Czy jesteś podekscytowany wejściem w świat Data Science?
Gratulacje! To wciąż właściwy wybór ze względu na ostateczny impuls w potrzebie pracy w Data Science i sztucznej inteligencji podczas tej pandemii.
Although, z powodu kryzysu, rynek obecnie staje się trudniejsze, aby być w stanie ustawić go ponownie z więcej mężczyzn siły, jak robią wcześniej. Tak, To może być możliwe, że trzeba przygotować się psychicznie do długiej podróży zatrudniania run i wiele odrzuceń w sposób.
Hereby, pisząc ten artykuł, jestem zakładając, że masz już wiedział, że portfolio data-science jest kluczowe i jak go zbudować.
Możesz spędzić większość swojego czasu, robiąc obliczenia i przetwarzając dane, a nie stosując wymyślne modele.
Jednym z pytań, które zadawałem entuzjastom nauki o danych, jest pytanie o to, jakiego rodzaju projekty powinni zawrzeć w swoim portfolio, aby zbudować niesamowicie dobre i unikalne portfolio.
Poniżej podałem 8 unikalnych pomysłów na portfolio nauki o danych z załączonymi artykułami referencyjnymi, z których dowiesz się jak zacząć z każdym konkretnym pomysłem.
Ten temat jest tak wrażliwy, aby być uważane w dzisiejszych czasach i w pilnej potrzebie, aby coś z tym zrobić. Na całym świecie ponad 264 miliony osób cierpi na depresję. Depresja jest główną przyczyną niepełnosprawności na całym świecie i w znacznym stopniu przyczynia się do ogólnego globalnego obciążenia chorobami, a prawie 800 000 osób rocznie konsekwentnie zapada na zdrowiu z powodu samobójstwa. Samobójstwo jest drugą najczęstszą przyczyną śmierci osób w wieku 15-29 lat. Leczenie depresji jest często opóźnione, nieprecyzyjne i/lub całkowicie pomijane.
Internetowe życie daje główną szansę na zmianę wczesnych usług mediacji melancholii, zwłaszcza u młodych dorosłych. Konsekwentnie, w przybliżeniu 6,000 tweetów jest tweetowanych na Twitterze, co odnosi się do ponad 350,000 tweetów wysłanych na każdą chwilę, 500 milionów tweetów na każdy dzień i około 200 miliardów tweetów na każdy rok.
Jak wskazano przez Pew Research Center, 72% społeczeństwa korzysta z jakiegoś rodzaju życia opartego na Internecie. Zbiory danych uwolnione z sieci społecznych są ważne dla wielu dziedzin, na przykład, nauki o człowieku i badania mózgu. Ale wsparcie z wyspecjalizowanego punktu widzenia jest dalekie od wystarczającego, a jednoznaczne metodologie są rozpaczliwie pozbawione szczęścia.
Analizując znaczniki językowe w postach mediów społecznościowych, możliwe jest stworzenie modelu głębokiego uczenia, który może dać jednostce wgląd w jej zdrowie psychiczne dużo wcześniej niż tradycyjne podejścia.
- Sports match video to text summarization using neural network
- Handwritten equation solver using CNN
- Generowanie podsumowań spotkań biznesowych przy użyciu NLP
- Rozpoznawanie twarzy w celu wykrywania nastroju i odpowiedniego sugerowania piosenek
- Finding out habitable exo-planet from images captured by space vehicles like Kepler
- Regeneracja obrazu dla starego, uszkodzonego zdjęcia z rolki
- Generowanie muzyki przy użyciu głębokiego uczenia
- FINAL WORD
Sports match video to text summarization using neural network
Więc ten pomysł na projekt jest w zasadzie oparty na uzyskaniu dokładnego podsumowania z filmów z meczów sportowych. Istnieją strony sportowe, które opowiadają o najważniejszych momentach meczu. Różne modele zostały zaproponowane dla zadania ekstrakcji streszczenie tekstu, ale sieci neuronowe zrobić najlepszą pracę. Co do zasady, podsumowanie nawiązuje do wprowadzenia informacji w krótkiej strukturze, koncentrując się na części, które przekazują fakty i informacje, przy jednoczesnym zachowaniu znaczenia.
Automatycznie tworząc zarys wideo gry rodzi wyzwanie do wyróżnienia fascynujących minut, lub highlights, z gry.
Więc, można to osiągnąć za pomocą niektórych technik głębokiego uczenia się, takich jak 3D-CNN (trójwymiarowe sieci konwolucyjne), RNN(sieć neuronowa rekurencyjna), LSTM (sieci pamięci długotrwałej), a także poprzez algorytmy uczenia maszynowego, dzieląc wideo na różne sekcje, a następnie stosując SVM(maszyny wektorów nośnych), NN(sieci neuronowe), algorytm k-średnich.
Dla lepszego zrozumienia, proszę odnieść się do załączonych artykułów w szczegółach.
Handwritten equation solver using CNN
Pomiędzy wszystkimi zagadnieniami, rozpoznawanie odręcznego pisma matematycznego jest jednym z zagmatwanych problemów w regionie badań nad widzeniem komputerowym. Można wytrenować system rozwiązywania równań pisma odręcznego na podstawie odręcznych cyfr i symboli matematycznych przy użyciu sieci neuronowych (CNN) i niektórych technik przetwarzania obrazu. Opracowanie takiego systemu wymaga szkolenia naszych maszyn z danymi, czyniąc je biegłymi w uczeniu się i dokonywaniu wymaganych przewidywań.
Do lepszego zrozumienia odnieś się do poniżej załączonych artykułów.
