{"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\/no\/blog\/news\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 open-source prosjekter for \u00e5 forbedre Data Science ferdigheter (lett, normal, vanskelig)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Data Science for Beginners<\/i><\/p>\n

1. Sentiment Analysis<\/h3>\n

\n\"14
\n
\nSee the full implementation of the Data Science project using the source code \u2014 Sentiment Analysis Project in R<\/a><\/noindex>.<\/p>\n

Sentiment Analysis \u2014 er en analyse av ord for \u00e5 bestemme stemninger og meninger, som kan v\u00e6re positive eller negative. Dette er en type klassifisering hvor klassene kan v\u00e6re bin\u00e6re (positive og negative) eller flerfoldige (glade, sinte, triste, ubehagelige \u2026). Vi gjennomf\u00f8rer dette Data Science-prosjektet i R og skal bruke et datasett fra pakken \u00abjaneaustenR\u00bb. Vi vil bruke allmennordb\u00f8ker som AFINN, bing og loughran, utf\u00f8re interne sammenkoblinger, og til slutt vil vi lage et ordsky for \u00e5 visualisere resultatet.<\/p>\n

Language:<\/b> R
\nDataset\/Package:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\nArtikkelen er oversatt med st\u00f8tte fra EDISON Software, som lager virtuelle pr\u00f8verom for multibrand-butikker<\/a><\/noindex>, samt tester programvare<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Fake News Detection<\/h3>\n

\nTake your skills to the next level by working on a beginner Data Science project \u2014 detecting fake news using Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nFake news is false information disseminated through social networks and other online media for political purposes. In this Data Science project idea, we will use Python to build a model that can accurately determine whether a news article is real or fake. We will create a TfidfVectorizer and use a PassiveAggressiveClassifier to classify news as 'real' or 'fake'. We will use a dataset of 7796 \u00d7 4 and do everything in Jupyter Lab.<\/p>\n

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

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

3. Detecting Parkinson\u2019s Disease<\/h3>\n

\nAdvance your skills by working on the Data Science project idea \u2014 detecting Parkinson's disease using XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nWe started using Data Science to improve healthcare and services \u2014 if we can predict illnesses at an early stage, we will have many advantages. So, in this Data Science project idea, we will learn to detect Parkinson's Disease using Python. It is a neurodegenerative, progressive disease of the central nervous system that affects movement and causes tremors and stiffness. It affects dopamine-producing neurons in the brain, and every year it impacts over 1 million people in India.<\/p>\n

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

Dataset\/Package:<\/b> UCI ML Parkinson's dataset<\/p>\n

Medium Complexity Data Science Projects<\/i><\/p>\n

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

\nBli kjent med den komplette implementeringen av Data Science-prosjektet \u2014 talegjenkjenning med Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLa oss n\u00e5 l\u00e6re \u00e5 bruke forskjellige biblioteker. Dette Data Science-prosjektet bruker librosa for talegjenkjenning. SER er prosessen med \u00e5 bestemme menneskelige f\u00f8lelser og affektive tilstander gjennom tale. Siden vi bruker tone og toneh\u00f8yde for \u00e5 uttrykke f\u00f8lelser med stemmen, er SER aktuelt. Men ettersom f\u00f8lelser er subjektive, er annotering av lyd en kompleks oppgave. Vi vil bruke mfcc-, chroma- og mel-funksjoner og benytte RAVDESS-datasettet for \u00e5 gjenkjenne f\u00f8lelser. Vi vil lage en MLPC-klassifikator for denne modellen.<\/p>\n

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

Dataset\/Package:<\/b> RAVDESS-datasett<\/p>\n

5. Kj\u00f8nn og Alderdeteksjon<\/h3>\n

\nImponer arbeidsgivere med det nyeste Data Science-prosjektet \u2014 kj\u00f8nns- og alderdeteksjon med OpenCV<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDette er et spennende Data Science-prosjekt med Python. Ved \u00e5 bruke bare ett bilde vil du l\u00e6re \u00e5 forutsi kj\u00f8nn og alder p\u00e5 en person. I dette prosjektet vil vi introdusere deg for Computer Vision og dens prinsipper. Vi vil bygge en konvolusjonsnervesystem<\/a><\/noindex> og bruke modeller trent av Tal Hassner og Gil Levi for Adience-datasettet. Underveis vil vi bruke noen .pb, .pbtxt, .prototxt og .caffemodel-filer.<\/p>\n

