开源科学软件创意大赛
作为有抱负的数据科学家,提高技能水平的最佳方法是练习。 还有什么比制作项目更好的方法来练习技术技能。
个人项目是您职业发展的重要组成部分。 他们将使您距离数据科学梦想更近一步。 项目将增强您的知识,技能和信心。 在简历中展示项目将使获得数据科学工作变得更加容易。
![](https://i-blog.csdnimg.cn/blog_migrate/d6d87292c810dbb72b5fef43af7492b3.png)
因此,不再拖延...
2020年数据科学项目的10个惊人想法!
1.驾驶员睡意检测
过夜驾驶是一项艰巨的工作。 驾驶员在驾驶中困倦或昏昏欲睡时会发生很多事故。 该项目旨在识别驾驶员何时可能入睡并发出警报。 该项目使用深度学习模型对人眼睁开或闭眼的图像进行分类。 它根据眼睛保持闭合的时间来保持得分。 如果分数增加超过指定的阈值。 模型引发警报。 在这里,您可以找到相关的数据集和源代码 。
2.聊天机器人
聊天机器人在企业中扮演着重要角色。 它们有助于提供改进的个性化服务并同时节省人力。
可以使用深度学习技术来训练聊天机器人。 将数据集与词汇表,常用句子列表,其背后的意图及其适当的响应一起使用。 培训聊天机器人的最常用方法是使用递归神经网络(RNN)。 机器人由一个编码器组成,该编码器根据输入的句子和意图更新其状态,并将状态传递给机器人。 然后,漫游器使用解码器找到适当的响应。 根据单词和它们背后的意图。 您可以使用Python轻松实现chatbot。这是使用Python构建Chatbot的完整指南 。
3.字符识别
该项目着重于计算机识别和理解人类手写字符的能力。 使用MNIST数据集训练卷积神经网络。 这有助于神经网络以合理的精度识别手写数字 。 该项目使用深度学习,需要Keras和Tkinter 库。
4. 乳腺癌检测
乳腺癌检测项目使用组织学图像对患者是否患有浸润性导管癌进行分类。 该项目使用IDC数据集将组织学图像分类为恶性或良性。 卷积神经网络最适合此任务。 使用约80%的数据集训练模型,其余的数据集用于训练模型后测试模型的准确性。
5.气候变化对全球粮食供应的影响
如今,气候变化和异常现象已成为我们世界的共同部分。 这开始影响到我们星球上人类生活的各个方面。
该项目致力于量化气候变化对全球粮食生产的影响。 该项目的目的是评估气候变化对主粮产量的潜在影响。 该项目考虑到二氧化碳对植物生长的影响以及气候变化的不确定性,评估了温度和降水变化的影响 。 该项目涉及数据可视化以及在不同时间,不同地区的收益之间进行的比较。
6.网络流量时间序列预测
时间序列预测是统计和机器学习中非常重要的概念。 预测Web流量是时间序列预测的流行应用。 它可以帮助Web服务器更好地管理其资源,避免中断。 为了使项目更加有趣,您可以使用波网代替传统的神经网络。 Wavenet使用因果卷积,从而使它们同时更高效,更轻量。
7. 假新闻检测
该项目背后的想法是建立一个机器学习模型,该模型可以检测任何社交媒体帖子给出的新闻是否真实。 您可以使用TfidfVectorizer和PassiveAggressive分类器来构建此模型。 TF或术语频率是单词在文档中出现的次数。 IDF或反文档频率是根据单词在不同文档中出现的次数来衡量单词重要性的方法。 许多文档中出现的常用词并不重要。
TFIDFVectorizer分析文档集合,并根据该文档创建TF-IDF矩阵。 如果分类结果正确,则PassiveAggressive分类器将保持被动状态,但如果分类结果不正确,则将主动更改其分类标准。 使用这些,我们可以建立一个机器学习模型,将新闻分类为假或真。
8.人体动作识别
人体动作识别模型查看人类执行某些动作的短片,并尝试根据动作是什么对它们进行分类。 它使用在包含短视频和与之相关的加速度计数据的数据集上训练的卷积神经网络。 该项目首先将加速度计数据转换为时间片表示形式。 然后使用Keras 库根据数据集对网络进行训练,验证和测试。
9.森林火灾预测
森林火灾和野火已成为当今世界上令人震惊的常见灾难。 这些灾难对生态系统造成了很大的破坏,并且在处理资金和基础设施方面也付出了很多代价。 使用k-均值聚类,您可以识别森林火灾热点和该地点的火灾严重性,从而可以更好地分配资源并缩短响应时间。 使用气象数据(例如更常见火灾的季节和加剧火灾的天气条件),可以进一步提高结果的准确性。
10.性别和年龄检测(另请检查 我的相关项目 )
性别和年龄检测是计算机视觉和机器学习项目。 它使用卷积神经网络或CNN。 该项目的目的是通过分析人脸的单个图像来检测其性别和年龄。 性别分为男性或女性,年龄分为0-2、4-6、8-2、15-20、25-32、38-43、48-53、60-100。 由于化妆,照明,面部表情等因素,识别单一图像的性别和年龄可能很困难。 因此,该项目使用分类模型而不是回归模型。
结论
有了正确工具的知识,就不会有太困难的数据科学项目。
项目是提高您的技能和迈向精通的完美途径。
这些 数据科学项目将在2020年非常有用,并且会不断发展。它们一定会带您成功。 您需要做的就是开始...
翻译自: https://hackernoon.com/top-10-data-science-project-ideas-for-2020-wuim30zt
开源科学软件创意大赛