數(shù)據(jù)科學(xué)項(xiàng)目為初學(xué)者在該領(lǐng)域開啟職業(yè)生涯提供了一個(gè)方法。不僅可以通過應(yīng)用它來學(xué)習(xí)數(shù)據(jù)科學(xué)，還可以在簡歷上展示你的項(xiàng)目經(jīng)歷!

如今，越來越多的數(shù)據(jù)相關(guān)工作招聘要求要有相關(guān)的經(jīng)驗(yàn)。如果你沒有任何東西可以展示給他們，那么你很有可能就會(huì)錯(cuò)過這個(gè)工作。下面是來自不同領(lǐng)域的各種數(shù)據(jù)集和項(xiàng)目處理方法。

我們將這個(gè)列表分為三個(gè)層次，即:

初級(jí)水平:這個(gè)水平由數(shù)據(jù)集組成，使用起來相當(dāng)容易，不需要復(fù)雜的數(shù)據(jù)科學(xué)技術(shù)。可以使用基本的回歸或分類算法來解決它們。而且，這些數(shù)據(jù)集有足夠的開放教程，可以幫助入門。在這個(gè)列表中，我們還提供了一些教程來幫助入門。你也可以查看AV的“數(shù)據(jù)科學(xué)入門”課程。

中級(jí)水平:這一水平包含了更具挑戰(zhàn)性的數(shù)據(jù)集。它由中、大型數(shù)據(jù)集組成，這些數(shù)據(jù)集需要一定的模式識(shí)別技能。

高級(jí)水平:這個(gè)水平是最適合的人誰了解先進(jìn)的主題，如神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)，推薦系統(tǒng)等，高維數(shù)據(jù)集也在這里。同時(shí)，這也是一個(gè)富有創(chuàng)造力的時(shí)期�？纯醋詈玫臄�(shù)據(jù)科學(xué)家是如何把創(chuàng)造力帶到他們的工作和代碼中的。

 

Beginner Level

1.Iris數(shù)據(jù)集

問題：根據(jù)可用屬性預(yù)測花的類。

獲取數(shù)據(jù)：https://archive.ics.uci.edu/ml/datasets/Iris

教程：http://www.slideshare.net/thoi_gian/iris-data-analysis-with-r

2. Loan Prediction Dataset

貸款的預(yù)測數(shù)據(jù)集

問題:預(yù)測貸款是否會(huì)被批準(zhǔn)。

獲取數(shù)據(jù)：https://datahack.analyticsvidhya.com/contest/practice-problem-loan-prediction-iii/

教程：https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/

3.Bigmart銷售數(shù)據(jù)集

問題:預(yù)測商店的銷售額。

獲取數(shù)據(jù)：https://datahack.analyticsvidhya.com/contest/practice-problem-big-mart-sales-iii/

教程：https://www.analyticsvidhya.com/blog/2016/02/bigmart-sales-solution-top-20/

4. 波士頓住房數(shù)據(jù)集

預(yù)測業(yè)主自有住房的中位數(shù)。

獲取數(shù)據(jù)：https://www.cs.toronto.edu/~delve/data/boston/bostonDetail.html

教程：https://www.analyticsvidhya.com/blog/2015/11/started-machine-learning-ms-excel-xl-miner/

5. 時(shí)間序列分析數(shù)據(jù)集

預(yù)測一種新的交通方式的交通流量。

獲取數(shù)據(jù)：https://datahack.analyticsvidhya.com/contest/practice-problem-time-series-2/

教程：https://trainings.analyticsvidhya.com/courses/course-v1:AnalyticsVidhya+TS_101+TS_term1/about

6. 葡萄酒質(zhì)量數(shù)據(jù)集

預(yù)測葡萄酒的質(zhì)量。

獲取數(shù)據(jù)：https://archive.ics.uci.edu/ml/datasets/Wine+Quality

教程：https://web.stanford.edu/~ilker/doc/wine_Stats315A.pdf

7.Turkiye 學(xué)生評(píng)價(jià)數(shù)據(jù)集

使用分類和聚類技術(shù)來處理數(shù)據(jù)。

獲取數(shù)據(jù)：https://archive.ics.uci.edu/ml/datasets/Wine+Qualityhttps://archive.ics.uci.edu/ml/datasets/Turkiye+Student+Evaluation

教程：https://sanghosuh.github.io/research/LA_EdMining_SanghoSuh.pdf

8.身高和體重?cái)?shù)據(jù)集

預(yù)測一個(gè)人的身高或體重。

獲取數(shù)據(jù)：http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_Dinov_020108_HeightsWeights

教程：https://www3.nd.edu/~steve/computing_with_data/2_Motivation/motivate_ht_wt.html

Intermediate Level

1. 黑色星期五的數(shù)據(jù)集

預(yù)測營業(yè)額

獲取數(shù)據(jù)：https://datahack.analyticsvidhya.com/contest/black-friday/

教程：https://discuss.analyticsvidhya.com/t/black-friday-data-hack-reveal-your-approach/5986

