作者：chen_h
微訊號 & QQ：862251340
微信公眾號：coderpai
我的部落格：請點選這裡
資料科學家是目前最有吸引力的職業之一，但是如何進入這個領域卻是一個不容易的事。因為你需要經驗才能得到這份工作，但是你需要這份工作才能獲得經驗。是不是感覺這是一個惡性迴圈？
Statsbot 的資料科學家 Denis Semenenko 寫了這篇文章，用來幫助大家做出第一個簡單但是具有一定說明性的科學資料專案，這個專案需要的時間可能不到一週。
這意味著你需要定製一個問題，設計解決方案，查詢資料，掌握一些分析技術，然後構建一些機器學習模型，最後評估模型質量，並將其包裝成簡單的UI。這比 Kaggle 比賽或者 Coursera 課程更加的多樣化。
如果你對這種專案感興趣，那麼你可以繼續閱讀。
分類垃圾郵件
垃圾郵件在我們生活的各個資訊角落都存在。其中之一的經典資料專案就是垃圾郵件分類。你可以訓練一個模型來檢測一個郵件是否是垃圾郵件，以便來減少垃圾資訊對使用者的騷擾。
一個簡單的機器學習模型基於在郵件中看到 “sale” 或者 “buy” 這樣的，來定義一個郵件是不是垃圾郵件。因此，你可以在一個星期內做出一個垃圾郵件的原型。
問題定義： 文字分類
演算法： 樸素貝葉斯，線性分類器，樹分類等等分類器
技術工具： sklearn, nltk, scrapy
資料集： sms spam dataset, e-mail spam dataset , youtube comments spam dataset
展示方式： 網頁頁面
參考指南：AdBlock, Adguard
閱讀指南： How To Build a Simple Spam-Detecting Machine Learning Classifier, Getting Started: Building a Chrome Extension
Not Hotdog
Not Hotdog 是一個來自矽谷系列的應用程式，可以識別照片中的熱狗和非熱狗。
你可以通過使用社交網路或者谷歌影象來收集資料集，以此來作為你的模型的訓練集。
從頭開始訓練一個模型需要大量的訓練樣本和訓練時間，因此最好我們使用一個經過預訓練的網路模型，這樣可以縮短訓練時間。
問題定義： 影象分類, image classification, transfer learning
演算法： 卷積神經網路
技術工具： keras, lasagne, Instagram API(or external libraries e.g.Instabot)
資料集： 使用 Instagram API 來收集資料
展示方式： APP
參考指南： Not hotdog
閱讀指南： Transfer learning using Keras, Building powerful image classification models using very little data
Netflix 電影推薦系統
推薦系統對於像 Google 或者 Facebook 這樣的大型公司是必須的，因為從收入和使用者點選率來看，推薦系統都是非常有價值的。
如果我們在這個子領域能夠得到實踐，那麼對於以後的資料分析發展是非常有利的。
問題定義： 推薦系統
演算法： 降低維度，協同過濾，分類演算法
技術工具： sklearn, vowpal wabbit
資料集： Netflix prize dataset, MovieLens dataset
展示方式： 網頁展示
參考指南： Jinni, MovieLens
閱讀指南： Quick Guide to Build a Recommendation Engine in Python
Snapchat 鏡頭
如果你比較喜歡處理影象，那麼你可以嘗試建立自己自定義的 Snapchat 鏡頭。任何社交網路都喜歡這樣的東西，包括 Instagram，Facebook 和 Snapchat。
鏡頭檢測面部的關鍵點，用來顯示嘴脣，眼睛，鼻子和臉部的邊界。然後你可以使用一些框架來重新構建面部。
問題定義： 影象識別，面部檢測
演算法： 卷積神經網路，面部關鍵點檢測
技術工具： dlib, openface, keras, openCV
資料集： Facial keypoints detection dataset
展現方式： APP
參考指南： Snapchat, Instagram
閱讀指南： Facial landmarks with dlib, OpenCV, and Python, Build a Simple Camera App
Twitter 資料
很多公司都會在網際網路上面監控客戶的行為資料，以此來對消極的客戶做出相應的調整。例如，T-Mobile 和 Verizon 需要對消極的推文進行快速響應，並找出問題並且解決。
每個人都可以使用 Twitter API 和情緒分類演算法來進行這個專案。
問題定義 情感分析
演算法： 情感分析
資料集： Twitter API
技術工具： nltk, spaCy
展現方式： APP
參考指南： Twilert, Tweetreach
閱讀指南： Twitter sentiment analysis using Python and NLTK
網球預測
專業的投注者總是在尋找有利可圖的賭注。基於大量的資料統計，網球是一種很好的預測類體育專案。資料科學家根據歷史資料和玩家資訊來構建預測模型，並將結果與博彩公司的評估進行比較。
目標是找出機器學習模型與博彩公司評估之間的差距，從而有機會獲勝。這是一個很好的實際資料科學專案。
問題定義： 分類
演算法： 分類演算法
資料集：atpworldtour.com
技術工具： sklearn, scrapy
展現方式： APP
參考指南：olbg.com, verifiedbets.com
閱讀指南： Machine Learning for the Prediction of Professional Tennis Matches
股票預測
機器學習模型還善於處理的一個領域是時間序列預測。一個資料處理引擎可以預測匯率和股票的波動，所以交易員或者程式可以根據這些資料進行交易。
如果你選擇這個專案，你會很容易得到資料和實踐。這個領域是從計量經濟學和經典機器學習中得出來的，所以你應該準備好探索統計學方法。
問題定義： 時間序列預測
演算法： ARIMA, regression
資料集： Quandl
技術工具： sklearn, prophet, scrapy
展示方式： APP
參考指南： financeboards.com
閱讀指南： An Introduction to Stock Market Data Analysis with Python
我希望你能從這些簡單資料專案中獲得一些啟發，開啟你的資料分析之路。
CoderPai 是一個專注於演算法實戰的平臺，從基礎的演算法到人工智慧演算法都有設計。如果你對演算法實戰感興趣，請快快關注我們吧。加入AI實戰微信群，AI實戰QQ群，ACM演算法微信群，ACM演算法QQ群。詳情請關注 “CoderPai” 微訊號（coderpai）。