{"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\/sv\/blog\/news\/14-open-source-proektov-dlya-prokachki-data-science-masterstva-easy-normal-hard","title":{"rendered":"14 open-source projekt f\u00f6r att f\u00f6rb\u00e4ttra Data Science-f\u00e4rdigheter (enkla, normala, sv\u00e5ra)","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Data Science f\u00f6r nyb\u00f6rjare<\/i><\/p>\n

1. Sentimentanalys (Analys av k\u00e4nslor genom text)<\/h3>\n

\n\"14
\n
\nSe den kompletta implementationen av Data Science-projektet med hj\u00e4lp av k\u00e4llkoden \u2014 Sentimentanalysprojekt i R<\/a><\/noindex>.<\/p>\n

Sentiment Analysis \u2014 \u00e4r en analys av ord f\u00f6r att best\u00e4mma k\u00e4nslor och \u00e5sikter, som kan vara positiva eller negativa. Det \u00e4r en typ av klassificering d\u00e4r klasserna kan vara bin\u00e4ra (positiva och negativa) eller m\u00e5ngfacetterade (glada, arga, ledsna, avskyv\u00e4rda \u2026). Vi genomf\u00f6r detta Data Science-projekt i R-spr\u00e5ket och kommer att anv\u00e4nda ett dataset fr\u00e5n paketet \"janeaustenR\". Vi kommer att anv\u00e4nda allm\u00e4nna ordlistor som AFINN, bing och loughran, utf\u00f6ra inre samband, och till slut kommer vi att skapa ett ordmoln f\u00f6r att visualisera resultaten.<\/p>\n

Spr\u00e5k:<\/b> R
\nDataset\/Paket:<\/b> janeaustenR
\n<\/a><\/noindex><\/p>\n

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

\nArtikeln \u00e4r \u00f6versatt med st\u00f6d av f\u00f6retaget EDISON Software, som skapar virtuella provrum f\u00f6r multibrandsbutiker<\/a><\/noindex>, samt testar mjukvara<\/a><\/noindex>.<\/p><\/blockquote>\n

2. Uppt\u00e4ckta falska nyheter (Fake News Detection)<\/h3>\n

\nTa dina f\u00e4rdigheter till n\u00e4sta niv\u00e5 genom att arbeta p\u00e5 Data Science-projekt f\u00f6r nyb\u00f6rjare \u2014 uppt\u00e4ckte falska nyheter med Python<\/a><\/noindex>.<\/p>\n

\"14
\n
\nFalska nyheter \u00e4r falsk information som sprids genom sociala medier och andra n\u00e4tverksmedia f\u00f6r att uppn\u00e5 politiska m\u00e5l. I denna projektid\u00e9 inom Data Science kommer vi att anv\u00e4nda Python f\u00f6r att bygga en modell som kan exakt avg\u00f6ra om en nyhet \u00e4r \u00e4kta eller falsk. Vi kommer att skapa en TfidfVectorizer och anv\u00e4nda PassiveAggressiveClassifier f\u00f6r att klassificera nyheter som \"\u00e4kta\" eller \"falska\". Vi kommer att anv\u00e4nda datasetet i formatet 7796 \u00d7 4 och genomf\u00f6ra allt i Jupyter Lab.<\/p>\n

Spr\u00e5k:<\/b> Python<\/p>\n

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

3. Uppt\u00e4ckte Parkinsons sjukdom (Detecting Parkinson\u2019s Disease)<\/h3>\n

\nG\u00e5 vidare genom att arbeta p\u00e5 projektid\u00e9en Data Science Project Idea \u2014 uppt\u00e4ckte Parkinsons sjukdom med XGBoost<\/a><\/noindex>.<\/p>\n

\"14
\n
\nVi b\u00f6rjade anv\u00e4nda Data Science f\u00f6r att f\u00f6rb\u00e4ttra h\u00e4lsov\u00e5rden och tj\u00e4nster \u2014 om vi kan f\u00f6ruts\u00e4ga sjukdomar i ett tidigt skede, f\u00e5r vi m\u00e5nga f\u00f6rdelar. S\u00e5 i denna projektid\u00e9 f\u00f6r Data Science kommer vi att l\u00e4ra oss att uppt\u00e4cka Parkinsons sjukdom med Python. Det \u00e4r en neurodegenerativ, progressiv sjukdom i centrala nervsystemet som p\u00e5verkar r\u00f6relsen och orsakar skakningar och stelhet. Det p\u00e5verkar dopaminproducerande neuroner i hj\u00e4rnan, och varje \u00e5r p\u00e5verkar det mer \u00e4n 1 miljon m\u00e4nniskor i Indien.<\/p>\n

