{"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\/sl\/blog\/news\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 odprtokodnih projektov za izbolj\u0161anje ve\u0161\u010din Data Science (lahko, normalno, te\u017eko)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Data Science za za\u010detnike<\/i><\/p>\n

1. Analiza \u010dustev (Analiza \u010dustev preko besedila)<\/h3>\n

\n\"14
\n
\nOglejte si popolno izvedbo projekta Data Science z uporabo izvorne kode \u2014 Projekt analize \u010dustev v R<\/a><\/noindex>.<\/p>\n

Sentiment Analysis \u2014 \u044d\u0442\u043e \u0430\u043d\u0430\u043b\u0438\u0437 \u0441\u043b\u043e\u0432 \u0434\u043b\u044f \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u043d\u0430\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u0439 \u0438 \u043c\u043d\u0435\u043d\u0438\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043c\u043e\u0433\u0443\u0442 \u0431\u044b\u0442\u044c \u043f\u043e\u043b\u043e\u0436\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u043c\u0438 \u0438\u043b\u0438 \u043e\u0442\u0440\u0438\u0446\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u043c\u0438. \u042d\u0442\u043e \u0442\u0438\u043f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u043f\u0440\u0438 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u043a\u043b\u0430\u0441\u0441\u044b \u043c\u043e\u0433\u0443\u0442 \u0431\u044b\u0442\u044c \u0434\u0432\u043e\u0438\u0447\u043d\u044b\u043c\u0438 (\u043f\u043e\u043b\u043e\u0436\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u043c\u0438 \u0438 \u043e\u0442\u0440\u0438\u0446\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u043c\u0438) \u0438\u043b\u0438 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u043c\u0438 (\u0441\u0447\u0430\u0441\u0442\u043b\u0438\u0432\u044b\u043c\u0438, \u0437\u043b\u044b\u043c\u0438, \u0433\u0440\u0443\u0441\u0442\u043d\u044b\u043c\u0438, \u043f\u0440\u043e\u0442\u0438\u0432\u043d\u044b\u043c\u0438 …). \u041c\u044b \u0440\u0435\u0430\u043b\u0438\u0437\u0443\u0435\u043c \u044d\u0442\u043e\u0442 Data Science \u043f\u0440\u043e\u0435\u043a\u0442 \u043d\u0430 \u044f\u0437\u044b\u043a\u0435 R \u0438 \u0431\u0443\u0434\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043d\u0430\u0431\u043e\u0440 \u0434\u0430\u043d\u043d\u044b\u0445 \u0432 \u043f\u0430\u043a\u0435\u0442\u0435 \u00abjaneaustenR\u00bb. \u041c\u044b \u0431\u0443\u0434\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0441\u043b\u043e\u0432\u0430\u0440\u0438 \u043e\u0431\u0449\u0435\u0433\u043e \u043d\u0430\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f, \u0442\u0430\u043a\u0438\u0435 \u043a\u0430\u043a AFINN, bing \u0438 loughran, \u0432\u044b\u043f\u043e\u043b\u043d\u044f\u0442\u044c \u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u0435 \u0441\u043e\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435, \u0438 \u0432 \u043a\u043e\u043d\u0446\u0435 \u043c\u044b \u0441\u043e\u0437\u0434\u0430\u0434\u0438\u043c \u043e\u0431\u043b\u0430\u043a\u043e \u0441\u043b\u043e\u0432, \u0447\u0442\u043e\u0431\u044b \u043e\u0442\u043e\u0431\u0440\u0430\u0437\u0438\u0442\u044c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442.<\/p>\n

Jezik:<\/b> R
\nPodatkovni niz\/Paket:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\n\u010clanek je bil preveden s podporo podjetja EDISON Software, ki ustvarja virtualne garderobe za multibrandne trgovine<\/a><\/noindex>, kao i testira programsko opremo<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Odkrivanje la\u017enih novic (Odkrivanje la\u017enih novic)<\/h3>\n

\nPove\u010dajte svoje ve\u0161\u010dine na novi ravni, ko delate na projektu Data Science za za\u010detnike \u2014 odkrivanje la\u017enih novic s Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nLa\u017ene novice so la\u017ene informacije, ki se \u0161irijo preko dru\u017ebenih omre\u017eij in drugih spletnih medijev za dosego politi\u010dnih ciljev. V tej ideji projekta Data Science bomo uporabili Python za ustvarjanje modela, ki lahko natan\u010dno dolo\u010di, ali je novica resni\u010dna ali la\u017ena. Ustvarili bomo TfidfVectorizer in uporabili PassiveAggressiveClassifier za klasifikacijo novic na 'resni\u010dne' in 'la\u017ene'. Uporabili bomo podatkovni niz v obliki 7796 \u00d7 4 in vse izvedli v Jupyter Lab.<\/p>\n

