Você está animado para entrar no mundo da Ciência de Dados?
Parabéns! Essa ainda é a escolha certa por causa do impulso final na necessidade de trabalho feito em Ciência de Dados e Inteligência Artificial durante essa pandemia.
Embora, por causa da crise, o mercado atualmente fica mais difícil de ser capaz de configurá-lo novamente com mais força masculina como eles estão fazendo antes. Assim, é possível que você tenha que se preparar mentalmente para uma longa jornada de contratação e muitas rejeições de certa forma.
Aqui, enquanto escrevo este artigo, estou assumindo que você já sabia que o portfólio de dados-ciência é crucial e como construí-lo.
Pode passar a maior parte do seu tempo, fazendo crunching e wrangling de dados e não aplicando modelos extravagantes.
Uma pergunta que tenho feito aos entusiastas da ciência dos dados é que tipo de projectos devem incluir no seu portfolio para construir um portfolio tremendamente bom e único.
Below Eu dei as 8 idéias únicas para o seu portfólio de ciência de dados com artigos de referência anexos de onde você obterá as idéias de como começar com qualquer idéia em particular.
Este tópico é tão sensível para ser considerado hoje em dia e em necessidade urgente de fazer algo sobre ele. Existem mais de 264 milhões de indivíduos em todo o mundo que sofrem de depressão. A depressão é a principal causa de incapacidade em todo o mundo e é um importante defensor da carga global da doença e quase 800.000 indivíduos mordem o pó consistentemente por causa do suicídio todos os anos. O suicídio é a segunda razão para a morte de crianças entre 15 e 29 anos. O tratamento para a depressão é muitas vezes retardado, impreciso e/ou completamente perdido.
A vida baseada na Internet dá a principal chance de mudar os serviços de mediação da melancolia precoce, especialmente em jovens adultos. Consistentemente, aproximadamente 6.000 Tweets são tweeted no Twitter, o que se refere a mais de 350.000 tweets enviados para cada momento, 500 milhões de tweets para cada dia, e cerca de 200 bilhões de tweets para cada ano.
Como indicado pelo Pew Research Center, 72% do público usa algum tipo de vida baseada na internet. Datasets liberados de redes sociais são importantes para inúmeros campos, por exemplo, ciência humana e pesquisa cerebral. Mas os apoios de um ponto de vista especializado estão muito longe de ser suficientes, e metodologias explícitas estão desesperadamente sem sorte.
Ao analisar os marcadores linguísticos nos posts das redes sociais, é possível criar um modelo de aprendizagem profunda que pode dar uma visão individual da sua saúde mental muito mais cedo do que as abordagens tradicionais.
- Sports match video to text summarization using neural network
- Solver equações manuscritas usando CNN
- Geração de resumo de reuniões de negócios usando NLP
- Reconhecimento facial para detectar o humor e sugerir canções de acordo com ele
- Encontrar exo-planeta habitável a partir de imagens capturadas por veículos espaciais como Kepler
- Image regeneration for old damaged reel picture
- Geração de música usando aprendizado profundo
- PALAVRA-PALAVRA FINAL
Sports match video to text summarization using neural network
Então, esta ideia de projecto baseia-se basicamente em obter um resumo preciso dos vídeos de jogos desportivos. Existem sites de esportes que contam sobre os destaques do jogo. Vários modelos foram propostos para a tarefa de resumo de texto extractivo, mas as redes neurais fazem o melhor trabalho. Como regra geral, Summarization alude à introdução de informações em uma breve estrutura, concentrando-se em partes que transmitem fatos e informações, salvaguardando a importância.
Automaticamente criar um esboço de um vídeo de jogo dá origem ao desafio de distinguir minutos fascinantes, ou destaques, de um jogo.
Assim, pode-se conseguir isso usando algumas técnicas de aprendizagem profunda como 3D-CNN (redes tridimensionais convolucionais), RNN(Rede neural recorrente), LSTM (Redes de memória de curto prazo) e também através de algoritmos de aprendizagem de máquinas, dividindo o vídeo em diferentes seções e depois aplicando SVM(Suporte a máquinas vetoriais), NN(Redes Neurais), k significa algoritmo.
Para melhor compreensão, consulte os artigos em anexo em detalhes.
Solver equações manuscritas usando CNN
Entre todos os assuntos, o reconhecimento de expressões matemáticas manuscritas é um dos assuntos de confusão na região da pesquisa de visão computacional. Você pode treinar Solucionador de equações manuscritas por dígitos manuscritos e símbolos matemáticos usando Convolutional Neural Network (CNN) com algumas técnicas de processamento de imagem. O desenvolvimento de tal sistema requer o treinamento de nossas máquinas com dados, tornando-o proficiente para aprender e fazer a previsão necessária.