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

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

6. Uber Dataanalyse<\/h3>\n

\nSe den komplette implementeringen av Data Science-prosjektet med kildekode \u2014 Uber Dataanalyseprosjekt i R<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDette er et datavisualiseringsprosjekt med ggplot2, der vi vil bruke R og dens biblioteker for \u00e5 analysere forskjellige parametere. Vi vil bruke datasettet Uber Pickups i New York og lage visualiseringer for ulike tidsrammer i \u00e5ret. Dette viser oss hvordan tiden p\u00e5virker kundenes reiser.<\/p>\n

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

Dataset\/Package:<\/b> Uber Pickups i New York City-datasett<\/p>\n

7. Oppdagelse av sj\u00e5f\u00f8rsl\u00f8vhet<\/h3>\n

\nTa ferdighetene dine til neste niv\u00e5 med et topp Data Science-prosjekt \u2014 system for oppdagelse av sj\u00e5f\u00f8rsl\u00f8vhet med OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nS\u00f8vnig kj\u00f8ring er ekstremt farlig, og hver \u00e5r skjer det rundt tusen ulykker fordi sj\u00e5f\u00f8rer sovner under kj\u00f8ring. I dette Python-prosjektet vil vi lage et system som kan oppdage s\u00f8vnige sj\u00e5f\u00f8rer, samt varsle dem med en lydsignal.<\/p>\n

Dette prosjektet er implementert ved hjelp av Keras og OpenCV. Vi skal bruke OpenCV for ansikts- og \u00f8yegjenkjenning, og med Keras klassifisere \u00f8yets tilstand (\u00c5pen eller Lukket) ved hjelp av metoder fra dyp l\u00e6ring.<\/p>\n

8. Chatbot<\/h3>\n

\nLag en chatbot med Python og ta et skritt fremover i karrieren \u2014 Chatbot med NLTK & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nChatboter er en integrert del av virksomheten. Mange bedrifter m\u00e5 tilby tjenester til sine kunder, og for \u00e5 betjene dem kreves det mye arbeidskraft, tid og innsats. Chatboter kan automatisere mye av kundeinteraksjonen ved \u00e5 svare p\u00e5 noen av de vanlige sp\u00f8rsm\u00e5lene kundene stiller. Det finnes hovedsakelig to typer chatboter: Domenespesifikke og \u00c5pen-domen. Domenespesifikke chatboter brukes ofte for \u00e5 l\u00f8se et spesifikt problem. Du m\u00e5 derfor tilpasse dem for effektiv drift i ditt felt. \u00c5pen-domen chatboter kan f\u00e5 sp\u00f8rsm\u00e5l om hva som helst, s\u00e5 det kreves en enorm mengde data for \u00e5 trene dem.<\/p>\n

Datasett:<\/b> Intents json-fil<\/p>\n

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

Avanserte Data Science-prosjekter<\/i><\/p>\n

9. Bildebeskrivelsesgenerator<\/h3>\n

\nSe den komplette prosjektimplementeringen med kildekoden \u2014 Bildebeskrivelsesgenerator med CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\n\u00c5 beskrive hva som er i et bilde er en enkel oppgave for mennesker, men for datamaskiner er bildet bare en mengde tall som representerer fargeverdien til hver piksel. Det er en utfordrende oppgave for datamaskiner. \u00c5 forst\u00e5 hva som er i bildet og s\u00e5 lage en beskrivelse p\u00e5 naturlig spr\u00e5k (for eksempel engelsk) er en annen utfordrende oppgave. Dette prosjektet bruker metoder for dyp l\u00e6ring, hvor vi implementerer et konvolusjon\u00e6rt nevrale nettverk (CNN) med et rekurrent nevrale nettverk (LSTM) for \u00e5 lage en generator for bildebeskrivelser.<\/p>\n

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

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

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

10. Kredittkortsvindeldeteksjon<\/h3>\n

\nGj\u00f8r ditt beste ved \u00e5 jobbe med prosjektideen innen Data Science \u2014 kredittkortsvindel deteksjon med maskinl\u00e6ring<\/a><\/noindex>.<\/p>\n

\"14
\n
\nS\u00e5 langt har du begynt \u00e5 forst\u00e5 metoder og konsepter. La oss g\u00e5 videre til noen avanserte prosjekter innen datavitenskap. I dette prosjektet vil vi bruke R-spr\u00e5ket med algoritmer som beslutningstr\u00e6r<\/a><\/noindex>, logistisk regresjon, kunstige nevrale nettverk og gradientboosterklassifikator. Vi skal bruke et datasett med korttransaksjoner for \u00e5 klassifisere kredittkorttransaksjoner som svindel eller ekte. Vi vil tilpasse forskjellige modeller for dem og bygge ytelseskurver.<\/p>\n

