{"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\/nl\/blog\/news\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 open-source projecten om je Data Science vaardigheden te verbeteren (easy, normal, hard)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Data Science voor beginners<\/i><\/p>\n

1. Sentimentanalyse (Analyse van gevoelens via tekst)<\/h3>\n

\n\"14
\n
\nBekijk de volledige implementatie van het Data Science project met behulp van de broncode \u2014 Sentimentanalyse Project in R<\/a><\/noindex>.<\/p>\n

Sentiment Analysis is de analyse van woorden om emoties en meningen te bepalen, die zowel positief als negatief kunnen zijn. Dit is een soort classificatie waarbij de klassen binair (positief en negatief) of meervoudig (blij, boos, verdrietig, vervelend ...) kunnen zijn. We implementeren dit Data Science-project in de programmeertaal R en zullen gebruikmaken van een dataset in het pakket 'janeaustenR'. We zullen gebruikmaken van algemene woordenboeken, zoals AFINN, bing en loughran, een interne join uitvoeren, en aan het eind zullen we een woordwolk cre\u00ebren om het resultaat weer te geven.<\/p>\n

Taal:<\/b> R
\nDataset\/Pakket:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\nDit artikel is vertaald met de ondersteuning van EDISON Software, dat maakt virtuele paskamers voor multimerken winkels<\/a><\/noindex>, evenals test software<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Fake News Detectie (Detectie van nepnieuws)<\/h3>\n

\nTil je vaardigheden naar een hoger niveau door te werken aan een Data Science project voor beginners \u2014 detectie van nepnieuws met Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nNepnieuws is valse informatie die via sociale media en andere online media wordt verspreid voor politieke doeleinden. In dit idee voor een Data Science project zullen we Python gebruiken om een model te bouwen dat nauwkeurig kan bepalen of een nieuwsbericht echt of nep is. We zullen TfidfVectorizer maken en PassiveAggressiveClassifier gebruiken om nieuws te classificeren als 'echt' of 'nep'. We zullen een dataset van 7796 \u00d7 4 gebruiken en alles uitvoeren in Jupyter Lab.<\/p>\n

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

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

3. Detecteren van de ziekte van Parkinson (Detectie van Parkinson's ziekte)<\/h3>\n

\nBeweeg vooruit door te werken aan het idee voor een Data Science Project \u2014 detectie van de ziekte van Parkinson met XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nWe zijn Data Science gaan gebruiken om de gezondheidszorg en diensten te verbeteren \u2014 als we een ziekte in een vroeg stadium kunnen voorspellen, hebben we veel voordelen. In dit Data Science-project leren we de ziekte van Parkinson te identificeren met behulp van Python. Dit is een neurodegeneratieve, progressieve aandoening van het centrale zenuwstelsel die de beweging be\u00efnvloedt en trillingen en stijfheid veroorzaakt. Het heeft invloed op de dopamine-producerende neuronen in de hersenen en ieder jaar raakt het meer dan 1 miljoen mensen in India.<\/p>\n

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

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

Data Science-projecten van gemiddelde complexiteit<\/i><\/p>\n

4. Speech Emotion Recognition (Emotieherkenning uit spraak)<\/h3>\n

\nBekijk de volledige uitvoering van het Data Science-project \u2014 spraakherkenning met Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLaten we nu leren hoe we verschillende bibliotheken gebruiken. Dit Data Science-project maakt gebruik van librosa voor spraakherkenning. SER is het proces van het identificeren van menselijke emoties en affectieve toestanden aan de hand van spraak. Aangezien we toonhoogte en intonatie gebruiken om emoties met onze stem uit te drukken, is SER relevant. Maar omdat emoties subjectief zijn, is het annoteren van geluid een uitdaging. We zullen functies zoals mfcc, chroma en mel gebruiken en de RAVDESS-dataset toepassen voor emotieherkenning. We zullen een MLPC-classificator voor dit model cre\u00ebren.<\/p>\n

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

Dataset\/Pakket:<\/b> RAVDESS dataset<\/p>\n

5. Gender and Age Detection (Geslacht- en leeftijdsherkenning)<\/h3>\n

\nImpressioneer werkgevers met het nieuwste Data Science-project \u2014 geslacht- en leeftijdsdetectie met OpenCV<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDit is een interessant Data Science-project met Python. Met slechts \u00e9\u00e9n afbeelding leer je het geslacht en de leeftijd van een persoon te voorspellen. Hier introduceren we je in Computer Vision en zijn principes. We zullen bouwen aan een convolutionele neurale netwerk<\/a><\/noindex> en gebruikmaken van de modellen die zijn getraind door Tal Hassner en Gil Levi voor de Adience-dataset. Onderweg zullen we enkele .pb, .pbtxt, .prototxt en .caffemodel-bestanden gebruiken.<\/p>\n

