8 ML/AI-projekt för att få din portfölj att sticka ut

Är du glad över att börja arbeta med datavetenskap?
Grattis! Det är fortfarande rätt val på grund av det ultimata uppsvinget i behovet av arbete inom Data Science och artificiell intelligens under denna pandemi.

Men på grund av krisen blir marknaden för närvarande tuffare för att kunna sätta upp den igen med mer manskraft som de gör tidigare. Så, Det kan vara möjligt att du måste förbereda dig mentalt för långvarig anställningsresa och många avslag på ett sätt.

Därmed, när jag skriver den här artikeln, utgår jag från att du redan vet att datavetenskapsportföljen är avgörande och hur man bygger upp den.
Du kanske tillbringar det mesta av din tid med att göra data crunching och wrangling och inte tillämpa fancy modeller.

En fråga som jag har ställt om och om igen av datavetenskapsentusiaster är vilken typ av projekt de ska inkludera i sin portfölj för att bygga upp en enormt bra och unik portfölj.

Nedan har jag gett 8 unika idéer för din datavetenskapsportfölj med bifogade referensartiklar där du får insikter om hur du kan komma igång med en viss idé.

Det här ämnet är så känsligt att det är viktigt att ta hänsyn till idag och det finns ett brådskande behov av att göra något åt det. Det finns mer än 264 miljoner människor i världen som lider av depression. Depression är den främsta orsaken till funktionshinder i världen och utgör en betydande del av den totala globala sjukdomsbördan, och nästan 800 000 personer biter konsekvent i gräset på grund av självmord varje år. Självmord är den näst vanligaste dödsorsaken bland 15-29-åringar. Behandling av depression fördröjs ofta, är oprecis och/eller missas helt.

Internetbaserat liv ger den främsta chansen att förändra tidiga förmedlingstjänster för melankoli, särskilt hos unga vuxna. Konstant twittras ungefär 6 000 Tweets på Twitter, vilket relaterar till mer än 350 000 tweets som skickas för varje ögonblick, 500 miljoner tweets för varje dag och cirka 200 miljarder tweets för varje år.

Som anges av Pew Research Center använder 72 % av allmänheten någon form av internetbaserat liv. Datamängder som frigörs från sociala nätverk är viktiga för många områden, till exempel humanvetenskap och hjärnforskning. Men stöden från en specialiserad synvinkel är långt ifrån tillräckliga, och explicita metoder är desperat chanslösa.

Genom att analysera språkliga markörer i inlägg i sociala medier är det möjligt att skapa en modell för djupinlärning som kan ge en individ insikt om hans eller hennes psykiska hälsa långt tidigare än traditionella tillvägagångssätt.

Sports match video to text summarization using neural network

Den här projektidén är alltså i grunden baserad på att få fram exakta sammanfattningar ur Sports match videos. Det finns webbplatser för sport som berättar om matchens höjdpunkter. Olika modeller har föreslagits för uppgiften att extrahera sammanfattningar av text, men neurala nätverk gör det bästa jobbet. Som regel anspelar sammanfattning på att introducera information i en kort struktur och koncentrera sig på delar som förmedlar fakta och information, samtidigt som man värnar om betydelsen.

Automatiskt skapa en sammanfattning av en matchvideo ger upphov till utmaningen att urskilja fascinerande minuter, eller höjdpunkter, av en match.

Så man kan uppnå detta med hjälp av djupinlärningstekniker som 3D-CNN (tredimensionella konvolutionella nätverk), RNN (Recurrent neural network), LSTM (Long short term memory networks) och även med hjälp av algoritmer för maskininlärning genom att dela in videon i olika sektioner och sedan tillämpa SVM (Support vector machines), NN (Neural Networks), k-means-algoritmen.

För bättre förståelse hänvisar vi till de bifogade artiklarna i detalj.

Handskriven ekvationslösare med hjälp av CNN

Av alla frågor är igenkänning av handskrivna matematiska uttryck en av de förvirrande frågorna inom forskning om datorseende. Du kan träna handskrivna ekvationslösare med hjälp av handskrivna siffror och matematiska symboler genom att använda Convolutional Neural Network (CNN) med vissa bildbehandlingstekniker. För att utveckla ett sådant system krävs att vi tränar våra maskiner med data, vilket gör dem kapabla att lära sig och göra de nödvändiga förutsägelserna.

Se de bifogade artiklarna nedan för att få en bättre förståelse.

Generering av sammanfattningar av affärsmöten med hjälp av NLP

Har du någonsin fastnat i en situation där alla vill se en sammanfattning och inte fullständiga rapporter? Jag har själv varit med om det under min skol- och universitetstid, när vi tillbringade mycket tid med att förbereda en hel rapport, men läraren har bara tid att läsa sammanfattningen.