2. 活動(dòng)識(shí)別數(shù)據(jù)集

預(yù)測一個(gè)人的活動(dòng)類別。

獲取數(shù)據(jù)：http://archive.ics.uci.edu/ml/datasets/Human+Activity+Recognition+Using+Smartphones

教程：https://rstudio-pubs-static.s3.amazonaws.com/291850_859937539fb14c37b0a311db344a6016.html

3.文本挖掘數(shù)據(jù)集

根據(jù)文檔的標(biāo)簽對(duì)文檔進(jìn)行分類。

獲取數(shù)據(jù)：http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/multilabel.html#siam-competition2007

教程：https://wtlab.um.ac.ir/images/e-library/text_mining/Survey%20of%20Text%20Mining%202%20.pdf

4. 訪問歷史數(shù)據(jù)集

預(yù)測用戶的類別，來自美國的一個(gè)自行車共享服務(wù)。

獲取數(shù)據(jù)：http://archive.ics.uci.edu/ml/machine-learning-databases/census-income-mld/

教程：https://www.analyticsvidhya.com/blog/2015/06/solution-kaggle-competition-bike-sharing-demand/

5. 歌曲數(shù)據(jù)集

預(yù)測歌曲的發(fā)行年份。

獲取數(shù)據(jù)：http://archive.ics.uci.edu/ml/datasets/YearPredictionMSD

教程：http://www-personal.umich.edu/~yjli/content/projectreport.pdf

6. 人口普查和收入數(shù)據(jù)集

預(yù)測美國人口和收入。

獲取數(shù)據(jù)：http://archive.ics.uci.edu/ml/machine-learning-databases/census-income-mld/

教程：https://cseweb.ucsd.edu/~jmcauley/cse190/reports/sp15/048.pdf

7. 電影鏡頭數(shù)據(jù)集

向用戶推薦新電影。

獲取數(shù)據(jù)：http://grouplens.org/datasets/movielens/1m/

教程：https://www.analyticsvidhya.com/blog/2016/06/quick-guide-build-recommendation-engine-python/

8. Twitter分類數(shù)據(jù)集

識(shí)別哪些是仇恨推文，哪些不是。

獲取數(shù)據(jù)：https://datahack.analyticsvidhya.com/contest/practice-problem-twitter-sentiment-analysis/

教程：https://github.com/abdulfatir/twitter-sentiment-analysis

Advanced Level

1、圖像識(shí)別數(shù)據(jù)集

從圖像中識(shí)別數(shù)字。

獲取數(shù)據(jù)：https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-digits/

教程：https://www.analyticsvidhya.com/blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow/

2. 城市合理的分類

獲取數(shù)據(jù)：https://datahack.analyticsvidhya.com/contest/practice-problem-urban-sound-classification/

教程：https://www.analyticsvidhya.com/blog/2017/08/audio-voice-processing-deep-learning/

3.Vox名人數(shù)據(jù)集

從音頻中分類聲音的類型。

獲取數(shù)據(jù)：http://www.robots.ox.ac.uk/~vgg/data/voxceleb/

教程：https://www.robots.ox.ac.uk/~vgg/publications/2017/Nagrani17/nagrani17.pdf

4. ImageNet數(shù)據(jù)集

要解決的問題取決于您下載的圖像類型。

獲取數(shù)據(jù)：http://image-net.org/download-imageurls

教程：http://image-net.org/download-imageurls

5. 芝加哥犯罪數(shù)據(jù)集

預(yù)測犯罪類型。

獲取數(shù)據(jù)：https://data.cityofchicago.org/Public-Safety/Crimes-2001-to-present/ijzp-q8t2

教程：http://nathanwayneholt.com/mathematicalmodeling/ChicagoCrimesReport.pdf

6. 印度演員年齡數(shù)據(jù)集

檢測演員的年齡。

獲取數(shù)據(jù)：http://image-net.org/download-imageurls

教程：http://image-net.org/download-imageurls

7. 推薦引擎的數(shù)據(jù)集

根據(jù)用戶的當(dāng)前狀態(tài)預(yù)測解決問題所需的時(shí)間。

獲取數(shù)據(jù)：https://data.cityofchicago.org/Public-Safety/Crimes-2001-to-present/ijzp-q8t2

教程：http://nathanwayneholt.com/mathematicalmodeling/ChicagoCrimesReport.pdf

8. VisualQA數(shù)據(jù)集

使用深度學(xué)習(xí)技術(shù)來回答關(guān)于圖像的開放式問題。

獲取數(shù)據(jù)：http://www.visualqa.org/

教程：https://www.analyticsvidhya.com/blog/2017/06/hands-on-with-deep-learning-solution-for-age-detection-practice-problem/

標(biāo)簽： 數(shù)據(jù) 蒲�项�  數(shù)據(jù)處理

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。