{"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\/pt\/blog\/news\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 projetos open-source para melhorar suas habilidades em Data Science (f\u00e1cil, normal, dif\u00edcil)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Ci\u00eancia de Dados para Iniciantes<\/i><\/p>\n

1. An\u00e1lise de Sentimentos (Sentiment Analysis)<\/h3>\n

\n\"14
\n
\nVeja a implementa\u00e7\u00e3o completa do projeto de Ci\u00eancia de Dados usando o c\u00f3digo-fonte \u2014 Projeto de An\u00e1lise de Sentimentos em R<\/a><\/noindex>.<\/p>\n

An\u00e1lise de Sentimentos \u2014 \u00e9 a an\u00e1lise de palavras para determinar sentimentos e opini\u00f5es, que podem ser positivas ou negativas. \u00c9 um tipo de classifica\u00e7\u00e3o, onde as classes podem ser bin\u00e1rias (positivas e negativas) ou m\u00faltiplas (felizes, zangados, tristes, repulsivos ...). Implementaremos este projeto de Ci\u00eancia de Dados na linguagem R e utilizaremos um conjunto de dados do pacote \"janeaustenR\". Usaremos dicion\u00e1rios de uso geral, como AFINN, bing e loughran, realizaremos uma jun\u00e7\u00e3o interna e, no final, criaremos uma nuvem de palavras para visualizar o resultado.<\/p>\n

Idioma:<\/b> R
\nConjunto de dados\/Pacote:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\nEste artigo foi traduzido com o apoio da empresa EDISON Software, que realiza provadores virtuais para lojas de m\u00faltiplas marcas<\/a><\/noindex>, al\u00e9m de testa software<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Detec\u00e7\u00e3o de Fake News (Fake News Detection)<\/h3>\n

\nAprimore suas habilidades, trabalhando em um projeto de Ci\u00eancia de Dados para iniciantes \u2014 detec\u00e7\u00e3o de not\u00edcias falsas com Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nFake news s\u00e3o informa\u00e7\u00f5es falsas que s\u00e3o disseminadas atrav\u00e9s de m\u00eddias sociais e outras plataformas online para atingir objetivos pol\u00edticos. Nesta ideia de projeto de Ci\u00eancia de Dados, usaremos Python para construir um modelo que pode identificar com precis\u00e3o se uma not\u00edcia \u00e9 real ou falsa. Criaremos um TfidfVectorizer e usaremos um PassiveAggressiveClassifier para classificar as not\u00edcias como \"reais\" ou \"falsas\". Usaremos um conjunto de dados com 7796 \u00d7 4 e realizaremos tudo no Jupyter Lab.<\/p>\n

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

Conjunto de dados\/Pacote:<\/b> news.csv<\/p>\n

3. Detec\u00e7\u00e3o da Doen\u00e7a de Parkinson (Detecting Parkinson\u2019s Disease)<\/h3>\n

\nAvance trabalhando na ideia do projeto de Ci\u00eancia de Dados \u2014 detec\u00e7\u00e3o da doen\u00e7a de Parkinson com XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nCome\u00e7amos a usar Data Science para melhorar a sa\u00fade e os servi\u00e7os - se pudermos prever doen\u00e7as em est\u00e1gios iniciais, teremos muitas vantagens. Assim, nesta ideia de projeto de Data Science, iremos aprender a identificar a doen\u00e7a de Parkinson com Python. Esta \u00e9 uma doen\u00e7a neurodegenerativa e progressiva do sistema nervoso central que afeta o movimento, causando tremores e rigidez. Ela afeta os neur\u00f4nios produtores de dopamina no c\u00e9rebro, e a cada ano, impacta mais de 1 milh\u00e3o de pessoas na \u00cdndia.<\/p>\n

