{"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\/sk\/blog\/news\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 open-source projektov na zlep\u0161enie zru\u010dnost\u00ed v Data Science (jednoduch\u00e9, norm\u00e1lne, \u0165a\u017ek\u00e9)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Data Science pre za\u010diato\u010dn\u00edkov<\/i><\/p>\n

1. Anal\u00fdza sentimentu (Anal\u00fdza n\u00e1lad z textu)<\/h3>\n

\n\"14
\n
\nPozrite si \u00fapln\u00fa implement\u00e1ciu projektu Data Science s pou\u017eit\u00edm zdrojov\u00e9ho k\u00f3du \u2014 Projekt anal\u00fdzy sentimentu v R<\/a><\/noindex>.<\/p>\n

Anal\u00fdza sentimentu \u2014 je anal\u00fdza slov na ur\u010denie n\u00e1lad a n\u00e1zorov, ktor\u00e9 m\u00f4\u017eu by\u0165 pozit\u00edvne alebo negat\u00edvne. Ide o typ klasifik\u00e1cie, kde triedy m\u00f4\u017eu by\u0165 bin\u00e1rne (pozit\u00edvne a negat\u00edvne) alebo viacer\u00e9 (\u0161\u0165astn\u00e9, nahnevan\u00e9, smutn\u00e9, nepr\u00edjemn\u00e9 …). Tento projekt z oblasti Data Science realizujeme v jazyku R a pou\u017eijeme d\u00e1tov\u00fd s\u00fabor z bal\u00edka \u201ejaneaustenR\u201c. Vyu\u017eijeme v\u0161eobecn\u00e9 slovn\u00edky, ako s\u00fa AFINN, bing a loughran, vykon\u00e1me vn\u00fatorn\u00e9 spojenie a nakoniec vytvor\u00edme oblak slov, aby sme vizualizovali v\u00fdsledok.<\/p>\n

Jazyk:<\/b> R
\nD\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\n\u010cl\u00e1nok bol prelo\u017een\u00fd s podporou spolo\u010dnosti EDISON Software, ktor\u00e1 vytv\u00e1ra virtu\u00e1lne sk\u00fa\u0161obne pre multibrandov\u00e9 obchody<\/a><\/noindex>, ako aj testuje softv\u00e9r<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Detekcia falo\u0161n\u00fdch spr\u00e1v (Objeven\u00ed falo\u0161n\u00fdch spr\u00e1v)<\/h3>\n

\nPosu\u0148te svoje zru\u010dnosti na nov\u00fa \u00farove\u0148 pr\u00e1cou na projekte Data Science pre za\u010diato\u010dn\u00edkov \u2014 detekcia falo\u0161n\u00fdch spr\u00e1v pomocou Pythonu<\/a><\/noindex>.<\/p>\n

\"14
\n
\nFalo\u0161n\u00e9 spr\u00e1vy s\u00fa falo\u0161n\u00e9 inform\u00e1cie \u0161\u00edren\u00e9 prostredn\u00edctvom soci\u00e1lnych siet\u00ed a in\u00fdch online m\u00e9di\u00ed na dosiahnutie politick\u00fdch cie\u013eov. V tejto my\u0161lienke projektu Data Science budeme pou\u017e\u00edva\u0165 Python na vytvorenie modelu, ktor\u00fd dok\u00e1\u017ee presne ur\u010di\u0165, \u010di je spr\u00e1va skuto\u010dn\u00e1 alebo falo\u0161n\u00e1. Vytvor\u00edme TfidfVectorizer a pou\u017eijeme PassiveAggressiveClassifier na klasifik\u00e1ciu spr\u00e1v na \u201eskuto\u010dn\u00e9\u201c a \u201efalo\u0161n\u00e9\u201c. Pou\u017eijeme d\u00e1tov\u00fd s\u00fabor s rozmermi 7796 \u00d7 4 a v\u0161etko vykon\u00e1me v Jupyter Lab.<\/p>\n

