Etes-vous excité d’entrer dans le monde de la science des données ?
Congrats ! C’est encore le bon choix en raison de l’ultime coup de pouce dans le besoin de travail effectué dans la science des données et l’intelligence artificielle au cours de cette pandémie.
Même si, à cause de la crise, le marché devient actuellement plus difficile pour pouvoir le remettre en place avec plus de force d’hommes comme ils le font plus tôt. Donc, Il pourrait être possible que vous devez vous préparer mentalement pour le voyage d’embauche à long terme et de nombreux rejets en quelque sorte.
Hereby, tout en écrivant cet article, je suppose que vous avez déjà connu que le portefeuille de la science des données est crucial et comment le construire.
Vous pourriez passer la plupart de votre temps, à faire du crunching et du wrangling de données et non pas à appliquer des modèles fantaisistes.
Une question qui m’a été posée à maintes reprises par des enthousiastes de la science des données est que quel type de projets devraient-ils inclure dans leur portefeuille pour construire un portefeuille formidablement bon et unique.
Ci-après, j’ai donné les 8 idées uniques pour votre portefeuille de science des données avec des articles de référence joints à partir desquels vous obtiendrez les aperçus de la façon de commencer avec une idée particulière.
Ce sujet est si sensible à considérer de nos jours et dans le besoin urgent de faire quelque chose à ce sujet. Il y a plus de 264 millions d’individus dans le monde qui souffrent de dépression. La dépression est la principale cause d’invalidité dans le monde et représente une part importante de la charge globale de morbidité. Chaque année, près de 800 000 personnes se suicident. Le suicide est la deuxième cause de décès chez les 15-29 ans. Le traitement de la dépression est souvent retardé, imprécis, et/ou entièrement manqué.
La vie sur Internet donne la principale chance de changer les services de médiation précoce de la mélancolie, en particulier chez les jeunes adultes. En permanence, environ 6 000 tweets sont échangés sur Twitter, ce qui représente plus de 350 000 tweets envoyés à chaque instant, 500 millions de tweets par jour et environ 200 milliards de tweets par an.
Comme l’indique le Pew Research Center, 72% du public utilise une forme de vie basée sur Internet. Les ensembles de données issus des réseaux sociaux sont importants pour de nombreux domaines, par exemple les sciences humaines et la recherche sur le cerveau. Mais les supports d’un point de vue spécialisé sont loin d’être suffisants, et les méthodologies explicites manquent cruellement de chance.
En analysant les marqueurs linguistiques dans les messages des médias sociaux, il est possible de créer un modèle d’apprentissage profond qui peut donner à un individu un aperçu de sa santé mentale bien plus tôt que les approches traditionnelles.
- Sports match video to text summarization using neural network
- Solveur d’équations manuscrites à l’aide de CNN
- Génération de résumé de réunion d’affaires à l’aide de NLP
- La reconnaissance faciale pour détecter l’humeur et suggérer des chansons en conséquence
- Découvrir une exo-planète habitable à partir d’images capturées par des véhicules spatiaux comme Kepler
- Régénération d’image pour vieille photo de bobine endommagée
- Génération de musique à l’aide de l’apprentissage profond
- Mot final
Sports match video to text summarization using neural network
So this project idea is basically based on getting precise summary out of Sports match videos. Il existe des sites web sportifs qui présentent les moments forts du match. Divers modèles ont été proposés pour la tâche de résumé de texte extractif, mais les réseaux neuronaux font le meilleur travail. En règle générale, le résumé fait allusion à l’introduction d’informations dans une structure brève, en se concentrant sur les parties qui transmettent les faits et les informations, tout en sauvegardant l’importance.
La création automatique d’un plan d’une vidéo de match donne lieu au défi de distinguer les minutes fascinantes, ou les faits saillants, d’un match.
On peut donc y parvenir en utilisant certaines techniques d’apprentissage profond comme le 3D-CNN (réseaux convolutifs tridimensionnels), le RNN(réseau neuronal récurrent), le LSTM (réseaux de mémoire à long terme) et également par le biais d’algorithmes d’apprentissage automatique en divisant la vidéo en différentes sections puis en appliquant l’algorithme SVM(Support vector machines), NN(réseaux neuronaux), k-means.
Pour une meilleure compréhension, veuillez vous référer aux articles ci-joints en détail.
Solveur d’équations manuscrites à l’aide de CNN
Parmi tous les problèmes, la reconnaissance d’expressions mathématiques manuscrites est l’un des problèmes confondants dans la région de la recherche en vision par ordinateur. Vous pouvez former un résolveur d’équations manuscrites à partir de chiffres et de symboles mathématiques écrits à la main en utilisant un réseau neuronal convolutif (CNN) avec certaines techniques de traitement d’images. Le développement d’un tel système nécessite d’entraîner nos machines avec des données, ce qui les rend compétentes pour apprendre et faire la prédiction requise.
Veuillez vous référer aux articles ci-joints pour une meilleure compréhension.
Génération de résumé de réunion d’affaires à l’aide de NLP
Vous avez déjà été coincé dans une situation, où tout le monde veut voir un résumé et non des rapports complets. Eh bien, j’y ai été confronté pendant mes années d’école et de collège, où nous passons beaucoup de temps à préparer un rapport complet, mais le professeur n’a le temps de lire que le résumé.