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

Dataset\/Package:<\/b> Datasett for korttransaksjoner<\/p>\n

11. Filmanbefalingssystem<\/h3>\n

\nUtforsk implementeringen av det beste Data Science-prosjektet med kildekode \u2014 Filmanbefalingssystem p\u00e5 R-spr\u00e5ket<\/a><\/noindex><\/p>\n

\"14
\n
\nI dette Data Science-prosjektet vil vi bruke R for \u00e5 gi filmanbefalinger gjennom maskinl\u00e6ring. Anbefalingssystemet sender forslag til brukere gjennom en filtreringsprosess basert p\u00e5 preferansene til andre brukere og seerhistorikk. Hvis A og B liker Home Alone, og B elsker Mean Girls, kan det foresl\u00e5s til A at de ogs\u00e5 kan like det. Dette lar kundene engasjere seg med plattformen.<\/p>\n

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

Dataset\/Package:<\/b> MovieLens-datasett<\/p>\n

12. Kundesegmentering<\/h3>\n

\nImponer arbeidsgiverne med et Data Science-prosjekt (inkludert kildekode) \u2014 Kundesegmentering med maskinl\u00e6ring<\/a><\/noindex>.<\/p>\n

\"14
\n
\nKundesegmentering er en popul\u00e6r applikasjon av usupervisert l\u00e6ring.<\/a><\/noindex>Ved \u00e5 bruke klynging definerer selskaper kundegrupper for \u00e5 jobbe med en potensiell brukerbase. De deler kunder i grupper basert p\u00e5 felles egenskaper, som kj\u00f8nn, alder, interesser og forbruksvaner, slik at de kan selge produktene sine effektivt til hver gruppe. Vi vil bruke K-means klynging<\/a><\/noindex>, samt visualisere fordelingen etter kj\u00f8nn og alder. Deretter analyserer vi deres \u00e5rlige inntekter og forbruksniv\u00e5.<\/p>\n

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

Dataset\/Package:<\/b> Mall_Customers-datasett<\/p>\n

13. Klassifisering av brystkreft<\/h3>\n

\nSe den komplette implementeringen av Data Science-prosjektet i Python \u2014 Klassifisering av brystkreft med dyp l\u00e6ring<\/a><\/noindex>.<\/p>\n

\"14
\n
\nN\u00e5r vi vender tilbake til den medisinske innflytelsen av data science, la oss l\u00e6re \u00e5 oppdage brystkreft ved hjelp av Python. Vi skal bruke datasettet IDC_regular for \u00e5 identifisere invasiv duktal karsinom, den mest utbredte formen for brystkreft. Den utvikler seg i melkegangene og trenger inn i bindevev eller fettvev utenfor gangen. I dette vitenskapelige prosjektet om datainnsamling vil vi bruke Dyp l\u00e6ring<\/a><\/noindex> og Keras-biblioteket for klassifisering.<\/p>\n

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

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

14. Gjenkjenning av trafikkskilt<\/h3>\n

\n\u00c5 oppn\u00e5 n\u00f8yaktighet innen teknologi for selvkj\u00f8rende biler gjennom et data science-prosjekt om gjenkjenning av trafikkskilt ved hjelp av CNN<\/a><\/noindex> med \u00e5pen kildekode.<\/p>\n

\"14
\n
\nTrafikkskilt og trafikkregler er sv\u00e6rt viktige for hver sj\u00e5f\u00f8r for \u00e5 unng\u00e5 ulykker. For \u00e5 f\u00f8lge reglene m\u00e5 man f\u00f8rst forst\u00e5 hvordan et trafikkskilt ser ut. En person m\u00e5 l\u00e6re seg alle trafikkskiltene f\u00f8r de kan f\u00e5 f\u00f8rerkort for et hvilket som helst kj\u00f8ret\u00f8y. Men n\u00e5 vokser antall autonome kj\u00f8ret\u00f8y, og i n\u00e6r fremtid vil mennesket ikke lenger kj\u00f8re bilen selv. I prosjektet 'Gjenkjenning av trafikkskilt' vil du l\u00e6re hvordan et program kan gjenkjenne typen trafikkskilt ved \u00e5 ta et bilde som inngangssignal. Datasettet for gjenkjenning av trafikkskilt i Tyskland (GTSRB) brukes til \u00e5 bygge et dypt nevralt nettverk for \u00e5 gjenkjenne hvilken klasse trafikkskiltet tilh\u00f8rer. Vi lager ogs\u00e5 et enkelt grafisk brukergrensesnitt for \u00e5 interagere med applikasjonen.<\/p>\n

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

Datasett:<\/b> GTSRB (Tysk gjenkjenning av trafikkskilt-benchmark)<\/p>\n

Read more<\/h3>\n

<\/p>\n