la clustering, le aziende identificano segmenti di clienti per lavorare su una potenziale base di utenti. Suddividono i clienti in gruppi in base a caratteristiche comuni, come genere, et\u00e0, interessi e abitudini di spesa, in modo da poter vendere i loro prodotti in modo efficace a ciascun gruppo. Utilizzeremo la clustering K-means<\/a><\/noindex>, oltre a visualizzare la distribuzione per genere ed et\u00e0. Analizzeremo poi i loro redditi annuali e livelli di spesa.<\/p>\n

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

Dataset\/Pacchetto:<\/b> Set di dati Mall_Customers<\/p>\n

13. Classificazione del Cancro al Seno<\/h3>\n

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

\"14
\n
\nTornando al contributo medico della scienza dei dati, impariamo a rilevare il cancro al seno utilizzando Python. Useremo il dataset 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 dall'esterno del dotto. In questa idea di progetto scientifico di raccolta dati utilizzeremo Deep Learning<\/a><\/noindex> e la libreria Keras per la classificazione.<\/p>\n

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

Dataset\/Pacchetto:<\/b> IDC_regular<\/p>\n

14. Riconoscimento dei segnali stradali<\/h3>\n

\nraggiungere un'accuratezza 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 stradali sono molto importanti per ogni conducente per evitare incidenti. Per seguire le regole, prima \u00e8 necessario comprendere come appare un segnale stradale. Una persona deve memorizzare tutti i segnali stradali prima che le venga rilasciata la patente di guida per qualsiasi veicolo. Ma ora il numero di veicoli autonomi \u00e8 in crescita e nel prossimo futuro una persona non guider\u00e0 pi\u00f9 la macchina autonomamente. Nel progetto 'Riconoscimento dei segnali stradali', scoprirete come un programma pu\u00f2 riconoscere il tipo di segnali stradali, prendendo un'immagine come input. Il dataset di riferimento per il riconoscimento dei segnali stradali in Germania (GTSRB) \u00e8 utilizzato per costruire una rete neurale profonda per riconoscere la classe a cui appartiene il segnale stradale. Creiamo anche una semplice interfaccia grafica per interagire con l'applicazione.<\/p>\n

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

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

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

<\/p>\n