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

Podatkovni niz\/Paket:<\/b> news.csv<\/p>\n

3. Odkritje Parkinsonove bolezni (Odkritje Parkinsonove bolezni)<\/h3>\n

\nNapred\u0443\u0439\u0442\u0435 naprej, ko delate na ideji projekta Data Science Project Idea \u2014 odkrivanje Parkinsonove bolezni s XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nZa\u010deli smo uporabljati podatkovne znanosti za izbolj\u0161anje zdravstvenih storitev \u2014 \u010de lahko napovemo bolezen v zgodnji fazi, bomo imeli veliko prednosti. V tej ideji projekta podatkovne znanosti se bomo nau\u010dili prepoznati Parkinsonovo bolezen s pomo\u010djo Pythona. Gre za nevrodegenerativno, progresivno bolezen osrednjega \u017eiv\u010dnega sistema, ki vpliva na gibanje ter povzro\u010da tresenje in togost. Vpliva na dopaminergi\u010dne nevrone v mo\u017eganih, vsako leto pa prizadene ve\u010d kot 1 milijon ljudi v Indiji.<\/p>\n

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

Podatkovni niz\/Paket:<\/b> UCI ML Parkinsons dataset<\/p>\n

Projekti podatkovne znanosti srednje zahtevnosti<\/i><\/p>\n

4. Prepoznavanje \u010dustev v govoru<\/h3>\n

\nOglejte si celotno izvedbo projekta podatkovne znanosti \u2014 prepoznavanje govora s pomo\u010djo Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nSedaj se nau\u010dimo uporabljati razli\u010dne knji\u017enice. Ta projekt podatkovne znanosti uporablja librosa za prepoznavanje govora. SER je proces dolo\u010danja \u010dlove\u0161kih \u010dustev in afektivnih stanj na podlagi govora. Ker uporabljamo ton in vi\u0161ino za izra\u017eanje \u010dustev z glasom, je SER pomemben. Vendar pa so \u010dustva subjektivna, zato je ozna\u010devanje zvoka zahtevna naloga. Uporabili bomo funkcije mfcc, chroma in mel ter podatkovni niz RAVDESS za prepoznavanje \u010dustev. Ustvarili bomo MLPC klasifikator za to razli\u010dico.<\/p>\n

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

Podatkovni niz\/Paket:<\/b> RAVDESS dataset<\/p>\n

5. Odkrivanje spola in starosti<\/h3>\n

\nNavdu\u0161ite delodajalce z najnovej\u0161im projektom podatkovne znanosti \u2014 dolo\u010danje spola in starosti s pomo\u010djo OpenCV<\/a><\/noindex>.<\/p>\n

\"14
\n
\nTo je zanimiv projekt podatkovne znanosti s Pythonom. Z uporabo le ene slike se boste nau\u010dili napovedovati spol in starost osebe. Tu vas bomo seznanili z ra\u010dunalni\u0161kim vidom in njegovimi na\u010deli. Zgradili bomo konvolucijsko nevronsko mre\u017eo<\/a><\/noindex> in uporabljali modele, usposobljene z uporabo Tal Haassnerja in Gila Levi za podatkovni niz Adience. Na poti bomo uporabili nekatere datoteke .pb, .pbtxt, .prototxt in .caffemodel.<\/p>\n

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

Podatkovni niz\/Paket:<\/b> Adience<\/p>\n

6. Analiza podatkov Uber<\/h3>\n

\nOglejte si celotno izvedbo projekta podatkovne znanosti z izvorno kodo \u2014 Projekt analize podatkov Uber v R<\/a><\/noindex>.<\/p>\n

\"14
\n
\nTo je projekt vizualizacije podatkov z ggplot2, v katerem bomo uporabili R in njegove knji\u017enice ter analizirali razli\u010dne parametre. Uporabili bomo podatkovni niz Uber Pickups v New Yorku in ustvarili vizualizacije za razli\u010dne \u010dasovne okvire v letu. To nam pove, kako \u010das vpliva na vo\u017enje strank.<\/p>\n

