6 projets de science des données open source à essayer chez soi !!

Vue d'ensemble

• Travaillez vos compétences en science des données avec ces projets open source
• Ces projets open source de science des données couvrent un large éventail de sujets, de la vision par ordinateur à l'analyse Web.

introduction

A-t-il été difficile pour vous d'apprendre à la maison? La plupart d'entre nous sont dans le même bateau: il y a trop de choses à jongler en ces temps tumultueux et d'apprentissage, contrairement à nos attentes initiales, est passé à l'arrière-plan.

Ensuite, Comment pouvons-nous revenir sur la bonne voie? Comment pouvons-nous combiner notre apprentissage de la science des données avec une expérience pratique?

Une chose clé qui m'a énormément aidé est de choisir un projet de science des données open source et de l'exécuter. Cela m'aide non seulement à comprendre les domaines clés dans lesquels je dois m'améliorer, ça me montre aussi la voie à suivre.

Et ces projets ne sont pas vos projets de science des données ordinaires.. Ce sont des projets spécifiques qui abordent un certain sous-domaine de la science des données, comme la vision par ordinateur, analyse web, etc. Le projet pourrait être un jeu de données, une bibliothèque de pointe qui a fait avancer le domaine de la science des données ou même un outil d'analyse open source.

Donc, choisissez un projet qui vous intrigue et commencez à y travailler dès aujourd'hui.

Vous pouvez consulter nos archives complètes de projets de science des données open source ici.

6 projets open source de science des données à essayer pendant cette période d'interdiction

Projets de vision industrielle open source

Grâce à la puissance de PyTorch, cette année, nous voyons beaucoup de cas d'utilisation étonnants dans l'espace de vision par ordinateur. Ici, J'ai sélectionné des projets de vision par ordinateur exceptionnels que vous adorerez explorer et vous immerger.

Et si vous êtes nouveau dans ce domaine et que vous voulez commencer, consultez ces ressources:

Ceci est un cas d'utilisation exquis pour la vision par ordinateur. La conversion d'une image en photo tridimensionnelle a nécessité à un moment donné une connaissance sophistiquée et approfondie d'outils tels que Photoshop.. À présent, gracias a los avances en el l'apprentissage en profondeurL'apprentissage en profondeur, Une sous-discipline de l’intelligence artificielle, s’appuie sur des réseaux de neurones artificiels pour analyser et traiter de grands volumes de données. Cette technique permet aux machines d’apprendre des motifs et d’effectuer des tâches complexes, comme la reconnaissance vocale et la vision par ordinateur. Sa capacité à s’améliorer continuellement au fur et à mesure que de nouvelles données lui sont fournies en fait un outil clé dans diverses industries, de la santé... et la vision par ordinateur, Nous pouvons effectuer cette transformation en quelques lignes de code !!

Ce projet, open source sur GitHub, fait exactement ça. Prend une seule image d'entrée RVB-D et la convertit en photo 3D. Si vous préférez les termes d'apprentissage en profondeur, Alors ceci est « un rendu multicouche pour une nouvelle synthèse de vue contenant des structures de couleur et de profondeur hallucinées dans les régions occluses de la vue d'origine ».

Voir un exemple de ce que vous pouvez faire avec ce framework:

Assez impressionnant, vérité? Ce projet, comme vous l'avez peut-être déjà deviné, a été fait en utilisant PyTorch. C'est un cadre avec lequel vous devriez commencer à vous familiariser.:

C'est un bon projet parallèle sur lequel travailler si vous n'avez pas beaucoup de temps libre. Fait ce qu'il dit sur la boîte: vous donnez au modèle une image d'entrée et il la transformera en une version de dessin animé:

Pouvez-vous deviner quel concept de vision par ordinateur se cache derrière ce projet ?? Oui, réseaux génératifs de confrontation (GAN). Je suis vraiment étonné des progrès rapides que nous avons constatés dans les GAN depuis son ouverture en 2014 à la communauté. Des CycleGAN aux StarGAN, les frameworks que vous pouvez choisir et avec lesquels travailler ne manquent pas.

Les développeurs à l'origine de ce projet de photo en dessin animé ont ouvert un modèle pré-entraîné pour vous aider à le charger et à l'exécuter rapidement sur votre machine.. J'ai déjà vu quelques tentatives, mais c'est la transformation la plus réaliste que j'ai rencontrée.

Ensuite, certaines ressources sont présentées pour vous aider à comprendre les GAN:

Les cadres de détection d'objets ont connu des progrès remarquables ces dernières années. Nous sommes passés de la génération de simples cadres de délimitation dans les images fixes au suivi d'objets dynamiques dans les vidéos. C'est le pouvoir de la vision par ordinateur.

Cependant, les progrès dans le rapprochement des concepts de détection et de réidentification d'objets ont été lents (Pour dire le moins!). Dans cette fascinante étude, les chercheurs présentent une base de référence simple pour combler cette lacune en suivant plusieurs objets en un seul coup.

Voir votre modèle en action:

Le modèle de base qu'ils ont obtenu de l'open source surpasse l'état de l'art dans les ensembles de données publiques en 30 fps. Vous pouvez trouver à la fois le code et l'article de recherche dans le lien que j'ai mentionné ci-dessus.

Je recommande de suivre les tutoriels suivants si vous cherchez à apprendre à détecter des objets:

Autres projets de science des données open source géniaux

J'ai sélectionné une liste de divers projets de science des données open source ici, de la génération audio à l'analyse sportive. Essayez votre favori et profitez de l'expérience d'apprentissage!