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

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

6. Uber Data Analysis (Analyse van Uber-gegevens)<\/h3>\n

\nBekijk de volledige uitvoering van het Data Science-project met de broncode \u2014 Uber Data Analysis Project in R<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDit is een gegevensvisualisatieproject met ggplot2, waarin we R en zijn bibliotheken gebruiken en verschillende parameters analyseren. We zullen de Uber Pickups-dataset in New York gebruiken en visualisaties cre\u00ebren voor verschillende tijdsperioden van het jaar. Dit vertelt ons hoe tijd invloed heeft op de ritten van klanten.<\/p>\n

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

Dataset\/Pakket:<\/b> Uber Pickups in New York City dataset<\/p>\n

7. Detectie van slaperigheid bij chauffeurs<\/h3>\n

\nBespaar je vaardigheden door te werken aan een Top Data Science Project \u2014 een slaperigheidsdetectiesysteem met OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nSlaperig rijden is extreem gevaarlijk, en elk jaar gebeuren er ongeveer duizend ongevallen doordat chauffeurs in slaap vallen tijdens het rijden. In dit Python-project zullen we een systeem cre\u00ebren dat in staat is om slaperige chauffeurs te detecteren en hen te waarschuwen met een geluidssignaal.<\/p>\n

Dit project is gerealiseerd met behulp van Keras en OpenCV. We zullen OpenCV gebruiken voor gezichts- en oogdetectie, terwijl we met Keras de toestand van het oog (Open of Gesloten) classificeren met behulp van diepgaande neural netwerkmethoden.<\/p>\n

8. Chatbot<\/h3>\n

\nCre\u00eber een chatbot met Python en maak een stap vooruit in je carri\u00e8re \u2014 Chatbot met NLTK & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nChatbots zijn een integraal onderdeel van bedrijven. Veel bedrijven moeten diensten aan hun klanten bieden, en dit vereist veel arbeidskracht, tijd en inspanning. Chatbots kunnen een groot deel van de interactie met klanten automatiseren door te antwoorden op veelgestelde vragen. Er zijn in principe twee soorten chatbots: domeinspecifiek en open-domein. Domeinspecifieke chatbots worden vaak gebruikt om specifieke problemen op te lossen. Daarom moet je ze configureren voor effectief gebruik in jouw vakgebied. Open-domein chatbots kunnen op elke vraag worden gevraagd, waardoor enorme hoeveelheden gegevens nodig zijn voor hun training.<\/p>\n

Dataset:<\/b> Intents json-bestand<\/p>\n

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

Geavanceerde Data Science-projecten<\/i><\/p>\n

9. Afbeelding Bijschrift Generator<\/h3>\n

\nBekijk de volledige implementatie van het project met de broncode \u2014 Afbeelding Bijschrift Generator met CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nHet beschrijven van wat er op een afbeelding staat is een gemakkelijke taak voor mensen, maar voor computers is een afbeelding gewoon een reeks cijfers die de kleurwaarde van elke pixel vertegenwoordigen. Dit is een moeilijke taak voor computers. Begrijpen wat er in een afbeelding staat en dan een beschrijving in natuurlijke taal (bijvoorbeeld in het Engels) cre\u00ebren, is opnieuw een uitdagende taak. Dit project gebruikt methoden voor diep leren, waarbij we een Convolutioneel Neuraal Netwerk (CNN) implementeren in combinatie met een Recurrent Neuraal Netwerk (LSTM) om een afbeeldingsbijschriftgenerator te cre\u00ebren.<\/p>\n

Dataset:<\/b> Flickr 8K<\/p>\n

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

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

10. Detectie van creditcardfraude<\/h3>\n

\nDoe je best terwijl je werkt aan het Data Science-projectidee \u2014 detectie van creditcardfraude met behulp van machine learning<\/a><\/noindex>.<\/p>\n

\"14
\n
\nTot nu toe heb je de methoden en concepten begonnen te begrijpen. Laten we doorgaan naar enkele geavanceerde projecten op het gebied van data science. In dit project zullen we de programmeertaal R gebruiken met algoritmen zoals beslissingsbomen<\/a><\/noindex>, logistieke regressie, kunstmatige neurale netwerken en gradient boosting classifiers. We zullen een dataset van kaarttransacties gebruiken om creditcardtransacties te classificeren als frauduleus of legitiem. We zullen verschillende modellen voor hen selecteren en prestatietrends opstellen.<\/p>\n

