Trở thành Nhà khoa học dữ liệu 10x mà mọi người đang tìm kiếm hoặc chỉ đơn giản là có một danh mục đầu tư Khoa học dữ liệu có sức ảnh hưởng cao.

Hôm nay chúng ta đang xem xét 5 dự án tuyệt vời để thực hiện, cả về mặt thu thập kinh nghiệm thực tế và hữu ích cho sự nghiệp chuyên nghiệp, cũng như mở rộng trí óc và tầm nhìn của bạn, đồng thời mở mang tầm mắt cho những công nghệ mới nhất và khả năng trong tương lai.

Cho dù bạn là nhà khoa học dữ liệu, nhà phát triển cơ sở hay chỉ là một lập trình viên có sở thích đam mê, yêu thích phân tích dữ liệu và kỹ thuật, thì có một số dự án nhất định có thể giúp làm nổi bật danh mục khoa học dữ liệu của bạn so với nhiều dự án khác.

Những dự án này là tuyệt vời cho bất kỳ danh mục khoa học dữ liệu nào. Nếu bạn đang tự hỏi làm thế nào bạn có thể xây dựng một danh mục khoa học dữ liệu tuyệt vời, thì tôi sẽ làm sáng tỏ quy trình trong bài viết này:

Follow me for 5 more kick ass projects next week! 
You can also hit the message icon to get notified when I publish it.

1. Phát hiện tin giả

Một chủ đề tiếp tục được tranh luận sôi nổi là tác động của tin tức giả mạo, video deepfake và nội dung bị thao túng tương tự khác đối với xã hội của chúng ta. Như bài báo này của Eliza Shoemaker kết luận, không thể ngăn chặn việc tạo ra tin tức giả mạo, nhưng việc phát hiện ra điều đó là có thể.

Thông thường, các dự án này cũng bao gồm việc sử dụng các thuật toán cây quyết định, NLP, Stop Word, TFIDF, PoS và VADER để phát hiện và nhận dạng các dạng nội dung khác nhau. Điều này có thể hữu ích trong nhiều lĩnh vực khác, chẳng hạn như dịch thuật và tạo nội dung AI, cũng như nhận dạng giọng nói, v.v.

Bạn cũng nên xem các dự án công cộng này để lấy cảm hứng về cách họ đã thực hiện nó.

Điều tôi thích ở dự án này là họ đã giải thích logic và luồng dữ liệu của họ tốt như thế nào.

2. Chatbot thông minh hỗ trợ AI

Một dự án phổ biến khác dành cho các nhà khoa học dữ liệu mới là cái gọi là Chatbot. Các dự án này thường bao gồm việc sử dụng xử lý ngôn ngữ tự nhiên, nhưng cũng có thể được xây dựng bằng cách sử dụng các tính năng của NLU và NLG, cũng như các phương pháp đối sánh các mẫu.

Bằng cách xây dựng Chatbot của riêng bạn từ đầu, bạn có thể cho các nhà tuyển dụng tiềm năng thấy rằng bạn biết cách sử dụng thư viện NLTK của Python, được sử dụng nhiều cho nhiều mục đích trong thế giới chuyên nghiệp. Và bạn cũng sẽ có cơ hội giới thiệu cách bạn xử lý, thử nghiệm và huấn luyện cho các tình huống dữ liệu.

Đây là một dự án đơn giản, được viết tốt và dễ hiểu mà bạn có thể thử lặp lại và học hỏi. Khi bạn hoàn thành nó, hãy đảm bảo thêm các tối ưu hóa của riêng bạn (cả chất lượng mã và logic).

3. Phân tích tình cảm

Dự án này là một lựa chọn phổ biến khác của nhiều sinh viên và chuyên gia trên khắp thế giới, đồng thời được sử dụng trong nhiều lĩnh vực. Nếu bạn quan tâm đến thị trường chứng khoán, bạn có thể tập trung dự án của mình xung quanh một số ít mã cổ phiếu, sau đó tìm kiếm cảm xúc trên web để tìm hiểu mức độ yêu thích của một công ty nhất định.