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

D\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> news.csv<\/p>\n

3. Detekcia Parkinsonovej choroby (Detekcia Parkinsonovej choroby)<\/h3>\n

\nPosu\u0148te sa vpred pr\u00e1cou na my\u0161lienke projektu Data Science Project Idea \u2014 detekcia Parkinsonovej choroby pomocou XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nZa\u010dali sme pou\u017e\u00edva\u0165 Data Science na zlep\u0161enie zdravotnej starostlivosti a slu\u017eieb \u2014 ak dok\u00e1\u017eeme predpoveda\u0165 ochorenie v ranom \u0161t\u00e1diu, prinesie n\u00e1m to mnoho v\u00fdhod. Tak\u017ee v tejto my\u0161lienke projektu Data Science sa nau\u010d\u00edme detekova\u0165 Parkinsonovu chorobu pomocou Pythonu. Ide o neurodegenerat\u00edvne, progres\u00edvne ochorenie centr\u00e1lneho nervov\u00e9ho syst\u00e9mu, ktor\u00e9 ovplyv\u0148uje pohyb a sp\u00f4sobuje trasenie a stuhnutos\u0165. Ovplyv\u0148uje neur\u00f3ny produkuj\u00face dopam\u00edn v mozgu a ka\u017ed\u00fd rok sa to dot\u00fdka viac ako 1 mili\u00f3na \u013eud\u00ed v Indii.<\/p>\n

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

D\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> UCI ML Parkinsons dataset<\/p>\n

Projekty Data Science strednej zlo\u017eitosti<\/i><\/p>\n

4. Rozpozn\u00e1vanie emoc\u00ed z re\u010di<\/h3>\n

\nPre\u010d\u00edtajte si \u00fapln\u00e9 zrealizovanie pr\u00edkladu projektu Data Science \u2014 rozozn\u00e1vanie re\u010di pomocou Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nTeraz sa nau\u010dme pou\u017e\u00edva\u0165 r\u00f4zne kni\u017enice. Tento projekt Data Science vyu\u017e\u00edva librosa na rozpozn\u00e1vanie re\u010di. SER je proces ur\u010dovania \u013eudsk\u00fdch em\u00f3ci\u00ed a afekt\u00edvnych stavov na z\u00e1klade re\u010di. Ke\u010f\u017ee pou\u017e\u00edvame t\u00f3n a v\u00fd\u0161ku t\u00f3nu na vyjadrenie em\u00f3ci\u00ed hlasom, SER je relevantn\u00fd. Ale preto\u017ee s\u00fa em\u00f3cie subjekt\u00edvne, anot\u00e1cia zvuku je n\u00e1ro\u010dn\u00e1 \u00faloha. Pou\u017eijeme funkcie mfcc, chroma a mel a vyu\u017eijeme dataset RAVDESS na rozpozn\u00e1vanie em\u00f3ci\u00ed. Vytvor\u00edme MLPC klasifik\u00e1tor pre tento model.<\/p>\n

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

D\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> dataset RAVDESS<\/p>\n

5. Detekcia pohlavia a veku<\/h3>\n

\nOhromte zamestn\u00e1vate\u013eov najnov\u0161\u00edm projektom Data Science \u2014 ur\u010denie pohlavia a veku pomocou OpenCV<\/a><\/noindex>.<\/p>\n

\"14
\n
\nToto je zauj\u00edmav\u00fd projekt Data Science s Python. Pomocou iba jedn\u00e9ho obr\u00e1zka sa nau\u010d\u00edte predpoveda\u0165 pohlavie a vek \u010dloveka. V r\u00e1mci tohto projektu v\u00e1s zozn\u00e1mime s po\u010d\u00edta\u010dov\u00fdm viden\u00edm a jeho princ\u00edpmi. Vytvor\u00edme konvolu\u010dn\u00fa neur\u00f3nov\u00fa sie\u0165<\/a><\/noindex> a pou\u017eijeme modely vytr\u00e9novan\u00e9 Talom Hassnerom a Gilom Levym pre dataset Adience. Po ceste pou\u017eijeme niektor\u00e9 s\u00fabory .pb, .pbtxt, .prototxt a .caffemodel.<\/p>\n

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

D\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> Adience<\/p>\n

6. Anal\u00fdza d\u00e1t Uber<\/h3>\n

\nPozrite si \u00fapln\u00fa realiz\u00e1ciu projektu Data Science so zdrojov\u00fdm k\u00f3dom \u2014 Projekt anal\u00fdzy d\u00e1t Uber v R<\/a><\/noindex>.<\/p>\n

\"14
\n
\nToto je projekt vizualiz\u00e1cie d\u00e1t s ggplot2, v ktorom budeme pou\u017e\u00edva\u0165 R a jeho kni\u017enice a analyzova\u0165 r\u00f4zne parametre. Pou\u017eijeme dataset Uber Pickups v New Yorku a vytvor\u00edme vizualiz\u00e1cie pre r\u00f4zne \u010dasov\u00e9 r\u00e1mce roka. To n\u00e1m ukazuje, ako \u010das ovplyv\u0148uje cesty z\u00e1kazn\u00edkov.<\/p>\n

