KDnuggets

By Kajal Yadav, freelance writer on data science, startups & entrepreneurship.

Source Unsplash, edited by author.

Adobe Data Science world into you excited to enter it? おめでとうございます。 このパンデミックの間にデータサイエンスと人工知能で行われた仕事の必要性の究極のブーストのため、それはまだ正しい選択です。

しかし、危機のために、市場は現在、彼らは以前のように多くの男性の力でそれを再び設定することができるように厳しくなる。 だから、それはあなたが長い実行採用の旅と道に沿って多くの拒絶のために自分自身を精神的に準備しなければならない可能性があります。

ここで、この記事を書きながら、私はあなたがすでにデータサイエンスのポートフォリオが重要であり、それを構築する方法を知っていると仮定しています。
あなたは、ほとんどの時間をデータ クランチングとラングリングに費やし、凝ったモデルを適用しないかもしれません。

データ サイエンス愛好家から何度も聞かれる質問の1つに、非常に優れた独自のポートフォリオを構築するには、どんなプロジェクトをポートフォリオに含めるべきかというものがあります。

以下では、データサイエンス ポートフォリオのための8つのユニークなアイデアを、添付の参考記事とともに紹介します。 うつ病に苦しんでいる人は、世界中に2億6400万人以上いると言われています。 うつ病は世界中で身体障害の主な原因となっており、世界的な疾病負担の大きな部分を占めています。 15〜29歳の死因の第2位は自殺です。

インターネットベースの生活は、特に若い大人で、早期の憂うつな調停サービスを変更する主なエッジのチャンスを与える。 また、”li “は “li “であり、”li “は “li “であるが、”li “は “li “であり、”li “は “li “である。 ソーシャルネットワークから公開されるデータセットは、例えば、人間科学や脳研究など、多くの分野にとって重要である。 しかし、専門的な観点からのサポートは十分とは言えず、明示的な方法論は絶望的です。

ソーシャルメディア投稿の言語マーカーを分析することにより、従来のアプローチよりもはるかに早期に個人の精神状態を把握できる深層学習モデルを作ることが可能です。

• You Are What You Tweet – Detecting Depression in Social Media via Twitter Usage
• Early Detection of Depression（鬱病の早期発見）: ソーシャルネットワーク分析とランダムフォレスト技術 – 原著論文、University of A Coruna.
• Depression detection from social network data using machine learning techniques

Sports match video to text summarization using neural network

Photo by Aksh yadav on Unsplash.

それでこのプロジェクトのアイデアは基本的にスポーツマッチビデオからの正確な要約取得に基づくものです。 スポーツのWebサイトには、試合のハイライトを伝えるものがあります。 抽出的なテキスト要約のタスクにはさまざまなモデルが提案されていますが、ニューラルネットワークが最も良い仕事をします。

試合映像のアウトラインを自動的に作成することで、試合の魅力的な分やハイライトを見分けるという課題が発生します。

そこで、3D-CNN（3次元畳み込みネットワーク）、RNN（再帰型ニューラルネットワーク）、LSTM（長期短期記憶ネットワーク）などのいくつかの深層学習技術を使用して、また、ビデオを異なるセクションに分割して、SVM（サポート ベクトル マシン）、NN（ニューラル ネットワーク）、および k-means のアルゴリズムを適用して機械学習アルゴリズムによっても達成することが可能である。

より良い理解のために、詳細は添付の記事を参照してください。

• Scene Classification for Sports Video Summarization Using Transfer Learning – この論文はスポーツビデオのシーン分類のための新しい方法を提案するものである。

Handwritten equation solver using CNN

Photo by Antoine Dautry on Unsplash.

中でも手書き数式認識はコンピュータビジョン研究の領域で紛糾する問題の1つである。 手書きの数字や数学記号による手書き方程式ソルバーは、Convolutional Neural Network (CNN) といくつかの画像処理技術を使って学習させることができます。 このようなシステムを開発するには、データを使って私たちのマシンを訓練し、学習と必要な予測を行うことに熟達させる必要があります。

• Handwritten Equation Solver using Convolutional Neural Network
• vipul79321/Handwritten-Equation-Solver using CNN – 手書き方程式解決器 式には 0-9 の任意の数字と記号が含まれることが可能です。
• Computer Vision – Auto grading Handwitten Mathematical Answer sheets – 紙にフリーハンドで書かれた数式を解くステップをデジタル化します。
• Handwritten equations to LaTeX

Business meeting summary generation using NLP

写真: Sebastian Herrmann on Unsplash.

Every things to see a summary but not the full report という状況に陥ったことはありませんか？ さて、私は学生時代や大学時代にそれに直面しました。レポート全体を準備するのに多くの時間を費やしたのに、教師は要約しか読む時間がないのです。

要約は、データの過負荷という問題に取り組むための、どうしようもなく役立つ方法として台頭してきました。 会話から情報を抽出することは、非常に優れた商業的および教育的価値を持つことができる。 これは、統計的、言語的、感情的な側面と会話のダイアログ構造を特徴として捉えることで実現できます。

レポートを要約した形に手動で変更するのは、時間がかかりすぎるのではないでしょうか? しかし、それを実現するには、自然言語処理 (NLP) の技術に頼ることができます。

深層学習を使用したテキストの要約は、テキスト全体のコンテキストを理解することができます。 ドキュメントの簡単な要約を考え出す必要があるすべての人にとって、夢のような話ではないでしょうか！

Do refer to the below-attached articles for better understanding.