Spr\u00e5k:<\/b> Python<\/p>\n

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

Data Science-projekt av medelsv\u00e5r sv\u00e5righetsgrad<\/i><\/p>\n

4. Talemotionsigenk\u00e4nning (Speech Emotion Recognition)<\/h3>\n

\nBekanta dig med den fullst\u00e4ndiga implementeringen av Data Science-projektet \u2014 r\u00f6stigenk\u00e4nning med hj\u00e4lp av Librosa<\/a><\/noindex>.<\/p>\n

\"14
\n
\nL\u00e5t oss nu l\u00e4ra oss att anv\u00e4nda olika bibliotek. Detta Data Science-projekt anv\u00e4nder librosa f\u00f6r r\u00f6stigenk\u00e4nning. SER \u00e4r processen f\u00f6r att identifiera m\u00e4nskliga k\u00e4nslor och affektiva tillst\u00e5nd genom tal. Eftersom vi anv\u00e4nder ton och tonh\u00f6jd f\u00f6r att uttrycka k\u00e4nslor med r\u00f6sten \u00e4r SER relevant. Men eftersom k\u00e4nslor \u00e4r subjektiva \u00e4r ljudannotering en komplex uppgift. Vi kommer att anv\u00e4nda funktionerna mfcc, chroma och mel och anv\u00e4nda RAVDESS-datasetet f\u00f6r k\u00e4nsligenk\u00e4nning. Vi kommer att skapa en MLPC-klassificerare f\u00f6r denna modell.<\/p>\n

Spr\u00e5k:<\/b> Python<\/p>\n

Dataset\/Paket:<\/b> RAVDESS-datasetet<\/p>\n

5. K\u00f6ns- och \u00e5ldersdetektering<\/h3>\n

\nImponera p\u00e5 arbetsgivare med det senaste Data Science-projektet \u2014 k\u00f6ns- och \u00e5ldersbest\u00e4mning med OpenCV<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDetta \u00e4r ett intressant Data Science-projekt med Python. Genom att anv\u00e4nda bara en bild kommer du att l\u00e4ra dig att f\u00f6ruts\u00e4ga en persons k\u00f6n och \u00e5lder. I detta projekt introducerar vi dig till datorseende och dess principer. Vi kommer att bygga en konvolutionell neuronn\u00e4tverk<\/a><\/noindex> och anv\u00e4nda modellerna som tr\u00e4nats av Tal Hassner och Gil Levi f\u00f6r Adience-datasetet. P\u00e5 v\u00e4gen kommer vi att anv\u00e4nda n\u00e5gra filer .pb, .pbtxt, .prototxt och .caffemodel.<\/p>\n

Spr\u00e5k:<\/b> Python<\/p>\n

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

6. Uber-dataanalys<\/h3>\n

\nSe den fullst\u00e4ndiga implementeringen av Data Science-projektet med k\u00e4llkod \u2014 Uber Data Analysis Project i R<\/a><\/noindex>.<\/p>\n

\"14
\n
\nDetta \u00e4r ett datavisualiseringsprojekt med ggplot2 d\u00e4r vi kommer att anv\u00e4nda R och dess bibliotek f\u00f6r att analysera olika parametrar. Vi kommer att anv\u00e4nda datasetet Uber Pickups i New York och skapa visualiseringar f\u00f6r olika tidsramar under \u00e5ret. Detta visar hur tid p\u00e5verkar kundresor.<\/p>\n

Spr\u00e5k:<\/b> R<\/p>\n

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

7. Detektering av f\u00f6rares s\u00f6mnighet<\/h3>\n

\nUtveckla dina f\u00e4rdigheter genom att arbeta med Top Data Science Project \u2014 s\u00f6mnighetsdetekteringssystem med OpenCV & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nS\u00f6mnigt k\u00f6rande \u00e4r extremt farligt, och varje \u00e5r intr\u00e4ffar cirka tusen olyckor p\u00e5 grund av att f\u00f6rare somnar under k\u00f6rningen. I detta Python-projekt kommer vi att skapa ett system som kan uppt\u00e4cka tr\u00f6tta f\u00f6rare och varna dem med ett ljudsignaler.<\/p>\n

Detta projekt \u00e4r genomf\u00f6rt med hj\u00e4lp av Keras och OpenCV. Vi kommer att anv\u00e4nda OpenCV f\u00f6r att uppt\u00e4cka ansikten och \u00f6gon, och med Keras kommer vi att klassificera \u00f6gats tillst\u00e5nd (\u00d6ppet eller St\u00e4ngt) med hj\u00e4lp av metoder f\u00f6r djupa neurala n\u00e4tverk.<\/p>\n

8. Chattbot<\/h3>\n

\nSkapa en chattbot med Python och ta ett steg fram\u00e5t i din karri\u00e4r \u2014 Chattbot med NLTK & Keras<\/a><\/noindex>.<\/p>\n