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

Conjunto de dados\/Pacote:<\/b> Conjunto de dados UCI ML Parkinsons<\/p>\n

Projetos de Data Science de m\u00e9dia complexidade<\/i><\/p>\n

4. Reconhecimento de Emo\u00e7\u00f5es na Fala<\/h3>\n

\nConfira a implementa\u00e7\u00e3o completa do exemplo de projeto de Data Science - reconhecimento de fala com Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nAgora vamos aprender a usar diferentes bibliotecas. Este projeto de Data Science utiliza librosa para reconhecimento de fala. O SER (Reconhecimento de Emo\u00e7\u00f5es na Fala) \u00e9 o processo de identificar emo\u00e7\u00f5es e estados afetivos humanos atrav\u00e9s da fala. Como usamos tom e altura do som para expressar emo\u00e7\u00f5es na voz, o SER \u00e9 relevante. No entanto, como as emo\u00e7\u00f5es s\u00e3o subjetivas, a anota\u00e7\u00e3o de som \u00e9 uma tarefa complexa. Vamos usar as fun\u00e7\u00f5es mfcc, chroma e mel e o conjunto de dados RAVDESS para reconhecimento de emo\u00e7\u00f5es. Criaremos um classificador MLPC para este modelo.<\/p>\n

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

Conjunto de dados\/Pacote:<\/b> Conjunto de dados RAVDESS<\/p>\n

5. Detec\u00e7\u00e3o de G\u00eanero e Idade<\/h3>\n

\nImpressione os empregadores com o mais recente projeto de Data Science - detec\u00e7\u00e3o de g\u00eanero e idade com OpenCV<\/a><\/noindex>.<\/p>\n

\"14
\n
\nEste \u00e9 um projeto interessante de Data Science com Python. Usando apenas uma imagem, voc\u00ea aprender\u00e1 a prever o g\u00eanero e a idade de uma pessoa. Aqui, apresentaremos a Vis\u00e3o Computacional e seus princ\u00edpios. Vamos construir uma rede neural convolucional<\/a><\/noindex> e usaremos modelos treinados por Tal Hassner e Gil Levi para o conjunto de dados Adience. Durante o processo, utilizaremos alguns arquivos .pb, .pbtxt, .prototxt e .caffemodel.<\/p>\n

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

Conjunto de dados\/Pacote:<\/b> Adience<\/p>\n

6. An\u00e1lise de Dados da Uber<\/h3>\n

\nVeja a implementa\u00e7\u00e3o completa do projeto de Data Science com c\u00f3digo-fonte - Projeto de An\u00e1lise de Dados da Uber em R<\/a><\/noindex>.<\/p>\n

\"14
\n
\nEste \u00e9 um projeto de visualiza\u00e7\u00e3o de dados usando ggplot2, onde utilizaremos R e suas bibliotecas para analisar diversos par\u00e2metros. Usaremos o conjunto de dados Uber Pickups em Nova York e criaremos visualiza\u00e7\u00f5es para diferentes per\u00edodos do ano. Isso nos informa como o tempo influencia as viagens dos clientes.<\/p>\n

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

Conjunto de dados\/Pacote:<\/b> Conjunto de dados Uber Pickups na Cidade de Nova York<\/p>\n

7. Detec\u00e7\u00e3o de Sonol\u00eancia do Motorista<\/h3>\n

\nAperfei\u00e7oe suas habilidades trabalhando em um Top Data Science Project \u2014 sistema de detec\u00e7\u00e3o de sonol\u00eancia com OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDirigir sonolento \u00e9 extremamente perigoso, e todos os anos ocorrem cerca de mil acidentes devido a motoristas que adormecem ao volante. Neste projeto em Python, criaremos um sistema que poder\u00e1 detectar motoristas sonolentos e alert\u00e1-los com um sinal sonoro.<\/p>\n

Este projeto \u00e9 realizado com Keras e OpenCV. Usaremos OpenCV para detec\u00e7\u00e3o de rosto e olhos e, com Keras, classificaremos o estado do olho (Aberto ou Fechado) utilizando t\u00e9cnicas de rede neural profunda.<\/p>\n

8. Chatbot<\/h3>\n

\nCrie um chatbot com Python e d\u00ea um passo \u00e0 frente na sua carreira \u2014 Chatbot com NLTK & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nChatbots s\u00e3o parte integrante dos neg\u00f3cios. Muitas empresas precisam oferecer servi\u00e7os aos seus clientes, e para atend\u00ea-los \u00e9 necess\u00e1rio muito esfor\u00e7o, tempo e m\u00e3o de obra. Chatbots podem automatizar grande parte da intera\u00e7\u00e3o com os clientes, respondendo a algumas perguntas frequentes feitas por eles. Existem basicamente dois tipos de chatbots: Espec\u00edficos de dom\u00ednio e de dom\u00ednio aberto. Chatbots espec\u00edficos de dom\u00ednio s\u00e3o frequentemente usados para resolver um problema espec\u00edfico. Assim, voc\u00ea precisa configur\u00e1-lo para funcionar efetivamente na sua \u00e1rea. Chatbots de dom\u00ednio aberto podem receber qualquer pergunta, portanto, requerem uma enorme quantidade de dados para treinamento.<\/p>\n