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

Dataset\/Pakket:<\/b> Dataset kaarttransacties<\/p>\n

11. Aanbevelingssysteem voor films<\/h3>\n

\nOntdek de implementatie van het beste Data Science-project met broncode \u2014 Aanbevelingssysteem voor films in de programmeertaal R<\/a><\/noindex><\/p>\n

\"14
\n
\nIn dit Data Science-project zullen we R gebruiken om filmaanbevelingen te doen via machine learning. Het aanbevelingssysteem stuurt voorstellen naar gebruikers via een filtreringsproces, gebaseerd op de voorkeuren van andere gebruikers en kijkgeschiedenis. Als A en B van Home Alone houden, en B van Mean Girls houdt, kan het A worden aanbevolen \u2014 ze zouden het ook leuk kunnen vinden. Dit stelt klanten in staat om met het platform te interageren.<\/p>\n

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

Dataset\/Pakket:<\/b> MovieLens dataset<\/p>\n

12. Klantsegmentatie<\/h3>\n

\nIndruk maken op werkgevers met een Data Science-project (inclusief broncode) \u2014 Klantsegmentatie met behulp van machine learning<\/a><\/noindex>.<\/p>\n

\"14
\n
\nKlantsegmentatie is een populaire toepassing van ongecontroleerd leren<\/a><\/noindex>. Door middel van clustering bepalen bedrijven klantsegmenten om met een potenti\u00eble gebruikersbasis te werken. Ze verdelen klanten in groepen op basis van gemeenschappelijke kenmerken, zoals geslacht, leeftijd, interesses en uitgavenpatronen, zodat ze hun producten effectief aan elke groep kunnen verkopen. We zullen gebruik maken van K-means clustering<\/a><\/noindex>, en ook de verdeling naar geslacht en leeftijd visualiseren. Vervolgens analyseren we hun jaarlijkse inkomsten en uitgavenniveau.<\/p>\n

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

Dataset\/Pakket:<\/b> Mall_Customers dataset<\/p>\n

13. Classificatie van borstkanker<\/h3>\n

\nBekijk de volledige uitvoering van het Data Science-project in Python \u2014 Classificatie van borstkanker met behulp van deep learning<\/a><\/noindex>.<\/p>\n

\"14
\n
\nTerugkomend op de medische bijdrage van data science, laten we leren hoe we borstkanker kunnen detecteren met Python. We zullen de IDC_regular dataset gebruiken om invasieve ductale carcinoom te identificeren, de meest voorkomende vorm van borstkanker. Het ontwikkelt zich in de melkkanalen en dringt door in het vezelige of vetweefsel van de borst buiten het kanaal. In dit idee van een wetenschappelijk project voor gegevensverzameling zullen we Deep Learning<\/a><\/noindex> en de Keras-bibliotheek gebruiken voor classificatie.<\/p>\n

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

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

14. Herkenning van verkeersborden<\/h3>\n

\nNauwkeurigheid bereiken in zelfrijdende autotecnologie met een Data Science-project over herkenning van verkeersborden met behulp van CNN<\/a><\/noindex> met open source.<\/p>\n

\"14
\n
\nVerkeersborden en verkeersregels zijn cruciaal voor elke bestuurder om ongelukken te voorkomen. Om de regels te volgen, moet je eerst begrijpen hoe een verkeersbord eruit ziet. Een persoon moet alle verkeersborden leren voordat hij\/zij toestemming krijgt om een voertuig te besturen. Maar nu groeit het aantal autonome voertuigen, en in de nabije toekomst zal iemand niet langer zelf een auto besturen. In het project 'Herkenning van verkeersborden' leer je hoe een programma het type verkeersbord kan herkennen door een afbeelding als invoer te nemen. De Duitse dataset voor verkeersbordherkenning (GTSRB) wordt gebruikt om een diep neuraal netwerk te bouwen voor de herkenning van de klasse waartoe het verkeersbord behoort. We cre\u00ebren ook een eenvoudige grafische interface om met de applicatie te communiceren.<\/p>\n

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

Dataset:<\/b> GTSRB (Duitse verkeersbordherkenningsbenchmark)<\/p>\n

Lees verder<\/h3>\n

<\/p>\n