\"14
\n
\nChattbottar \u00e4r en integrerad del av f\u00f6retag. M\u00e5nga f\u00f6retag beh\u00f6ver erbjuda tj\u00e4nster till sina kunder, och f\u00f6r att kunna g\u00f6ra detta kr\u00e4vs mycket arbetskraft, tid och anstr\u00e4ngning. Chattbottar kan automatisera en stor del av kundinteraktionen genom att svara p\u00e5 vanliga fr\u00e5gor som kunder st\u00e4ller. Det finns i huvudsak tv\u00e5 typer av chattbottar: Dom\u00e4nspecifika och \u00d6ppna dom\u00e4ner. Dom\u00e4nspecifika chattbottar anv\u00e4nds ofta f\u00f6r att l\u00f6sa specifika problem. D\u00e4rf\u00f6r beh\u00f6ver du anpassa dem f\u00f6r att fungera effektivt inom ditt omr\u00e5de. \u00d6ppna dom\u00e4nchattbottar kan st\u00e4llas vilka fr\u00e5gor som helst, d\u00e4rf\u00f6r kr\u00e4vs en stor m\u00e4ngd data f\u00f6r deras tr\u00e4ning.<\/p>\n

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

Spr\u00e5k:<\/b> Python<\/p>\n

Avancerade Data Science-projekt<\/i><\/p>\n

9. Bildbeskrivningsgenerator<\/h3>\n

\nKontrollera den fullst\u00e4ndiga implementeringen av projektet med k\u00e4llkod \u2014 Bildbeskrivningsgenerator med CNN & LSTM<\/a><\/noindex>.<\/p>\n

\"14
\n
\nAtt beskriva vad som finns p\u00e5 en bild \u00e4r en l\u00e4tt uppgift f\u00f6r m\u00e4nniskor, men f\u00f6r datorer \u00e4r en bild bara en upps\u00e4ttning siffror som representerar f\u00e4rgv\u00e4rdet f\u00f6r varje pixel. Det \u00e4r en sv\u00e5r uppgift f\u00f6r datorer. Att f\u00f6rst\u00e5 vad som finns i en bild och sedan skapa en beskrivning p\u00e5 naturligt spr\u00e5k (t.ex. p\u00e5 engelska) \u00e4r en annan sv\u00e5r utmaning. Detta projekt anv\u00e4nder metoder f\u00f6r djupinl\u00e4rning d\u00e4r vi implementerar ett konvolutionellt neuralt n\u00e4tverk (CNN) tillsammans med ett \u00e5terkommande neuralt n\u00e4tverk (LSTM) f\u00f6r att skapa en bildbeskrivningsgenerator.<\/p>\n

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

Spr\u00e5k:<\/b> Python<\/p>\n

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

10. Uppt\u00e4ckte av kreditkortsmissbruk<\/h3>\n

\nG\u00f6r ditt b\u00e4sta n\u00e4r du arbetar med en Data Science-projektid\u00e9 \u2014 uppt\u00e4ckte av kreditkortsmissbruk med hj\u00e4lp av maskininl\u00e4rning<\/a><\/noindex>.<\/p>\n

\"14
\n
\nVid det h\u00e4r laget har du b\u00f6rjat f\u00f6rst\u00e5 metoder och koncept. L\u00e5t oss g\u00e5 vidare till n\u00e5gra avancerade projekt inom datavetenskap. I detta projekt kommer vi att anv\u00e4nda programmeringsspr\u00e5ket R med algoritmer som beslutstr\u00e4d<\/a><\/noindex>, logistikregression, artificiella neurala n\u00e4tverk och gradientboostingklassificerare. Vi kommer att anv\u00e4nda en dataset f\u00f6r korttransaktioner f\u00f6r att klassificera kreditkortstransaktioner som bedr\u00e4gliga eller \u00e4kta. Vi kommer att matcha dem med olika modeller och bygga prestandakurvor.<\/p>\n

Spr\u00e5k:<\/b> R<\/p>\n

Dataset\/Paket:<\/b> Datasets f\u00f6r korttransaktioner<\/p>\n

11. Filmtj\u00e4nst rekommendationssystem<\/h3>\n

\nUppt\u00e4ck implementeringen av det b\u00e4sta Data Science-projektet med k\u00e4llkod \u2014 Filmtj\u00e4nst rekommendationssystem i R<\/a><\/noindex><\/p>\n

\"14
\n
\nI detta Data Science-projekt kommer vi att anv\u00e4nda R f\u00f6r att g\u00f6ra filmrekommendationer genom maskininl\u00e4rning. Rekommendationssystemet skickar f\u00f6rslag till anv\u00e4ndare genom en filtreringsprocess baserat p\u00e5 andra anv\u00e4ndares preferenser och visningshistorik. Om b\u00e5de A och B gillar Home Alone, och B \u00e4lskar Mean Girls, kan A f\u00f6resl\u00e5s ocks\u00e5, eftersom de ocks\u00e5 kan gilla det. Detta g\u00f6r att kunder kan interagera med plattformen.<\/p>\n