Sammanfattningar har blivit ett oundvikligt hjälpmedel för att hantera problemet med överflöd av data. Att extrahera information från samtal kan vara av mycket gott kommersiellt och pedagogiskt värde. Detta kan göras genom att man fångar de statistiska, språkliga och känslomässiga aspekterna med samtalets dialogstruktur.

Manuellt ändra rapporten till en sammanfattad form är för tidskrävande, eller hur? Men man kan förlita sig på tekniker för Natural Language Processing (NLP) för att uppnå detta.

Textsammanfattning med hjälp av djupinlärning kan förstå sammanhanget i hela texten. Är det inte en dröm som går i uppfyllelse för alla oss som behöver en snabb sammanfattning av ett dokument!!

Se de bifogade artiklarna nedan för bättre förståelse.

Ansiktsigenkänning för att upptäcka humör och föreslå låtar därefter

Det mänskliga ansiktet är en viktig del av en individs kropp och det spelar framför allt en viktig roll för att veta en persons sinnestillstånd. Detta eliminerar den tråkiga och tråkiga uppgiften att manuellt isolera eller gruppera låtar i olika poster och hjälper till att generera en lämplig spellista baserad på en individs känslomässiga egenskaper.

Människor tenderar att lyssna på musik baserat på sitt humör och sina intressen. Man kan skapa en applikation som föreslår låtar för användare utifrån deras humör genom att fånga ansiktsuttryck.

Datorseende är ett tvärvetenskapligt område som hjälper till att förmedla en förståelse på hög nivå av digitala bilder eller videoklipp till datorer. komponenter för datorseende kan användas för att fastställa användarens känslor genom ansiktsuttryck.

Det finns också dessa API:er som jag tyckte var intressanta och användbara, även om jag inte har arbetat med dessa men bifogar dem här med en förhoppning om att de kommer att hjälpa dig.

Finnande av beboeliga exoplaneter från bilder tagna av rymdfarkoster som Kepler

Under det senaste årtiondet övervakades över en miljon stjärnor för att identifiera transiterande planeter. Manuell tolkning av potentiella exoplanetkandidater är arbetsintensiv och föremål för mänskliga misstag, vars konsekvenser är svåra att utvärdera. Konvolutionella neurala nätverk är lämpliga för att identifiera jordliknande exoplaneter i brusiga tidsseriedata med en mer framträdande precision än en strategi med minsta kvadratmetoden.

Bildregenerering för gammal skadad rulle bild

Jag vet hur tidskrävande och smärtsamt det är att få tillbaka sitt gamla skadade foto i den ursprungliga formen som det var tidigare. Detta kan göras med hjälp av djupinlärning genom att hitta alla bilddefekter (frakturer, skrapor, hål) och med hjälp av Inpainting-algoritmer kan man enkelt upptäcka defekterna baserat på pixelvärdena runt omkring dem för att återställa och färglägga de gamla bilderna.

Musikgenerering med hjälp av djupinlärning

Musik är ett sortiment av toner med olika frekvenser. Automatisk musikgenerering är alltså en process för att komponera ett kort musikstycke med så lite mänsklig inblandning som möjligt. På senare tid har Deep Learning-teknik blivit den främsta metoden för programmerad musikgenerering.

FINAL WORD

Jag vet att det är en riktig kamp att bygga upp en häftig portfölj inom datavetenskap. Men med en sådan samling som jag har tillhandahållit ovan kan du göra framsteg över genomsnittet på det området. Samlingen är ny vilket ger möjlighet för forskningsändamål också. Så forskare inom datavetenskap kan också välja dessa idéer att arbeta med så att deras forskning skulle vara en stor hjälp för datavetare att börja med projekt. Och dessutom är det riktigt roligt att utforska de sidor som ingen har gjort tidigare.
Men den här samlingen är faktiskt utgörs av idéer från början till avancerad nivå.

Så jag kommer inte bara att rekommendera det här för nybörjare inom data science-området utan även för erfarna datavetare. Den kommer att öppna många nya vägar under din karriär, inte bara på grund av projekten utan också genom det nyvunna nätverket.

De här idéerna visar dig det breda spektrumet av möjligheter och ger dig idéer att tänka utanför boxen.

För mig och mina vänner är inlärningsfaktorerna, mervärdet till samhället och den outforskade kunskapen viktiga, och det roliga på ett sätt är väsentligt. Så i grund och botten tycker jag om att göra sådana projekt som ger oss ett sätt att få enorma kunskaper på ett sätt och låter oss utforska de outforskade dimensionerna. Det är vårt huvudfokus när vi ägnar tid åt sådana projekt.