• Comprehensive Guide to Text Summarization using Deep Learning in Python – “I want not a full report, just give me a summary of the results.” (全文は要らないから結果の要約をくれ。”
• Text Summarizationを理解し、pythonで独自のサマライザーを作成する – Summarizationは、重要な情報を保持しながら簡潔かつ流暢な要約を作成するタスクとして定義することができる。

Facial recognition to detect mood and suggest songs accordingly

Photo by Alireza Attari on Unsplash.

人間の顔は個人の重要な体の一部で、特にその人の心の状態を知る上で大きな役割を果たすと言われています。 これは、手動で曲をさまざまなレコードに分離またはグループ化する退屈でつまらない作業を排除し、個人の感情の特徴に基づいて適切なプレイリストを生成するのに役立ちます。

コンピュータビジョンは、デジタル画像やビデオの高度な理解をコンピュータに伝えるのに役立つ学際的な分野です。 コンピュータ ビジョンのコンポーネントは、顔の表情を通してユーザーの感情を判断するために使用できます。

これらの API も、私が興味深く、便利だと思ったものです。

• 20+ Emotion Recognition APIs That Will Leave You Impressed, and Concerned | Nordic APIs – もし企業が常に技術を使って感情を感知できれば、消費者に売るためにそれを利用することができるだろう。

ケプラーなどの宇宙船が捉えた画像から居住可能な外惑星を見つけ出す

Photo by Nick Owuor (astro.nic.visuals) on Unsplash.

最近の10年間で通過型惑星の特定に、100万以上の星がモニターされています。 太陽系外惑星の候補を手作業で解釈するのは手間がかかり、人間のミスに左右されやすく、その結果を評価するのは困難です。

• 機械学習を用いた太陽系外惑星探査-太陽系外の世界を探索する。
• 人工知能、NASAのデータを利用して太陽系外惑星を発見 – 太陽系は現在、単一の星の周りにある惑星の数で最多タイ。

古い破損リール写真の画像再生

Source Pikist.

古い破損写真を以前のように元の形に戻すことが、いかに時間がかかり苦痛かは分かっています。 そこで、これは、すべての画像の欠陥 (骨折、擦り傷、穴) を見つけ、インペインティング アルゴリズムを使用することにより、ディープラーニングを使用して行うことができます。これにより、その周囲のピクセル値に基づいて欠陥を簡単に発見し、古い写真を復元してカラー化できます。

• Deep Learning による古い画像のカラー化と復元 – Deep Learning による黒および白画像のカラー化は、実際の応用において素晴らしいショーケースとなっています。
• Guide to Image Inpainting: 機械学習を使って写真の欠陥を編集・修正する
• How To Perform Image Restoration Absolutely DataSet Free

Music generation using deep learning

Photo by Abigail Keenan on Unsplash.

Music is a assortment of tones of various frequencies.(音楽は、異なる周波数の音の集まりです。).

Music generation using deep learning

Music generation by deep learning on Unsplash.

Muse of deep learning. ですから、音楽の自動生成は、最小限の人間の介在で短い音楽を作曲する作業です。 最近では、ディープラーニング工学がプログラムによる音楽生成の最先端となっています。

• Music generation using Deep Learning
• How to Generate Music using a LSTM Neural Network in Keras – Introduction to creating music using LSTM Neural Networks

Final Word

Cool Data Science portfolioを構築することが本当に苦労することは承知しているつもりです。 しかし、私が上で提供したこのようなコレクションがあれば、その分野で平均以上の進歩を遂げることができます。 このコレクションは新しいので、研究目的のための機会も与えてくれます。 ですから、データサイエンスの研究者もこれらのアイデアを選んで取り組むことができ、彼らの研究がデータサイエンティストのプロジェクト開始の大きな助けとなることでしょう。 さらに、誰もやったことのない側面を探るのも楽しいものです。

ですから、データサイエンス分野の初心者だけでなく、上級のデータサイエンティストにもお勧めします。

これらのアイデアは、幅広い可能性を示し、既成概念にとらわれない発想を与えてくれます。

私や私の友人にとって、学習要素、社会への付加価値、未踏の知識は重要ですし、ある意味楽しみは不可欠です。 ですから、基本的に私は、ある意味で膨大な知識を得る方法を与えてくれ、未踏の次元を探らせてくれるこのようなプロジェクトを楽しんでやっています。 それが、このようなプロジェクトに時間を割くときの主な焦点なのです」

原文ママ 許可を得て再掲載

Bio: Kajal Yadavは、データサイエンス、スタートアップ、起業家精神を専門とするフリーランスのライターです。 彼女はいくつかの出版物に執筆しており、同時にスタートアップのコンテンツマーケティング戦略にも取り組んでいます。

関連：

• 機械学習のキャリアを検疫でスタート
• データサイエンスのポートフォリオに含めるべきプロジェクト
• データサイエンスのポートフォリオの作り方