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

Podatkovni niz\/Paket:<\/b> Uber Pickups in New York City dataset<\/p>\n

7. Odkrivanje zaspanosti voznika<\/h3>\n

\nIzpopolnite svoje ve\u0161\u010dine z delom na Top Data Science projektu \u2014 sistemom za odkrivanje zaspanosti z OpenCV in Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nZaspanost pri vo\u017enji je izjemno nevarna in vsako leto se zgodi okoli tiso\u010d nesre\u010d zaradi tega, ker vozniki med vo\u017enjo zaspijo. V tem projektu v Pythonu bomo ustvarili sistem, ki bo lahko odkrival zaspanost voznikov in jih obve\u0161\u010dal z zvo\u010dnim signalom.<\/p>\n

Ta projekt je izveden z uporabo Keras in OpenCV. Uporabili bomo OpenCV za odkrivanje obraza in o\u010di, Keras pa bomo uporabili za razvr\u0161\u010danje stanja o\u010di (Odprte ali Zasclosed) z uporabo globokih nevronskih mre\u017e.<\/p>\n

8. Klepetalni robot<\/h3>\n

\nUstvarite klepetalnega robota s pomo\u010djo Pythona in naredite korak naprej v svoji karieri \u2014 Klepetalni robot z NLTK in Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nKlepetalni roboti so nepogre\u0161ljiv del poslovanja. Mnogim podjetjem je treba nuditi storitve svojim strankam, kar zahteva veliko delovne sile, \u010dasa in truda. Klepetalni roboti lahko avtomatizirajo ve\u010dino interakcij s strankami, odgovarjajo\u010d na pogosta vpra\u0161anja, ki jih postavljajo stranke. Obi\u010dajno obstajata dve vrsti klepetalnih robotov: posebni za dolo\u010den domen in odprti domen. Klepetalni robot posebne domene se pogosto uporablja za re\u0161evanje specifi\u010dnih te\u017eav; zato ga je treba prilagoditi, da u\u010dinkovito deluje v va\u0161em podro\u010dju. Odprti domen klepetalnih robotov je mo\u017eno vpra\u0161ati, katera koli vpra\u0161anja, zato potrebujemo ogromno podatkov za njihovo usposabljanje.<\/p>\n

Nabor podatkov:<\/b> JSON datoteka z nameni<\/p>\n

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

Napredni projekti Data Science<\/i><\/p>\n

9. Generator opisov slik<\/h3>\n

\nPreverite popolno izvedbo projekta s izvorno kodo \u2014 Generator opisov slik z CNN in LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nOpis tega, kar je na sliki, je za ljudi lahek naloga, toda za ra\u010dunalnike je slika zgolj niz \u0161tevilk, ki predstavljajo barvne vrednosti posameznih pikslov. To je zahtevna naloga za ra\u010dunalnike. Razumeti, kaj je na sliki, in nato ustvariti opis v naravnem jeziku (npr. angle\u0161\u010dini) je \u0161e ena zahtevna naloga. Ta projekt uporablja metode globokega u\u010denja, v katerih izvajamo konvolucijsko nevronsko mre\u017eo (CNN) z rekuren\u010dno nevronsko mre\u017eo (LSTM) za ustvarjanje generatorja opisov slik.<\/p>\n

Nabor podatkov:<\/b> Flickr 8K<\/p>\n

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

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

10. Odkrivanje prevar s kreditnimi karticami<\/h3>\n

\nNaredite vse, kar je v va\u0161i mo\u010di, pri razvoju ideje projekta Data Science \u2014 odkrivanje prevar s kreditnimi karticami z uporabo strojnega u\u010denja<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDo sedaj ste za\u010deli razumeti metode in koncepte. Preidimo na nekaj naprednej\u0161ih projektov na podro\u010dju podatkovne znanosti. V tem projektu bomo uporabili jezik R z algoritmi, kot so odlo\u010ditvena drevesa<\/a><\/noindex>, logisti\u010dna regresija, umetne nevronske mre\u017ee in klasifikator gradientnega dviga. Uporabili bomo nabor podatkov o transakcijah s karticami, da bomo razvrstili transakcije s kreditnimi karticami kot prevarantske in pristne. Prilagodili bomo razli\u010dne modele in zgradili krivulje uspe\u0161nosti.<\/p>\n

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

Podatkovni niz\/Paket:<\/b> Nabor podatkov o transakcijah s karticami<\/p>\n

11. Sistem priporo\u010denih filmov<\/h3>\n

\nRazi\u0161\u010dite izvedbo najbolj\u0161ega projekta Data Science s izvorno kodo \u2014 Sistem priporo\u010denih filmov v jeziku R<\/a><\/noindex><\/p>\n