J'ai cliqué sur ce projet dès que j'ai vu OpenAI dans le titre. Je suis un grand fan de votre travail et j'apprécie votre position sur les développements majeurs de l'open source pour la communauté plus large de la science des données. Qui n'aime pas GPT-2?

Juke-box, comme les fans de musique le comprendront intuitivement, es un modelo de neuronal rougeLes réseaux de neurones sont des modèles computationnels inspirés du fonctionnement du cerveau humain. Ils utilisent des structures appelées neurones artificiels pour traiter et apprendre des données. Ces réseaux sont fondamentaux dans le domaine de l’intelligence artificielle, permettant des avancées significatives dans des tâches telles que la reconnaissance d’images, Traitement du langage naturel et prédiction de séries temporelles, entre autres. Leur capacité à apprendre des motifs complexes en fait des outils puissants.. que genera música cantando en el dominio de audio sin procesar. OpenAI a ouvert les poids et le code du modèle, avec un outil pour explorer les échantillons générés.

Voici comment fonctionne Jukebox: nous fournissons le sexe, l'artiste et les paroles en entrée, et le réseau de neurones nous donne un nouvel échantillon de musique produite à partir de zéro. La gamme de musique que Jukebox peut générer est stupéfiante. C'est un projet passionnant sur lequel travailler !!

Peut voir (et écoute) Jukebox en action à Le site OpenAI. Et vous pouvez également consulter les articles DataPeaker sur l'utilisation des données audio:

Utilisez-vous des outils d'analyse Web comme Google Analytics pour suivre les performances de votre site? Le problème avec ces outils est qu'il n'y a pas de confidentialité pour votre organisation. En outre, vous devrez peut-être débourser de l'argent si vous voulez les fonctionnalités premium. Ensuite, pas idéal pour tout le monde.

Ce sont les principales lacunes que ShyNet vise à combler. Voici comment les développeurs l'ont dit:

« Hébergez-le vous-même, donc les données sont les vôtres. Fonctionne sans cookies, vous n'avez donc pas besoin de notifications de cookies intrusives. Recueillez seulement assez de données pour être utiles, mais pas assez pour être effrayant. Il est open source et destiné à être auto-hébergé. Et vous pouvez même trouver l'interface facile à utiliser « .

Voici un exemple de capture d'écran de la page d'accueil par défaut de ShyNet:

Et si vous vous demandez quelles mesures clés ShyNet peut vous fournir, votre attente est terminée:

• Les coups
• Séances
• Temps de chargement de la page
• Taux de rebond
• Durée
• Expéditeurs
• Emplacements
• Système opérateur
• Navigateur
• Situation géographique et réseau
• Type d'appareil

Tenga en cuenta que ShyNet en su formato actual es excelente si tiene una pequeña o médianLa médiane est une mesure statistique qui représente la valeur centrale d’un ensemble de données ordonnées. Pour le calculer, Les données sont organisées de la plus basse à la plus élevée et le numéro au milieu est identifié. S’il y a un nombre pair d’observations, La moyenne des deux valeurs fondamentales est calculée. Cet indicateur est particulièrement utile dans les distributions asymétriques, puisqu’il n’est pas affecté par les valeurs extrêmes.... entreprise. Il peut ne pas être idéal à utiliser si vous êtes dans une grande entreprise. Le référentiel GitHub que j'ai lié ci-dessus contient un résumé complet du fonctionnement de ShyNet et de la façon dont vous pouvez commencer à l'utiliser.

Je recommande de suivre le guide détaillé ci-dessous pour en savoir plus sur le monde du marketing numérique (del cual forma parte la analytiqueL’analytique fait référence au processus de collecte, Mesurer et analyser les données pour obtenir des informations précieuses qui facilitent la prise de décision. Dans divers domaines, Comme les affaires, Santé et sport, L’analytique peut identifier des modèles et des tendances, Optimiser les processus et améliorer les résultats. L’utilisation d’outils et de techniques statistiques de pointe est essentielle pour transformer les données en connaissances applicables et stratégiques.... la toile):

Ceci est un favori personnel. Je suis un grand fan de football et je me suis plongé dans le monde de l'analyse sportive depuis un certain temps.. Les progrès dans ce domaine ont été beaucoup plus lents par rapport à d'autres industries, mais ces dernières années, les équipes et les franchises prennent conscience de la puissance de l'analytique et de la science des données.

Les sports américains ont une longueur d'avance sur les autres pays en termes de progrès et d'adaptabilité, mais les clubs de football européens commencent enfin à jouer au ballon. Liverpool, par exemple, repose fortement sur une approche descendante axée sur les données, y compris la planification de votre stratégie de recrutement.

Ensuite, si vous êtes un passionné de sport et que vous souhaitez vous aventurer dans le monde de l'analytique, c'est le projet open source parfait pour vous.

Le référentiel GitHub contient une multitude de ressources pour vous aider à démarrer, comprenant:

• Ressources et conseils sur les compétences techniques qui valent la peine d'être acquises pour le travail d'analyse du football.
• Une collection de didacticiels Python montrant comment travailler avec des ensembles de données de football.
• Documents de recherche et articles sur les développements de pointe dans l'analyse du football.

Remarques finales

Ensuite, Sur quel projet de science des données open source travaillerez-vous en mai ?? J'ai essayé de couvrir un large éventail de domaines ici qui offrent une grande variété d'options pour vous. Personnellement, Je suis très heureux de plonger dans le projet de manuel d'analyse du football et de voir comment je peux élargir mes connaissances sur le sujet.

Si vous avez d'autres projets open source à partager avec nous, n'hésitez pas à mettre le nom et le lien dans la section commentaire ci-dessous. Faisons de ce mois d'apprentissage super productif !!

En rapport