6 projetos de ciência de dados de código aberto para experimentar em casa!!

Visão geral

• Trabalhe em suas habilidades de ciência de dados com esses projetos de código aberto
• Esses projetos de ciência de dados de código aberto cobrem uma ampla gama de tópicos, da visão computacional à análise da web.

Introdução

Tem sido difícil para você aprender em casa? A maioria de nós está no mesmo barco: há muitas coisas para fazer malabarismos durante estes tempos tumultuados e de aprendizagem, contrário às nossas expectativas iniciais, foi para o fundo.

Então, Como podemos voltar aos trilhos? Como podemos combinar nosso aprendizado de ciência de dados com experiência prática?

Uma coisa importante que me ajudou tremendamente foi escolher um projeto de ciência de dados de código aberto e executá-lo. Isso não só me ajuda a compreender as áreas-chave em que preciso melhorar, também me mostra o caminho a percorrer.

E esses projetos não são seus projetos comuns de ciência de dados.. Estes são projetos específicos que abordam um determinado subcampo da ciência de dados, como visão de computador, análise da web, etc. O projeto pode ser um conjunto de dados, uma biblioteca de última geração que avançou no campo da ciência de dados ou até mesmo uma ferramenta analítica de código aberto.

Portanto, escolha um projeto que o intriga e comece a trabalhar nele hoje.

Você pode verificar nosso arquivo completo de projetos de ciência de dados de código aberto aqui.

6 projetos de ciência de dados de código aberto para experimentar durante este período de blecaute

Projetos de visão de máquina de código aberto

Graças ao poder do PyTorch, este ano, estamos vendo muitos casos de uso incríveis no espaço de visão computacional. Aqui, Eu selecionei alguns projetos de visão computacional excepcionais que você vai adorar explorar e mergulhar.

E se você é novo neste campo e deseja começar, verifique esses recursos:

Este é um caso de uso requintado para visão computacional. Converter uma imagem em uma foto tridimensional exigia um conhecimento sofisticado e profundo de ferramentas como o Photoshop em um ponto.. Agora, gracias a los avances en el aprendizado profundoAqui está o caminho de aprendizado para dominar o aprendizado profundo em, Uma subdisciplina da inteligência artificial, depende de redes neurais artificiais para analisar e processar grandes volumes de dados. Essa técnica permite que as máquinas aprendam padrões e executem tarefas complexas, como reconhecimento de fala e visão computacional. Sua capacidade de melhorar continuamente à medida que mais dados são fornecidos a ele o torna uma ferramenta fundamental em vários setores, da saúde... y la visión por computadora, Podemos realizar essa transformação em apenas algumas linhas de código!!

Este projeto, código aberto no GitHub, faz exatamente isso. Tira uma única imagem de entrada RGB-D e a converte em uma foto 3D. Se você preferir termos de aprendizado profundo, então isso é “uma renderização em várias camadas para uma nova síntese de visão contendo cores alucinadas e estruturas de profundidade em regiões oclusas na visão original”.

Veja um exemplo do que você pode fazer com esta estrutura:

Bem impressionante, verdade? Este projeto, como você já deve ter adivinhado, foi feito usando PyTorch. Essa é uma estrutura com a qual você deve começar a se familiarizar.:

Este é um bom projeto paralelo para trabalhar se você não tiver muito tempo livre. Faz o que diz na caixa: você dá ao modelo uma imagem de entrada e ele irá transformá-lo em uma versão de desenho animado:

Você consegue adivinhar que conceito de visão computacional está por trás deste projeto?? sim, redes geradoras de confronto (GAN). Estou realmente surpreso com os rápidos avanços que vimos nas GANs desde que foi inaugurado em 2014 para a comunidade. De CycleGANs a StarGANs, não faltam frameworks que você pode escolher e trabalhar.

Os desenvolvedores por trás desse projeto de foto para desenho animado abriram um modelo pré-treinado para ajudá-lo a carregá-lo e executá-lo rapidamente em sua máquina.. Já vi algumas tentativas disso antes, mas esta é a transformação mais realista que encontrei.

A seguir, alguns recursos são mostrados para ajudá-lo a entender GANs:

Os quadros de detecção de objetos têm visto um progresso notável nos últimos anos. Mudamos da geração de caixas delimitadoras simples em imagens estáticas para o rastreamento de objetos dinâmicos em vídeos. Esse é o poder da visão computacional.

Porém, o progresso em reunir os conceitos de detecção e reidentificação de objetos tem sido lento (para dizer o mínimo!). Neste estudo fascinante, pesquisadores apresentam uma linha de base simples para abordar essa lacuna, rastreando vários objetos em uma única foto.

Veja seu modelo em ação:

O modelo de base que eles obtiveram do código aberto supera o estado da arte em conjuntos de dados públicos em 30 fps. Você pode encontrar o código e o artigo de pesquisa no link que mencionei acima.

Eu recomendo seguir os seguintes tutoriais se você estiver procurando aprender como detectar objetos:

Outros projetos incríveis de ciência de dados de código aberto

Selecionei uma lista de vários projetos de ciência de dados de código aberto aqui, da geração de áudio à análise esportiva. Experimente o seu favorito e aproveite a experiência de aprendizagem!