Phân tích cảm tính cũng có thể được sử dụng để xem xét các bài đánh giá sản phẩm, nhằm tránh xa các bài đánh giá 1–5 sao điển hình và thay vào đó tập trung vào các chi tiết cụ thể của từng bài đánh giá. Các dự án này thường bao gồm việc sử dụng bộ dữ liệu hoặc quét web, ngoài ra còn có các mẫu trích xuất, NLP và cấu trúc dữ liệu là các phương pháp bạn có thể khám phá.

Đây là hai dự án mà tôi thích, đặc biệt bởi vì họ đã giải thích những điều cơ bản và xây dựng trên đó tốt như thế nào.

Hướng dẫn Phân tích Cảm tính Thực hành của @ betinacosta là một dự án tuyệt vời mang đến cho bạn trải nghiệm thực tế về việc lấy dữ liệu từ một ứng dụng trong thế giới thực (Twitter) và thực hiện phân tích khi bạn học.

4. Phân loại hình ảnh

Sự phát triển của máy học đã mang lại khả năng cho AI phát hiện khuôn mặt người trong một hình ảnh, phân loại tất cả các vật thể màu đỏ trong một bức tranh, v.v. Mặc dù có nhiều ứng dụng trong thế giới chuyên nghiệp cho các loại dự án này, nhưng đó cũng là một nỗ lực cá nhân tuyệt vời để theo đuổi.

Tại đây, bạn sẽ học cách đào tạo các mô hình học sâu và tùy thuộc vào dự án của mình, bạn có thể sử dụng các thư viện như TensorFlow, MATLAB hoặc RapidMiner để nâng cao hơn nữa kết quả và trau dồi kỹ năng của mình.

Đây là một khu vực khá rộng lớn và hầu hết các dự án trực tuyến đều sử dụng GPU. Thành thật mà nói, chỉ một số ít người trong chúng ta có quyền truy cập vào GPU hoặc muốn chi $ cho máy ảo đám mây. Vì vậy, tôi sẽ cố gắng hết sức để đưa vào các dự án dễ theo dõi và không yêu cầu GPU:

Đây là một hướng dẫn hoặc hướng dẫn thực hành giải thích logic bằng tiếng Anh gần như đơn giản:

5. Kiến trúc dữ liệu

Các doanh nghiệp cần các nhà khoa học dữ liệu để cấu trúc và phân loại hợp lý lượng dữ liệu khổng lồ từ khách hàng, sản phẩm và đối tác kinh doanh của họ. Tất cả dữ liệu này cần phải có thể truy cập được suốt ngày đêm, đồng thời được lưu trữ an toàn trong kiến ​​trúc được tối ưu hóa về chi phí và/hoặc hiệu suất.

Tôi biết, nghe có vẻ RẤT NHIỀU. Tuy nhiên, đối với một danh mục đầu tư (và đối với kinh nghiệm của bạn), tất cả những gì bạn cần thể hiện là tình yêu của bạn đối với việc làm việc với cơ sở dữ liệu, làm sạch dữ liệu và định dạng dữ liệu thành các loại chính xác, v.v.

Tôi đã biên soạn danh sách 25 Bộ dữ liệu công khai tốt nhất ở đây mà bạn có thể sử dụng để tìm một bộ dữ liệu hoàn toàn phù hợp cho một dự án kiến ​​trúc dữ liệu.

Tiền thưởng: thêm 5 dự án tuyệt vời!

Phải mất thời gian để mang lại cho bạn nội dung tốt! Vì vậy, hãy theo dõi tôi trong phần tiếp theo của 5 dự án tuyệt vời hơn bao gồm:

• Phát hiện và ngăn chặn gian lận
• Dự đoán sở thích của khách hàng
• Thu thập dữ liệu (Tìm kiếm trên web và hơn thế nữa)
• Phân tích tình trạng y tế
• Làm thế nào để trở nên hoang dã và kết hợp một vài dự án :)

Như mọi khi, tôi thích tạo nội dung hữu ích cho những người thực hành khoa học dữ liệu và rất muốn nhận được phản hồi từ bạn - dù tích cực hay tiêu cực! Bạn cũng có thể đề xuất các chủ đề mà bạn muốn nghe.

LinkedIn :https://www.linkedin.com/in/vasinha