Generowanie podsumowań spotkań biznesowych przy użyciu NLP
Kiedykolwiek utknąłem w sytuacji, gdzie każdy chce zobaczyć podsumowanie, a nie pełne raporty. Cóż, spotkałem się z tym w czasach szkolnych i studenckich, kiedy spędzaliśmy mnóstwo czasu na przygotowaniu całego raportu, ale nauczyciel miał czas tylko na przeczytanie streszczenia.
Summatyzacja stała się nieubłaganie pomocnym sposobem radzenia sobie z problemem nadmiaru danych. Wyciąganie informacji z rozmów może mieć bardzo dobrą wartość komercyjną i edukacyjną. Można to zrobić przez przechwytywanie funkcji statystycznych, lingwistycznych i sentymentalnych aspektów wraz ze strukturą dialogową rozmowy.
Ręczna zmiana raportu do postaci podsumowującej jest zbyt czasochłonna, nieprawdaż? Ale można polegać na technikach przetwarzania języka naturalnego (NLP), aby to osiągnąć.
Sumowanie tekstu przy użyciu głębokiego uczenia się może zrozumieć kontekst całego tekstu. Czy nie jest to spełnienie marzeń dla wszystkich z nas, którzy muszą wymyślić szybkie streszczenie dokumentu !!!
Do odnieść się do poniżej załączonych artykułów dla lepszego zrozumienia.
Rozpoznawanie twarzy w celu wykrywania nastroju i odpowiedniego sugerowania piosenek
Ludzka twarz jest ważną częścią ciała jednostki i w szczególności odgrywa znaczącą rolę w poznawaniu stanu umysłu danej osoby. Eliminuje to ponure i żmudne zadanie ręcznego wyodrębniania lub grupowania utworów w różne rekordy i pomaga w generowaniu odpowiedniej listy odtwarzania w oparciu o indywidualne cechy emocjonalne.
Ludzie mają tendencję do słuchania muzyki w oparciu o ich nastrój i zainteresowania. Można stworzyć aplikację do sugerowania utworów dla użytkowników w oparciu o ich nastrój poprzez przechwytywanie mimiki twarzy.
Wizja komputerowa to interdyscyplinarna dziedzina, która pomaga przekazać komputerom wysokopoziomowe zrozumienie obrazów cyfrowych lub filmów. komponenty wizji komputerowej mogą być używane do określania emocji użytkownika poprzez mimikę twarzy.
Są też te API, które uznałem za interesujące i użyteczne, chociaż nie pracowałem nad nimi, ale załączam je z nadzieją, że ci pomogą.
Finding out habitable exo-planet from images captured by space vehicles like Kepler
W ostatniej dekadzie ponad milion gwiazd było monitorowanych w celu identyfikacji planet tranzytujących. Ręczna interpretacja potencjalnych kandydatów na egzoplanety jest pracochłonna i narażona na błędy ludzkie, których konsekwencje są trudne do oszacowania. Konwolucyjne sieci neuronowe nadają się do identyfikacji podobnych do Ziemi egzoplanet w zaszumionych danych szeregu czasowego z większą precyzją niż strategia najmniejszych kwadratów.
Regeneracja obrazu dla starego, uszkodzonego zdjęcia z rolki
Wiem, jak czasochłonne i bolesne jest odzyskanie starego, uszkodzonego zdjęcia w oryginalnej formie, w jakiej było wcześniej. Tak, to może być wykonane przy użyciu głębokiego uczenia się poprzez znalezienie wszystkich wad obrazu (pęknięcia, otarcia, dziury), a przy użyciu algorytmów Inpainting, można łatwo odkryć wady w oparciu o wartości pikseli wokół nich, aby przywrócić i kolor starych zdjęć.
Generowanie muzyki przy użyciu głębokiego uczenia
Muzyka jest asortymentem tonów o różnych częstotliwościach. Automatyczna Generacja Muzyki jest więc procesem komponowania krótkiego utworu muzycznego przy jak najmniejszym udziale człowieka. Ostatnio, Deep Learning engineering stał się krawędzią tnącą dla zaprogramowanego Music Generation.
FINAL WORD
Wiem, że jest to prawdziwa walka, aby zbudować fajne portfolio data science. Ale z taką kolekcją, którą przedstawiłem powyżej, można zrobić ponadprzeciętny postęp w tej dziedzinie. Kolekcja jest nowa, co daje możliwość dla celów badawczych też. Tak więc, naukowcy w Data-Science mogą również wybrać te pomysły do pracy, aby ich badania były wielką pomocą dla Data Scientists, aby rozpocząć projekt. Co więcej, jest to prawdziwa frajda odkrywać strony, których nikt wcześniej nie robił.
Pomimo, że ta kolekcja jest właściwie konstytuowana przez pomysły od poziomu początkującego do zaawansowanego.
Więc, nie tylko polecam to dla początkujących w dziedzinie nauki o danych, ale także dla starszych naukowców danych. Otworzy to wiele nowych ścieżek w twojej karierze, nie tylko dzięki projektom, ale także dzięki nowo zdobytej sieci kontaktów.
Pomysły te pokazują szeroki zakres możliwości i dają ci pomysły, aby myśleć nieszablonowo.
Dla mnie i moich przyjaciół, czynniki edukacyjne, dodawanie wartości do społeczeństwa i niezbadana wiedza są ważne i zabawa w pewnym sensie jest niezbędna. Tak więc, w zasadzie lubię robić takie projekty, które dają nam możliwość zdobycia ogromnej wiedzy i pozwalają nam odkrywać niezbadane wymiary. To jest nasz główny cel, kiedy poświęcamy czas na takie projekty.