Conjunto de dados:<\/b> Arquivo json de Inten\u00e7\u00f5es<\/p>\n

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

Projetos Avan\u00e7ados de Data Science<\/i><\/p>\n

9. Gerador de Legendas de Imagem<\/h3>\n

\nConfira a implementa\u00e7\u00e3o completa do projeto com c\u00f3digo fonte \u2014 Gerador de Legendas de Imagem com CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDescrever o que h\u00e1 em uma imagem \u00e9 uma tarefa f\u00e1cil para os humanos, mas para os computadores, uma imagem \u00e9 apenas uma cole\u00e7\u00e3o de n\u00fameros que representam o valor de cor de cada pixel. Essa \u00e9 uma tarefa dif\u00edcil para os computadores. Compreender o que est\u00e1 na imagem e, em seguida, criar uma descri\u00e7\u00e3o em linguagem natural (por exemplo, em ingl\u00eas) \u00e9 outra tarefa desafiadora. Este projeto utiliza m\u00e9todos de aprendizado profundo, nos quais implementamos uma Rede Neural Convolucional (CNN) com uma Rede Neural Recorrente (LSTM) para criar um gerador de legendas de imagem.<\/p>\n

Conjunto de dados:<\/b> Flickr 8K<\/p>\n

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

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

10. Detec\u00e7\u00e3o de Fraude com Cart\u00e3o de Cr\u00e9dito<\/h3>\n

\nFa\u00e7a o seu melhor ao trabalhar na ideia do projeto de Data Science \u2014 detec\u00e7\u00e3o de fraudes com cart\u00f5es de cr\u00e9dito usando aprendizado de m\u00e1quina<\/a><\/noindex>.<\/p>\n

\"14
\n
\nAt\u00e9 agora, voc\u00ea come\u00e7ou a entender os m\u00e9todos e conceitos. Vamos passar para alguns projetos avan\u00e7ados na \u00e1rea de ci\u00eancia de dados. Neste projeto, usaremos a linguagem R com algoritmos como \u00e1rvores de decis\u00e3o<\/a><\/noindex>, regress\u00e3o log\u00edstica, redes neurais artificiais e classificador de gradiente boosting. Usaremos um conjunto de dados de transa\u00e7\u00f5es com cart\u00f5es para classificar transa\u00e7\u00f5es com cart\u00e3o de cr\u00e9dito como fraudulentas e leg\u00edtimas. Vamos ajustar diferentes modelos para eles e construir curvas de desempenho.<\/p>\n

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

Conjunto de dados\/Pacote:<\/b> Conjunto de dados de Transa\u00e7\u00f5es com Cart\u00e3o<\/p>\n

11. Sistema de Recomenda\u00e7\u00e3o de Filmes<\/h3>\n

\nExplore a implementa\u00e7\u00e3o do melhor projeto de Data Science com C\u00f3digo-Fonte \u2014 Sistema de Recomenda\u00e7\u00e3o de Filmes em R<\/a><\/noindex><\/p>\n

\"14
\n
\nNeste projeto de Data Science, usaremos R para fazer recomenda\u00e7\u00f5es de filmes atrav\u00e9s do aprendizado de m\u00e1quina. O sistema de recomenda\u00e7\u00e3o envia sugest\u00f5es aos usu\u00e1rios por meio de um processo de filtragem, baseado nas prefer\u00eancias de outros usu\u00e1rios e no hist\u00f3rico de visualiza\u00e7\u00f5es. Se A e B gostam de Esqueceram de Mim, e B ama Meninas Malvadas, ent\u00e3o A pode ser sugerido \u2014 eles tamb\u00e9m podem gostar. Isso permite que os clientes interajam com a plataforma.<\/p>\n