Cliquei neste projeto assim que vi OpenAI no título. Eu sou um grande admirador do seu trabalho e aprecio sua posição sobre os principais desenvolvimentos de código aberto para a comunidade mais ampla de ciência de dados. Quem não ama GPT-2?

Juke-box, como os fãs de música entenderão intuitivamente, es un modelo de neuronal vermelhoAs redes neurais são modelos computacionais inspirados no funcionamento do cérebro humano. Eles usam estruturas conhecidas como neurônios artificiais para processar e aprender com os dados. Essas redes são fundamentais no campo da inteligência artificial, permitindo avanços significativos em tarefas como reconhecimento de imagem, Processamento de linguagem natural e previsão de séries temporais, entre outros. Sua capacidade de aprender padrões complexos os torna ferramentas poderosas.. que gera música cantando no domínio de áudio sin processar. OpenAI abriu os pesos e o código do modelo, junto com uma ferramenta para explorar as amostras geradas.

É assim que a Jukebox funciona: nós fornecemos o gênero, o artista e as letras como entrada, e a rede neural nos dá uma nova amostra de música produzida do zero. A gama de músicas que o Jukebox pode gerar é impressionante em escopo. É um projeto fascinante de se trabalhar!!

Pode ver (E ouça) Jukebox em ação em O site OpenAI. E você também pode verificar os artigos do DataPeaker sobre como trabalhar com dados de áudio:

Você usa ferramentas de análise da web como o Google Analytics para monitorar o desempenho de seu site?? O problema com essas ferramentas é que não há privacidade para sua organização. O que mais, você pode precisar desembolsar algum dinheiro se quiser os recursos premium. Então, não é ideal para todos.

Estas são as principais lacunas que a ShyNet pretende preencher. É assim que os desenvolvedores colocam:

“Hospede você mesmo, então os dados são Sua. Funciona sem cookies, então você não precisa de avisos de cookies intrusivos. Colete apenas dados suficientes para serem úteis, mas não o suficiente para ser assustador. É open source e destinado a para ser autohospedado. E você pode até achar a interface fácil de usar “.

Aqui está um exemplo de captura de tela da página inicial padrão da ShyNet:

E se você está se perguntando quais as principais métricas que a ShyNet pode oferecer, sua espera acabou:

• Exitos
• Sessões
• Tempo de carregamento da página
• Taxa de rejeição
• Duração
• Remetentes
• Localizações
• Sistema operacional
• Navegador
• Localização geográfica e rede
• Tipo de dispositivo

Tenga en cuenta que ShyNet en seu formato actual es excelente si tiene una pequeña o medianaA mediana é uma medida estatística que representa o valor central de um conjunto de dados ordenados. Para calculá-lo, Os dados são organizados do menor para o maior e o número no meio é identificado. Se houver um número par de observações, Os dois valores principais são calculados em média. Este indicador é especialmente útil em distribuições assimétricas, uma vez que não é afetado por valores extremos.... empresa. Pode não ser ideal para usar se você estiver em uma grande empresa. O repositório GitHub que vinculei acima contém um resumo completo de como o ShyNet funciona e como você pode começar a usá-lo.

Recomendo seguir o guia detalhado abaixo para aprender sobre o mundo do marketing digital (del cual forma parte la analíticaAnalytics refere-se ao processo de coleta, Meça e analise dados para obter insights valiosos que facilitam a tomada de decisões. Em vários campos, como negócio, Saúde e esporte, A análise pode identificar padrões e tendências, Otimize processos e melhore resultados. O uso de ferramentas avançadas e técnicas estatísticas é essencial para transformar dados em conhecimento aplicável e estratégico.... rede):

Este é um favorito pessoal. Sou um grande fã de futebol e venho mergulhando no mundo da análise de esportes há algum tempo. O progresso neste campo tem sido muito mais lento em comparação com outras indústrias, mas nos últimos anos, equipes e franquias estão despertando para o poder da análise e da ciência de dados.

O esporte americano está muito à frente de outros países em termos de progresso e adaptabilidade, mas os clubes de futebol europeus estão finalmente começando a jogar bola. Liverpool, por exemplo, depende fortemente de uma abordagem baseada em dados de cima para baixo, incluindo o planejamento de sua estratégia de recrutamento.

Então, se você é um fanático por esportes e deseja se aventurar no mundo das análises, este é o projeto de código aberto perfeito para você.

O repositório GitHub contém uma grande variedade de recursos para você começar, Incluindo:

• Recursos e dicas sobre habilidades técnicas que valem a pena ter para o trabalho de análise de futebol.
• Uma coleção de tutoriais Python mostrando como trabalhar com conjuntos de dados de futebol.
• Trabalhos de pesquisa e artigos sobre desenvolvimentos de ponta em análise de futebol.

Notas finais

Então, Em qual projeto de ciência de dados de código aberto você estará trabalhando em maio?? Tentei cobrir uma ampla gama de domínios aqui que oferecem uma grande variedade de opções para você. Pessoalmente, Estou muito animado para mergulhar no projeto do manual de análise de futebol e ver como posso expandir meu conhecimento sobre o assunto.

Se você tem outros projetos de código aberto para compartilhar conosco, sinta-se à vontade para colocar o nome e o link na seção de comentários abaixo. Vamos fazer deste um mês de aprendizado superprodutivo!!

Relacionado