Spr\u00e5k:<\/b> R<\/p>\n

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

12. Kundsegmentering<\/h3>\n

\nImponera p\u00e5 arbetsgivare med ett Data Science-projekt (inkluderar k\u00e4llkod) \u2014 Kundsegmentering med maskininl\u00e4rning<\/a><\/noindex>.<\/p>\n

\"14
\n
\nKundsegmentering \u00e4r en popul\u00e4r applikation av o\u00f6vervakad inl\u00e4rning.<\/a><\/noindex>. Genom att anv\u00e4nda klustring identifierar f\u00f6retag kundsegment f\u00f6r att arbeta med potentiella anv\u00e4ndarbaser. De delar in kunder i grupper baserat p\u00e5 gemensamma egenskaper som k\u00f6n, \u00e5lder, intressen och utgiftsvanor, s\u00e5 att de effektivt kan s\u00e4lja sina produkter till varje grupp. Vi kommer att anv\u00e4nda K-means klustring<\/a><\/noindex>, samt visualisera f\u00f6rdelningen baserat p\u00e5 k\u00f6n och \u00e5lder. Sedan kommer vi att analysera deras \u00e5rliga inkomster och utgiftsniv\u00e5er.<\/p>\n

Spr\u00e5k:<\/b> R<\/p>\n

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

13. Klassificering av br\u00f6stcancer<\/h3>\n

\nSe den fullst\u00e4ndiga implementeringen av Data Science-projektet i Python \u2014 Klassificering av br\u00f6stcancer med djupinl\u00e4rning<\/a><\/noindex>.<\/p>\n

\"14
\n
\n\u00c5terv\u00e4nder till den medicinska aspekten av datavetenskap, l\u00e5t oss l\u00e4ra oss att uppt\u00e4cka br\u00f6stcancer med Python. Vi kommer att anv\u00e4nda datasetet IDC_regular f\u00f6r att identifiera invasiv duktal cancer, den vanligaste formen av br\u00f6stcancer. Det utvecklas i mj\u00f6lkg\u00e5ngarna och infiltrerar den fibr\u00f6sa eller fettv\u00e4vnaden utanf\u00f6r g\u00e5ngen. I detta datainsamlingsprojekt kommer vi att anv\u00e4nda Deep Learning<\/a><\/noindex> och Keras-biblioteket f\u00f6r klassificering.<\/p>\n

Spr\u00e5k:<\/b> Python<\/p>\n

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

14. Trafikskyltarigenk\u00e4nning<\/h3>\n

\nAtt uppn\u00e5 precision i sj\u00e4lvk\u00f6rande bilteknik genom ett Data Science-projekt om igenk\u00e4nning av trafikskyltar med hj\u00e4lp av CNN<\/a><\/noindex> med \u00f6ppen k\u00e4llkod.<\/p>\n

\"14
\n
\nTrafikskyltar och trafikregler \u00e4r mycket viktiga f\u00f6r varje f\u00f6rare f\u00f6r att undvika olyckor. F\u00f6r att f\u00f6lja reglerna m\u00e5ste man f\u00f6rst f\u00f6rst\u00e5 hur en trafikskylt ser ut. En person m\u00e5ste l\u00e4ra sig alla trafikskyltar innan han eller hon f\u00e5r k\u00f6rkort f\u00f6r n\u00e5got fordon. Men nu \u00f6kar antalet sj\u00e4lvk\u00f6rande fordon, och i en n\u00e4ra framtid kommer m\u00e4nniskor inte l\u00e4ngre att k\u00f6ra bilar sj\u00e4lva. I projektet \"Trafikskyltarigenk\u00e4nning\" kommer du att l\u00e4ra dig hur programvaran kan k\u00e4nna igen typen av trafikskyltar genom att ta en bild som ing\u00e5ngssignal. Datasetet f\u00f6r trafikskyltar i Tyskland (GTSRB) anv\u00e4nds f\u00f6r att bygga ett djupt neuronn\u00e4t f\u00f6r att identifiera vilken klass trafikskylten tillh\u00f6r. Vi skapar ocks\u00e5 ett enkelt grafiskt gr\u00e4nssnitt f\u00f6r att interagera med applikationen.<\/p>\n

Spr\u00e5k:<\/b> Python<\/p>\n

Datasett:<\/b> GTSRB (German Traffic Sign Recognition Benchmark)<\/p>\n

L\u00e4s mer<\/h3>\n

<\/p>\n