\"14
\n
\nV tem projektu Data Science bomo uporabili R, da bomo izvedli priporo\u010dila filmov z uporabo strojnega u\u010denja. Sistem priporo\u010dil po\u0161ilja predloge uporabnikom preko procesa filtracije, ki temelji na preferencah drugih uporabnikov in zgodovini ogledov. \u010ce A in B imata radi Sam doma, in B obo\u017euje Dekleta z Mean Girls, lahko predlagamo A \u2014 to jima morda tudi ustreza. To omogo\u010da strankam, da se pove\u017eejo s platformo.<\/p>\n

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

Podatkovni niz\/Paket:<\/b> Nabor podatkov MovieLens<\/p>\n

12. Segmentacija strank<\/h3>\n

\nNavdu\u0161ite delodajalce s projektom Data Science (vklju\u010dno z izvorno kodo) \u2014 Segmentacija strank z uporabo strojnega u\u010denja<\/a><\/noindex>.<\/p>\n

\"14
\n
\nSegmentacija strank je priljubljena aplikacija nepridobljenega u\u010denja.<\/a><\/noindex>Z uporabo klusteringa kompanije dolo\u010dajo segmente strank za delo s potencialnimi uporabniki. Stranke razdelijo v skupine glede na skupne zna\u010dilnosti, kot so spol, starost, interesi in nakupne navade, da lahko u\u010dinkovito prodajajo svoje izdelke vsakemu segmentu. Uporabili bomo K-means klustering<\/a><\/noindex>, ter vizualizirali razporeditev po spolu in starosti. Nato bomo analizirali njihove letne dohodke in raven porabe.<\/p>\n

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

Podatkovni niz\/Paket:<\/b> Nabor podatkov Mall_Customers<\/p>\n

13. Klasifikacija raka dojk<\/h3>\n

\nOglejte si celovito izvedbo projekta Data Science v Pythonu \u2014 Klasifikacija raka dojk s pomo\u010djo globokega u\u010denja<\/a><\/noindex>.<\/p>\n

\"14
\n
\nVrnete se k medicinskemu prispevku znanosti o podatkih in nau\u010dimo se prepoznati rak dojk s pomo\u010djo Pythona. Uporabili bomo podatkovni niz IDC_regular za prepoznavo invazivnega duktalnega karcinoma, najbolj raz\u0161irjene oblike raka dojk. Ta se razvija v mle\u010dnih vodih, prodira v vlaknasto ali ma\u0161\u010dobno tkivo dojk zunaj vodov. V tej ideji znanstvenega projekta za zbiranje podatkov bomo uporabili Globoko u\u010denje<\/a><\/noindex> in knji\u017enico Keras za klasifikacijo.<\/p>\n

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

Podatkovni niz\/Paket:<\/b> IDC_regular<\/p>\n

14. Prepoznavanje prometnih znakov<\/h3>\n

\nDosego natan\u010dnosti v tehnologiji avtonomnega vo\u017enje vozila s pomo\u010djo projekta Data Science prepoznavanje prometnih znakov z uporabo CNN<\/a><\/noindex> z odprto kodo.<\/p>\n

\"14
\n
\nPrometni znaki in prometna pravila so zelo pomembni za vsakega voznika, da se izogne nesre\u010dam. Da bi sledili pravilom, najprej razumeti, kako izgleda prometni znak. Oseba se mora nau\u010diti vseh prometnih znakov, preden ji podelijo vozni\u0161ko dovoljenje za upravljanje kateregakoli vozila. A zdaj se \u0161tevilo avtonomnih vozil pove\u010duje in v bli\u017enji prihodnosti osebe ne bodo ve\u010d samostojno upravljale vozil. V projektu \u201ePrepoznavanje prometnih znakov\u201c boste izvedeli, kako lahko program prepozna vrsto prometnih znakov na podlagi slike kot vhodnega signala. Za gradnjo globoke nevronske mre\u017ee za prepoznavo razreda, kateremu pripada prometni znak, uporabljamo podatkovni niz za prepoznavo prometnih znakov v Nem\u010diji (GTSRB). Prav tako ustvarjamo preprost grafi\u010dni vmesnik za interakcijo z aplikacijo.<\/p>\n

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

Nabor podatkov:<\/b> GTSRB (benchmark za prepoznavanje prometnih znakov v Nem\u010diji)<\/p>\n

Preberite ve\u010d<\/h3>\n

<\/p>\n