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

D\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> dataset Uber Pickups v New Yorku<\/p>\n

7. Detekcia ospalosti vodi\u010da<\/h3>\n

\nZlep\u0161\u00edte svoje zru\u010dnosti pracovan\u00edm na Top Data Science projekte \u2014 syst\u00e9m detekcie ospalosti s OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nOspal\u00e9 riadenie je extr\u00e9mne nebezpe\u010dn\u00e9 a ka\u017ed\u00fd rok sa stane pribli\u017ene tis\u00edc neh\u00f4d sp\u00f4soben\u00fdch t\u00fdm, \u017ee vodi\u010di zasp\u00e1vaj\u00fa po\u010das riadenia. V tomto projekte na Pythone vytvor\u00edme syst\u00e9m, ktor\u00fd dok\u00e1\u017ee odhali\u0165 ospal\u00fdch vodi\u010dov a tie\u017e ich upozorni\u0165 zvukov\u00fdm sign\u00e1lom.<\/p>\n

Tento projekt je realizovan\u00fd pomocou Keras a OpenCV. Pou\u017eijeme OpenCV na rozpozn\u00e1vanie tv\u00e1re a o\u010d\u00ed, a pomocou Keras budeme klasifikova\u0165 stav oka (Otvoren\u00e9 alebo Zatvoren\u00e9) pomocou met\u00f3d hlbok\u00fdch neur\u00f3nov\u00fdch siet\u00ed.<\/p>\n

8. Chatbot<\/h3>\n

\nVytvorte chatbota pomocou Pythonu a vykro\u010dte v kari\u00e9re \u2014 Chatbot s NLTK & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nChatboti s\u00fa neoddelite\u013enou s\u00fa\u010das\u0165ou biznisu. Mnoh\u00e9 firmy musia poskytova\u0165 slu\u017eby svojim klientom, a na ich obsluhu je potrebn\u00e9 ve\u013ea pracovnej sily, \u010dasu a \u00fasilia. Chatboti m\u00f4\u017eu automatizova\u0165 ve\u013ek\u00fa \u010das\u0165 interakcie s klientmi, odpovedaj\u00fac na niektor\u00e9 \u010dast\u00e9 ot\u00e1zky, ktor\u00e9 klad\u00fa z\u00e1kazn\u00edci. Existuj\u00fa v podstate dva typy chatbots: \u0160pecifick\u00e9 pre dom\u00e9nu a Otevren\u00e9 dom\u00e9ny. \u0160pecifick\u00e9 pre dom\u00e9nu chatboti s\u00fa \u010dasto pou\u017e\u00edvan\u00e9 na rie\u0161enie konkr\u00e9tneho probl\u00e9mu. Tak\u017ee je potrebn\u00e9 ich nastavi\u0165 na efekt\u00edvnu pr\u00e1cu vo va\u0161ej oblasti. Otevren\u00fdm dom\u00e9nov\u00fdm chatbota m\u00f4\u017eete kl\u00e1s\u0165 ak\u00e9ko\u013evek ot\u00e1zky, a preto je potrebn\u00e9 na ich vytr\u00e9novanie obrovsk\u00e9 mno\u017estvo \u00fadajov.<\/p>\n

Datasety:<\/b> Intents json s\u00fabor<\/p>\n

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

Pokro\u010dil\u00e9 projekty Data Science<\/i><\/p>\n

9. Gener\u00e1tor popisu obr\u00e1zkov<\/h3>\n

\nSkontrolujte \u00fapln\u00fa implement\u00e1ciu projektu so zdrojov\u00fdm k\u00f3dom \u2014 Gener\u00e1tor popisu obr\u00e1zkov s CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nOpis toho, \u010do je na obr\u00e1zku, je pre \u013eud\u00ed jednoduchou \u00falohou, ale pre po\u010d\u00edta\u010de je obr\u00e1zok len s\u00fabor \u010d\u00edsiel, ktor\u00e9 predstavuj\u00fa hodnotu farby ka\u017ed\u00e9ho pixelu. Pre po\u010d\u00edta\u010de je to n\u00e1ro\u010dn\u00e1 \u00faloha. Pochopi\u0165, \u010do sa nach\u00e1dza na obr\u00e1zku, a potom vytvori\u0165 opis v prirodzenom jazyku (napr\u00edklad v angli\u010dtine) je \u010fal\u0161ou n\u00e1ro\u010dnou \u00falohou. Tento projekt pou\u017e\u00edva met\u00f3dy hlbok\u00e9ho u\u010denia, pri ktor\u00fdch implementujeme Konvolu\u010dn\u00fa neur\u00f3nov\u00fa sie\u0165 (CNN) s rekurentnou neur\u00f3novou sie\u0165ou (LSTM) na vytvorenie gener\u00e1tora popisu obr\u00e1zkov.<\/p>\n