La synthèse s’est élevée comme un moyen inexorablement utile de s’attaquer au problème de la surcharge de données. L’extraction d’informations à partir de conversations peut avoir une très bonne valeur commerciale et éducative. Cela peut être fait par la capture de caractéristiques des aspects statistiques, linguistiques et sentimentaux avec la structure de dialogue de la conversation.
Changer manuellement le rapport en une forme résumée prend trop de temps, n’est-ce pas ? Mais on peut s’appuyer sur les techniques de traitement du langage naturel (NLP) pour y parvenir.
Le résumé de texte utilisant l’apprentissage profond peut comprendre le contexte du texte entier. N’est-ce pas un rêve devenu réalité pour tous ceux d’entre nous qui ont besoin de trouver un résumé rapide d’un document !!
Veuillez vous référer aux articles joints ci-dessous pour mieux comprendre.
La reconnaissance faciale pour détecter l’humeur et suggérer des chansons en conséquence
Le visage humain est une partie importante du corps d’un individu et il joue particulièrement un rôle significatif pour connaître l’état d’esprit d’une personne. Cela élimine la tâche ennuyeuse et fastidieuse d’isoler ou de regrouper manuellement les chansons dans divers enregistrements et aide à générer une liste de lecture appropriée en fonction des caractéristiques émotionnelles d’un individu.
Les gens ont tendance à écouter de la musique en fonction de leur humeur et de leurs intérêts. On peut créer une application pour suggérer des chansons aux utilisateurs en fonction de leur humeur en capturant les expressions faciales.
La vision par ordinateur est un domaine interdisciplinaire qui aide à transmettre une compréhension de haut niveau des images numériques ou des vidéos aux ordinateurs. les composants de la vision par ordinateur peuvent être utilisés pour déterminer l’émotion de l’utilisateur à travers les expressions faciales.
Il y a ces API aussi que j’ai trouvé intéressantes et utiles, bien que je n’ai pas travaillé sur celles-ci mais en les attachant ici avec un espoir que celles-ci vont vous aider.
Découvrir une exo-planète habitable à partir d’images capturées par des véhicules spatiaux comme Kepler
Dans la dernière décennie, plus d’un million d’étoiles ont été surveillées pour identifier les planètes en transit. L’interprétation manuelle des candidats potentiels aux exoplanètes demande beaucoup de travail et est sujette aux erreurs humaines, dont les conséquences sont difficiles à évaluer. Les réseaux neuronaux convolutifs sont aptes à identifier des exoplanètes semblables à la Terre dans des données chronologiques bruyantes avec une précision plus proéminente qu’une stratégie des moindres carrés.
Régénération d’image pour vieille photo de bobine endommagée
Je sais, combien il est long et douloureux de récupérer votre vieille photo endommagée dans la forme originale comme elle était auparavant. Donc, cela peut être fait en utilisant l’apprentissage profond en trouvant tous les défauts de l’image (fractures, éraflures, trous), et en utilisant des algorithmes d’Inpainting, on peut facilement découvrir les défauts basés sur les valeurs des pixels autour d’eux pour restaurer et coloriser les vieilles photos.
Génération de musique à l’aide de l’apprentissage profond
La musique est un assortiment de tonalités de différentes fréquences. Ainsi, la génération automatique de musique est un processus de composition d’un court morceau de musique avec le moins de médiation humaine . Récemment, l’ingénierie de l’apprentissage profond est devenue la pointe de la génération de musique programmée.
Mot final
Je sais que c’est une véritable lutte pour construire un portefeuille de science des données cool. Mais avec une telle collection que j’ai fournie ci-dessus, vous pouvez faire des progrès supérieurs à la moyenne dans ce domaine. La collection est nouvelle, ce qui permet également de l’utiliser à des fins de recherche. Ainsi, les chercheurs en science des données peuvent également choisir ces idées pour travailler dessus afin que leur recherche soit une grande aide pour les scientifiques de données pour commencer avec le projet. Et en plus C’est un vrai plaisir d’explorer les côtés que personne n’a fait avant.
Bien que, cette collection est en fait constituée d’idées du début au niveau avancé.
Donc, je ne vais pas seulement recommander ceci pour les nouveaux venus dans le domaine de la science des données, mais aussi les scientifiques de données seniors. Il ouvrira de nombreuses nouvelles voies au cours de votre carrière, non seulement en raison des projets, mais aussi grâce au réseau nouvellement acquis.
Ces idées vous montrent le large éventail de possibilités et vous donnent les idées pour penser hors de la boîte.
Pour moi et mes amis, les facteurs d’apprentissage, la valeur ajoutée à la société et les connaissances inexplorées sont importants et le plaisir d’une certaine manière est essentiel. Donc, fondamentalement, j’aime faire de tels projets qui nous donnent un moyen d’acquérir d’immenses connaissances d’une certaine manière et nous permettent d’explorer les dimensions inexplorées. C’est notre principal objectif lorsque nous consacrons du temps à de tels projets.
