Sei entusiasta di entrare nel mondo della Data Science?
Congratulazioni! Questa è ancora la scelta giusta a causa della spinta finale nel bisogno di lavoro fatto in Data Science e Intelligenza Artificiale durante questa pandemia.
Anche se, a causa della crisi, il mercato attualmente diventa più duro per essere in grado di impostare di nuovo con più forza uomini come stanno facendo prima. Quindi, potrebbe essere possibile che tu debba prepararti mentalmente per un lungo viaggio di assunzione e molti rifiuti in un certo senso.
Ecco, mentre scrivo questo articolo, presumo che tu abbia già saputo che il portafoglio di scienze dei dati è fondamentale e come costruirlo.
Potresti passare la maggior parte del tuo tempo, facendo il data crunching e il wrangling e non applicando modelli fantasiosi.
Una domanda che mi è stata posta più volte dagli appassionati di scienza dei dati è che tipo di progetti dovrebbero includere nel loro portfolio per costruire un portfolio tremendamente buono e unico.
Di seguito ho dato le 8 idee uniche per il vostro portafoglio di scienza dei dati con allegati articoli di riferimento da dove otterrete le intuizioni di come iniziare con ogni idea particolare.
Questo argomento è così sensibile da essere considerato al giorno d’oggi e in urgente necessità di fare qualcosa. Ci sono più di 264 milioni di individui nel mondo che soffrono di depressione. La depressione è la principale causa di disabilità in tutto il mondo ed è un sostenitore significativo del carico globale di malattia e quasi 800.000 individui mordono costantemente la polvere a causa del suicidio ogni anno. Il suicidio è la seconda ragione di morte tra i 15-29enni. Il trattamento per la depressione è spesso ritardato, impreciso, e/o mancato del tutto.
La vita su internet dà la possibilità principale di cambiare i servizi di mediazione della malinconia precoce, soprattutto negli adulti giovani. In modo costante, circa 6.000 tweet sono twittati su Twitter, che si riferisce a più di 350.000 tweet inviati per ogni momento, 500 milioni di tweet per ogni giorno, e circa 200 miliardi di tweet per ogni anno.
Come indicato dal Pew Research Center, il 72% del pubblico utilizza una sorta di vita basata su Internet. I set di dati rilasciati dalle reti sociali sono importanti per numerosi campi, per esempio, la scienza umana e la ricerca sul cervello. Ma i supporti da un punto di vista specialistico sono ben lungi dall’essere sufficienti, e le metodologie esplicite sono disperatamente sfortunate.
Analizzando i marcatori linguistici nei post dei social media, è possibile creare un modello di deep learning che può dare una visione individuale della sua salute mentale molto prima degli approcci tradizionali.
- Sports match video to text summarization using neural network
- Solutore di equazioni scritte a mano usando CNN
- Generazione di un riassunto di una riunione d’affari usando NLP
- Riconoscimento facciale per rilevare l’umore e suggerire canzoni di conseguenza
- Trovare esopianeti abitabili da immagini catturate da veicoli spaziali come Kepler
- Rigenerazione dell’immagine per una vecchia foto a bobina danneggiata
- Generazione di musica usando l’apprendimento profondo
- PAROLA FINALE
Sports match video to text summarization using neural network
Quindi questa idea di progetto è fondamentalmente basata sull’ottenere un riassunto preciso dai video delle partite di sport. Ci sono siti web sportivi che raccontano gli highlights della partita. Diversi modelli sono stati proposti per il compito di riassunto estrattivo del testo, ma le reti neurali fanno il lavoro migliore. Di norma, la sintetizzazione allude all’introduzione di informazioni in una struttura breve, concentrandosi su parti che trasmettono fatti e informazioni, salvaguardando l’importanza.
La creazione automatica di un riassunto di un video di una partita dà origine alla sfida di distinguere minuti affascinanti, o highlights, di una partita.
Quindi, si può raggiungere questo obiettivo utilizzando alcune tecniche di apprendimento profondo come 3D-CNN (reti convoluzionali tridimensionali), RNN (rete neurale ricorrente), LSTM (reti di memoria a breve termine lunga) e anche attraverso algoritmi di apprendimento automatico dividendo il video in diverse sezioni e poi applicando SVM (Support vector machines), NN (reti neurali), algoritmo k-means.
Per una migliore comprensione, fate riferimento agli articoli allegati in dettaglio.
Solutore di equazioni scritte a mano usando CNN
Tra tutti i problemi, il riconoscimento delle espressioni matematiche scritte a mano è uno dei problemi che confondono nella regione della ricerca sulla visione artificiale. È possibile addestrare un risolutore di equazioni scritte a mano tramite cifre scritte a mano e simboli matematici utilizzando la Rete Neurale Convoluzionale (CNN) con alcune tecniche di elaborazione delle immagini. Lo sviluppo di un tale sistema richiede l’addestramento delle nostre macchine con i dati, rendendole abili ad apprendere e a fare la predizione richiesta.
Fate riferimento agli articoli sotto allegati per una migliore comprensione.