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

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

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

10. Detekcia podvodov s kreditn\u00fdmi kartami<\/h3>\n

\nUrobte to najlep\u0161ie, \u010do m\u00f4\u017eete, nad pr\u00e1cou na projekte Data Science \u2014 detekcia podvodu s kreditn\u00fdmi kartami pomocou strojov\u00e9ho u\u010denia<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDoteraz ste za\u010dali ch\u00e1pa\u0165 met\u00f3dy a koncepty. Prejdime k niektor\u00fdm pokro\u010dil\u00fdm projektom v oblasti vedy o \u00fadajoch. V tomto projekte pou\u017eijeme jazyk R s algoritmami ako s\u00fa rozhodovacie stromy<\/a><\/noindex>, logistick\u00e1 regresia, umel\u00e9 neur\u00f3nov\u00e9 siete a klasifik\u00e1tor gradientn\u00e9ho boostingu. Pou\u017eijeme s\u00fabor d\u00e1t transakci\u00ed s kartami na klasifik\u00e1ciu transakci\u00ed kreditn\u00fdch kariet ako podvodn\u00fdch a prav\u00fdch. Prisp\u00f4sob\u00edme im r\u00f4zne modely a postav\u00edme v\u00fdkonov\u00e9 krivky.<\/p>\n

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

D\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> S\u00fabor d\u00e1t transakci\u00ed s kartami<\/p>\n

11. Syst\u00e9m odpor\u00fa\u010dan\u00ed filmov<\/h3>\n

\nPresk\u00famajte realiz\u00e1ciu najlep\u0161ieho projektu Data Science so zdrojov\u00fdm k\u00f3dom \u2014 Syst\u00e9m odpor\u00fa\u010dan\u00ed filmov v jazyku R<\/a><\/noindex><\/p>\n

\"14
\n
\nV tomto projekte Data Science pou\u017eijeme R na odpor\u00fa\u010danie filmov prostredn\u00edctvom strojov\u00e9ho u\u010denia. Syst\u00e9m odpor\u00fa\u010dan\u00ed posiela n\u00e1vrhy pou\u017e\u00edvate\u013eom na z\u00e1klade procesu filtrovania, ktor\u00fd vych\u00e1dza z preferenci\u00ed in\u00fdch pou\u017e\u00edvate\u013eov a hist\u00f3rie prezerania. Ak A a B maj\u00fa radi S\u00e1m doma a B m\u00e1 r\u00e1d Diev\u010dat\u00e1 z Orlandu, m\u00f4\u017eeme A navrhn\u00fa\u0165 \u2014 m\u00f4\u017ee sa mu to tie\u017e p\u00e1\u010di\u0165. To umo\u017e\u0148uje z\u00e1kazn\u00edkom interagova\u0165 s platformou.<\/p>\n

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

D\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> S\u00fabor d\u00e1t MovieLens<\/p>\n

12. Segment\u00e1cia z\u00e1kazn\u00edkov<\/h3>\n

\nZanechajte dojem na zamestn\u00e1vate\u013eov s projektom Data Science (vr\u00e1tane zdrojov\u00e9ho k\u00f3du) \u2014 Segment\u00e1cia z\u00e1kazn\u00edkov pomocou strojov\u00e9ho u\u010denia<\/a><\/noindex>.<\/p>\n

\"14
\n
\nSegment\u00e1cia z\u00e1kazn\u00edkov je popul\u00e1rna aplik\u00e1cia neovl\u00e1dan\u00e9ho u\u010denia<\/a><\/noindex>. Pomocou klastrovania firmy identifikuj\u00fa segmenty z\u00e1kazn\u00edkov na pr\u00e1cu s potenci\u00e1lnou z\u00e1klad\u0148ou pou\u017e\u00edvate\u013eov. Rozdelia z\u00e1kazn\u00edkov do skup\u00edn pod\u013ea ich spolo\u010dn\u00fdch charakterist\u00edk, ako s\u00fa pohlavie, vek, z\u00e1ujmy a n\u00e1vyky vynakladania pe\u0148az\u00ed, aby mohli efekt\u00edvne pred\u00e1va\u0165 svoje produkty ka\u017edej skupine. Pou\u017eijeme K-means klastrovanie<\/a><\/noindex>, ako aj vizualizova\u0165 rozlo\u017eenie pod\u013ea pohlavia a veku. N\u00e1sledne analyzujeme ich ro\u010dn\u00e9 pr\u00edjmy a \u00farove\u0148 v\u00fddavkov.<\/p>\n