Faça referência aos artigos abaixo para melhor compreensão.
Geração de resumo de reuniões de negócios usando NLP
Everem presos numa situação, onde todos querem ver um resumo e não relatórios completos. Bem, eu encaro isso durante os meus dias de escola e faculdade onde passamos muito tempo preparando um relatório inteiro, mas o professor só tem tempo para ler o resumo.
Summarização surgiu como uma forma inexoravelmente útil para lidar com a questão do excesso de carga de dados. Extrair informação de conversas pode ser de muito bom valor comercial e educacional. Isto pode ser feito pela captura dos aspectos estatísticos, linguísticos e sentimentais com a estrutura de diálogo da conversa.
Mudar o relatório para uma forma resumida é muito demorado, não é assim? Mas pode-se confiar nas técnicas de Processamento de Linguagem Natural (PNL) para conseguir isso.
Resumo de texto usando aprendizado profundo pode entender o contexto de todo o texto. Não é um sonho tornado realidade para todos nós que precisamos fazer um resumo rápido de um documento!!
Referir-se aos artigos abaixo para uma melhor compreensão.
Reconhecimento facial para detectar o humor e sugerir canções de acordo com ele
O rosto humano é uma parte importante do corpo de um indivíduo e desempenha um papel particularmente significativo no conhecimento do estado de espírito de uma pessoa. Isto elimina a tarefa monótona e tediosa de isolar ou agrupar canções manualmente em vários discos e ajuda a gerar uma playlist apropriada baseada nas características emocionais de um indivíduo.
As pessoas tendem a ouvir música com base no seu humor e interesses. Pode-se criar um aplicativo para sugerir músicas para usuários com base em seu humor capturando expressões faciais.
A visão computacional é um campo interdisciplinar que ajuda a transmitir uma compreensão de alto nível de imagens digitais ou vídeos para computadores. componentes de visão computacional podem ser usados para determinar a emoção do usuário através de expressões faciais.
Existem também estas APIs que achei interessantes e úteis, embora eu não tenha trabalhado nelas, mas anexado aqui com a esperança de que elas o ajudem.
Encontrar exo-planeta habitável a partir de imagens capturadas por veículos espaciais como Kepler
Na década mais recente, mais de um milhão de estrelas foram monitoradas para identificar planetas em trânsito. A interpretação manual de potenciais candidatos a exoplanetas é trabalhosa e sujeita a erros humanos, cujas consequências são difíceis de avaliar. As redes neurais convolucionais são adequadas para identificar exoplanetas semelhantes à Terra em dados de séries temporais ruidosos com maior precisão do que uma estratégia de mínimos quadrados.
Image regeneration for old damaged reel picture
Eu sei como é demorado e doloroso recuperar a sua antiga foto danificada na forma original como era antes. Então, isto pode ser feito usando um aprendizado profundo, encontrando todos os defeitos da imagem (fraturas, arranhões, buracos), e usando algoritmos de Inpainting, pode-se facilmente descobrir os defeitos com base nos valores de pixel ao redor deles para restaurar e colorir as fotos antigas.
Geração de música usando aprendizado profundo
Música é um sortimento de tons de várias freqüências. Assim, a Automatic Music Generation é um processo de composição de uma curta peça musical com a menor mediação humana. Recentemente, a Engenharia de Aprendizagem Profunda tornou-se a vanguarda da Geração de Música programada.
PALAVRA-PALAVRA FINAL
Eu sei que é uma verdadeira luta para construir um portfolio de ciência de dados legal. Mas com tal coleção que eu forneci acima, você pode fazer progressos acima da média nesse campo. A coleção é nova, o que dá oportunidade para propósitos de pesquisa também. Assim, os pesquisadores em Data-Science também podem escolher essas idéias para trabalhar, para que sua pesquisa seja uma grande ajuda para que os Data Scientists comecem com o projeto. E além disso, é realmente divertido explorar os lados que ninguém fez antes.
Embora, esta coleção é na verdade constituída de idéias desde o nível inicial até o avançado.
Então, eu vou recomendar isto não só para iniciantes na área de ciência de dados, mas também para cientistas de dados seniores. Ela abrirá muitos caminhos novos durante sua carreira, não só por causa dos projetos, mas também através da rede recém ganha.
Estas idéias mostram a ampla gama de possibilidades e lhe dão as idéias para pensar fora da caixa.
Para mim e meus amigos, os fatores de aprendizagem, agregando valor à sociedade e ao conhecimento inexplorado é importante e a diversão de certa forma é essencial. Portanto, basicamente eu gosto de fazer tais projetos que nos dão uma maneira de ganhar imenso conhecimento de uma maneira e nos permitem explorar as dimensões inexploradas. Esse é nosso foco principal ao dedicar tempo a tais projetos.