Generazione di un riassunto di una riunione d’affari usando NLP
Sono mai rimasto bloccato in una situazione, dove tutti vogliono vedere un riassunto e non rapporti completi. Beh, l’ho affrontato durante i miei giorni di scuola e di università, dove passiamo un sacco di tempo a preparare un intero rapporto, ma l’insegnante ha solo il tempo di leggere il riassunto.
La sintesi è sorta come un modo inesorabilmente utile per affrontare il problema del sovraccarico di dati. Estrarre informazioni dalle conversazioni può avere un ottimo valore commerciale ed educativo. Questo può essere fatto attraverso la cattura degli aspetti statistici, linguistici e sentimentali con la struttura di dialogo della conversazione.
Modificare manualmente la relazione in una forma riassuntiva richiede troppo tempo, non è così? Ma ci si può affidare alle tecniche di Natural Language Processing (NLP) per ottenere questo risultato.
La sintesi del testo utilizzando l’apprendimento profondo può comprendere il contesto dell’intero testo. Non è un sogno che diventa realtà per tutti noi che abbiamo bisogno di un rapido riassunto di un documento!!!
Fate riferimento agli articoli allegati qui sotto per una migliore comprensione.
Riconoscimento facciale per rilevare l’umore e suggerire canzoni di conseguenza
Il volto umano è una parte importante del corpo di un individuo e gioca un ruolo particolarmente significativo nel conoscere lo stato d’animo di una persona. Questo elimina il compito noioso e tedioso di isolare o raggruppare manualmente le canzoni in vari dischi e aiuta a generare una playlist appropriata basata sulle caratteristiche emotive di un individuo.
Le persone tendono ad ascoltare la musica in base al loro umore e interessi. Si può creare un’applicazione per suggerire canzoni per gli utenti in base al loro umore catturando le espressioni facciali.
La visione del computer è un campo interdisciplinare che aiuta a trasmettere ai computer una comprensione di alto livello di immagini digitali o video. i componenti della visione del computer possono essere utilizzati per determinare l’emozione dell’utente attraverso le espressioni facciali.
Ci sono anche queste API che ho trovato interessanti e utili, anche se non ho lavorato su queste, ma le allego qui con la speranza che possano aiutarvi.
Trovare esopianeti abitabili da immagini catturate da veicoli spaziali come Kepler
Nel decennio più recente, oltre un milione di stelle sono state monitorate per identificare pianeti in transito. L’interpretazione manuale dei potenziali candidati esopianeti richiede molto lavoro ed è soggetta all’errore umano, le cui conseguenze sono difficili da valutare. Le reti neurali convoluzionali sono adatte per identificare esopianeti simili alla Terra in dati di serie temporali rumorosi con una precisione maggiore rispetto a una strategia di minimi quadrati.
Rigenerazione dell’immagine per una vecchia foto a bobina danneggiata
So, quanto tempo e dolore richieda recuperare la tua vecchia foto danneggiata nella forma originale come era prima. Quindi, questo può essere fatto usando il deep learning trovando tutti i difetti dell’immagine (fratture, graffi, buchi), e usando algoritmi di Inpainting, si può facilmente scoprire i difetti basati sui valori dei pixel intorno ad essi per ripristinare e colorare le vecchie foto.
Generazione di musica usando l’apprendimento profondo
La musica è un assortimento di toni di varie frequenze. Quindi, la generazione automatica di musica è un processo di composizione di un breve pezzo di musica con la minima mediazione umana. Recentemente, l’ingegneria del Deep Learning è diventata la punta di diamante per la Generazione Musicale programmata.
PAROLA FINALE
So che è una vera lotta per costruire un bel portfolio di scienza dei dati. Ma con tale raccolta che ho fornito sopra, è possibile fare progressi superiori alla media in quel campo. La collezione è nuova, il che dà l’opportunità anche per scopi di ricerca. Quindi, i ricercatori in Data-Science possono anche scegliere queste idee su cui lavorare in modo che la loro ricerca sarebbe un grande aiuto per gli scienziati dei dati per iniziare con il progetto. E inoltre è un vero divertimento esplorare i lati che nessuno ha fatto prima.
Anche se, questa raccolta è in realtà costituita da idee dall’inizio al livello avanzato.
Quindi, non solo lo raccomando ai neofiti nell’area della scienza dei dati ma anche agli scienziati dei dati senior. Aprirà molte nuove strade durante la tua carriera, non solo a causa dei progetti ma anche attraverso la rete appena acquisita.
Queste idee ti mostrano la vasta gamma di possibilità e ti danno le idee per pensare fuori dagli schemi.
Per me e i miei amici, i fattori di apprendimento, l’aggiunta di valore alla società e la conoscenza inesplorata sono importanti e il divertimento in un certo senso è essenziale. Quindi, fondamentalmente mi piace fare questi progetti che ci danno modo di acquisire un’immensa conoscenza in un certo senso e ci permettono di esplorare le dimensioni inesplorate. Questo è il nostro obiettivo principale quando dedichiamo tempo a tali progetti.