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

D\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> S\u00fabor d\u00e1t Mall_Customers<\/p>\n

13. Klasifik\u00e1cia rakoviny prsn\u00edka<\/h3>\n

\nPozrite si \u00fapln\u00fa implement\u00e1ciu projektu Data Science v Pythone \u2014 Klasifik\u00e1cia rakoviny prsn\u00edka pomocou hlbok\u00e9ho u\u010denia<\/a><\/noindex>.<\/p>\n

\"14
\n
\nPri n\u00e1vrate k lek\u00e1rskemu pr\u00ednosu d\u00e1tovej vedy sa nau\u010dme identifikova\u0165 rakovinu prsn\u00edka pomocou Pythonu. Pou\u017eijeme s\u00fabor \u00fadajov IDC_regular na detekciu invaz\u00edvneho karcin\u00f3mu mle\u010dn\u00e9ho kan\u00e1la, najbe\u017enej\u0161ej formy rakoviny prsn\u00edka. T\u00e1to forma sa vyv\u00edja v mle\u010dn\u00fdch kan\u00e1loch, prenikaj\u00fac do vl\u00e1knitej alebo tukovej tkanive prsn\u00edka. V tejto my\u0161lienke vedeck\u00e9ho projektu zameran\u00e9ho na zber \u00fadajov vyu\u017eijeme Hlubok\u00e9 u\u010den\u00ed<\/a><\/noindex> a kni\u017enicu Keras na klasifik\u00e1ciu.<\/p>\n

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

D\u00e1tov\u00fd s\u00fabor\/Pakete:<\/b> IDC_regular<\/p>\n

14. Rozpozn\u00e1vanie dopravn\u00fdch zna\u010diek<\/h3>\n

\nDosiahnutie presnosti v technol\u00f3gii auton\u00f3mneho riadenia automobilov prostredn\u00edctvom projektu Data Science na rozpozn\u00e1vanie dopravn\u00fdch zna\u010diek pomocou CNN<\/a><\/noindex> s otvoren\u00fdm k\u00f3dom.<\/p>\n

\"14
\n
\nDopravn\u00e9 zna\u010dky a pravidl\u00e1 cestnej prem\u00e1vky s\u00fa ve\u013emi d\u00f4le\u017eit\u00e9 pre ka\u017ed\u00e9ho vodi\u010da, aby sa vyhli nehod\u00e1m. Aby ste mohli dodr\u017eiava\u0165 pravidl\u00e1, mus\u00edte si najprv uvedomi\u0165, ako dopravn\u00e1 zna\u010dka vyzer\u00e1. \u010clovek sa mus\u00ed nau\u010di\u0165 v\u0161etky dopravn\u00e9 zna\u010dky predt\u00fdm, ne\u017e dostane vodi\u010dsk\u00fd preukaz na riadenie ak\u00e9hoko\u013evek vozidla. Av\u0161ak v s\u00fa\u010dasnosti sa zvy\u0161uje po\u010det auton\u00f3mnych vozidiel a \u010doskoro u\u017e nebude \u010dlovek riadi\u0165 auto s\u00e1m. V projekte \"Rozpozn\u00e1vanie dopravn\u00fdch zna\u010diek\" sa nau\u010d\u00edte, ako program dok\u00e1\u017ee rozpozna\u0165 typ dopravn\u00fdch zna\u010diek na z\u00e1klade sn\u00edmky ako vstupn\u00e9ho sign\u00e1lu. Na vytvorenie hlbokej neur\u00f3novej siete na rozpozn\u00e1vanie triedy dopravnej zna\u010dky vyu\u017e\u00edvame s\u00fabor \u00fadajov GTSRB (Nemeck\u00fd benchmark pre rozpozn\u00e1vanie dopravn\u00fdch zna\u010diek). Taktie\u017e vytv\u00e1rame jednoduch\u00e9 grafick\u00e9 rozhranie na interakciu s aplik\u00e1ciou.<\/p>\n

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

Datasety:<\/b> GTSRB (Nemeck\u00fd benchmark pre rozpozn\u00e1vanie dopravn\u00fdch zna\u010diek)<\/p>\n

\u010c\u00edta\u0165 viac<\/h3>\n

<\/p>\n