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

Conjunto de dados\/Pacote:<\/b> Conjunto de dados MovieLens<\/p>\n

12. Segmenta\u00e7\u00e3o de Clientes<\/h3>\n

\nImpressione os empregadores com um projeto de Data Science (incluindo o c\u00f3digo-fonte) \u2014 Segmenta\u00e7\u00e3o de Clientes usando aprendizado de m\u00e1quina<\/a><\/noindex>.<\/p>\n

\"14
\n
\nA segmenta\u00e7\u00e3o de clientes \u00e9 uma aplica\u00e7\u00e3o popular de aprendizado n\u00e3o supervisionado.<\/a><\/noindex>Usando clustering, as empresas definem segmentos de clientes para trabalhar com uma base de usu\u00e1rios potencial. Elas dividem os clientes em grupos com base em caracter\u00edsticas comuns, como g\u00eanero, idade, interesses e h\u00e1bitos de gastos, para que possam vender efetivamente seus produtos a cada grupo. Vamos usar clustering K-means<\/a><\/noindex>, al\u00e9m de visualizar a distribui\u00e7\u00e3o por g\u00eanero e idade. Em seguida, analisaremos suas receitas anuais e n\u00edveis de gastos.<\/p>\n

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

Conjunto de dados\/Pacote:<\/b> Conjunto de dados Mall_Customers<\/p>\n

13. Classifica\u00e7\u00e3o do C\u00e2ncer de Mama<\/h3>\n

\nVeja a implementa\u00e7\u00e3o completa do projeto Data Science em Python \u2014 Classifica\u00e7\u00e3o de c\u00e2ncer de mama com aprendizado profundo<\/a><\/noindex>.<\/p>\n

\"14
\n
\nRetornando \u00e0 contribui\u00e7\u00e3o m\u00e9dica da ci\u00eancia de dados, vamos aprender a identificar c\u00e2ncer de mama usando Python. Usaremos o conjunto de dados IDC_regular para detectar carcinoma invasivo ductal, a forma mais comum de c\u00e2ncer de mama. Ele se desenvolve nos ductos mam\u00e1rios, penetrando no tecido fibroso ou adiposo da mama fora do ducto. Nesta ideia de projeto cient\u00edfico de coleta de dados, utilizaremos Deep Learning<\/a><\/noindex> e a biblioteca Keras para a classifica\u00e7\u00e3o.<\/p>\n

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

Conjunto de dados\/Pacote:<\/b> IDC_regular<\/p>\n

14. Reconhecimento de Sinais de Tr\u00e2nsito<\/h3>\n

\nAlcan\u00e7ando precis\u00e3o em tecnologia de condu\u00e7\u00e3o aut\u00f4noma com um projeto de Data Science sobre reconhecimento de sinais de tr\u00e2nsito usando CNN<\/a><\/noindex> de c\u00f3digo aberto.<\/p>\n

\"14
\n
\nOs sinais de tr\u00e2nsito e as regras de tr\u00e2nsito s\u00e3o muito importantes para cada motorista a fim de evitar acidentes. Para seguir a regra, primeiro \u00e9 necess\u00e1rio entender como um sinal de tr\u00e2nsito se parece. Uma pessoa deve aprender todos os sinais de tr\u00e2nsito antes de receber a licen\u00e7a para dirigir qualquer ve\u00edculo. Mas atualmente, o n\u00famero de ve\u00edculos aut\u00f4nomos est\u00e1 crescendo, e em um futuro pr\u00f3ximo, as pessoas j\u00e1 n\u00e3o ir\u00e3o dirigir os carros sozinhas. No projeto 'Reconhecimento de Sinais de Tr\u00e2nsito', voc\u00ea aprender\u00e1 como um programa pode reconhecer o tipo de sinais de tr\u00e2nsito, aceitando uma imagem como entrada. O conjunto de dados de reconhecimento de sinais de tr\u00e2nsito da Alemanha (GTSRB) \u00e9 utilizado para construir uma rede neural profunda para reconhecer a classe \u00e0 qual o sinal pertence. Tamb\u00e9m criamos uma interface gr\u00e1fica simples para interagir com o aplicativo.<\/p>\n

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

Conjunto de dados:<\/b> GTSRB (Benchmark de Reconhecimento de Sinais de Tr\u00e2nsito Alem\u00e3o)<\/p>\n

Leia mais<\/h3>\n

<\/p>\n