24個提高你的知識和技能極限的資料科學（機器學習）專案（免費）

作者|ANALYTICS VIDHYA
編譯|Flin
來源|analyticsvidhya

介紹

資料科學（機器學習）專案為你提供了一種有前途的方式來啟動你在該領域的職業，你不僅可以通過應用它來學習資料科學，還可以在自己的簡歷上展示一些專案！

如今，招聘人員通過他/她的作業來評估應聘者的潛力，而不是將重點放在認證上，如果你沒有什么東西可以告訴他們，那也沒關系！這是大多數人掙扎和錯過的地方，

你以前可能曾處理過幾個問題，但是如果你無法使其表現得那么好且易于解釋，那么究竟有什么人會知道你的能力呢？這些專案將為你提供幫助，想想你將花費在這些專案上的時間，例如培訓課程，練習花費的時間越多，你就會變得更好！

我們確保為你提供不同領域的各種問題，我們認為，每個人都必須學習如何巧妙地處理大量資料，因此其中包括大型資料集，另外，我們確保所有資料集都是開放的并且可以自由訪問，

有用的資訊

為了幫助你確定從何處開始，我們將該串列分為3個級別，即：

1. 初級： 此級別包含相當容易使用的資料集，并且不需要復雜的資料科學技術，你可以使用基本回歸或分類演算法來解決它們，而且，這些資料集有足夠的開放教程來幫助你入門，在此串列中，我們還提供了可幫助你入門的教程，你還可以同時查看AV的“資料科學入門 ”課程！

   • http://courses.analyticsvidhya.com/courses/introduction-to-data-science-2

2. 中級：此級別包含本質上更具挑戰性的資料集，它由中型和大型資料集組成，需要一些認真的模式識別技能，此外，功能工程將在這里有所作為，機器學習技術的使用沒有限制；陽光下的一切都可以使用，

3. 高級：此級別最適合理解高級主題（如神經網路，深度學習，推薦系統等）的人員，此處還提供了高維資料集，另外，這是時候發揮創造力了，查看最佳資料科學家將其帶入他們的作業和代碼的創造力，

目錄

1. 初級

   • 虹膜資料
   • 貸款預測資料
   • Bigmart銷售資料
   • 波士頓住房資料
   • 時間序列分析資料
   • 葡萄酒質量資料
   • Turkiye學生評估資料
   • 身高體重資料

2. 中級

   • 黑色星期五資料
   • 人類活動識別資料
   • 暹羅比賽資料
   • 行程記錄資料
   • 百萬首歌曲資料
   • 人口普查收入資料
   • 電影鏡頭資料
   • Twitter分類資料

3. 高級

   • 識別你的數字
   • 城市聲音分類
   • Vox名人資料
   • ImageNet資料
   • 芝加哥犯罪資料
   • 印度演員資料的年齡檢測
   • 推薦引擎資料
   • VisualQA資料

初級

1.虹膜資料集

這可能是模式識別文獻中最通用、最簡單、資源最豐富的資料集，沒有什么比虹膜資料集學習分類技術更簡單的了，如果你是全新的資料科學學習生，這將成為你的起點，資料只有150行4列，

問題：根據可用屬性預測花朵的類別，

開始：獲取資料：https://archive.ics.uci.edu/ml/datasets/Iris

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

讓我們看一下Iris資料，并在下面的“實時編碼”視窗中構建一個Logistic回歸模型，

https://id.analyticsvidhya.com/auth/login/?next=https://www.analyticsvidhya.com/blog/2018/05/24-ultimate-data-science-projects-to-boost-your-knowledge-and-skills

2.貸款預測資料集

在所有行業中，保險領域是分析和資料科學方法最大的用途之一，該資料集使你可以從保險公司的資料集中進行操作，那里面臨著哪些挑戰，使用了什么策略，哪些變數影響了結果等等，這是一個分類問題，資料有615行和13列，

問題：預測貸款是否會獲得批準，

開始：獲取資料：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/

讓我們看一下“貸款”資料并在下面的“實時編碼”視窗中構建一個Logistic回歸模型，

https://id.analyticsvidhya.com/auth/login/?next=https://www.analyticsvidhya.com/blog/2018/05/24-ultimate-data-science-projects-to-boost-your-knowledge-and-skills

3. Bigmart銷售資料集

零售是另一個廣泛使用分析來優化業務流程的行業，使用資料科學技術可以巧妙地處理諸如產品放置，庫存管理，自定義報價，產品捆綁等任務，顧名思義，該資料包含銷售商店的交易記錄，這是一個回歸問題，資料具有12個變數的8523行，

問題：預測商店的銷售額，

開始：獲取資料：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/

讓我們看一下Big Mart銷售資料，并在下面的“實時編碼”視窗中構建線性回歸模型，

https://id.analyticsvidhya.com/auth/login/?next=https://www.analyticsvidhya.com/blog/2018/05/24-ultimate-data-science-projects-to-boost-your-knowledge-and-skills

4.波士頓住房資料集

這是模式識別文獻中另一個流行的資料集，資料集來自美國波士頓的房地產行業，這是一個回歸問題，資料具有506行和14列，因此，這是一個相當小的資料集，你可以在其中嘗試任何技術而不必擔心筆記本電腦的記憶體被過度使用，

問題：預測業主占有的房屋的價值中值，

開始：獲取資料：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.時間序列分析資料集

時間序列是資料科學中最常用的技術之一，它具有廣泛的應用程式——天氣預報，預測銷售，分析逐年趨勢等，此資料集特定于時間序列，而此處的挑戰是以一種運輸方式預測交通量，資料具有行和列，

問題：以新的運輸方式預測交通量，

開始：獲取資料：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.葡萄酒質量資料集

這是資料科學初學者中最受歡迎的資料集之一，它分為2個資料集，你可以對此資料執行回歸和分類任務，它將測驗你在不同領域的理解能力——例外檢測，特征選擇和不平衡資料，該資料集中有4898行和12列，

問題：預測葡萄酒的質量，

開始：獲取資料：https://archive.ics.uci.edu/ml/datasets/Wine+Quality

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

7. Turkiye學生評估資料集

該資料集基于學生針對不同課程填寫的評估表，它具有不同的屬性，包括出勤率，難度，每個評估問題的得分等，這是一個無監督的學習問題，資料集有5820行和33列，

問題：使用分類和聚類技術來處理資料，

開始：獲取資料：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.身高和體重資料集

這是一個相當簡單的問題，非常適合剛開始使用資料科學的人們，這是一個回歸問題，資料集具有25,000行和3列（索引，高度和權重），

問題：預測一個人的身高或體重，

開始：獲取資料：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

中級

1.黑色星期五資料集

該資料集包含在零售商店捕獲的銷售交易，這是一個經典的資料集，可從多種購物體驗中探索和擴展你的特殊工程技能以及日常理解能力，這是一個回歸問題，資料集具有550,069行和12列，

問題： 預測購買金額，

開始：獲取資料：https://datahack.analyticsvidhya.com/contest/black-friday/

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

2.人類活動識別資料集

該資料集是從通過嵌入式智能慣性傳感器啟用的智能手機捕獲的30個人物的記錄中收集的，許多機器學習課程將這些資料用于教學目的，輪到你了，這是一個多分類問題，資料集有10,299行和561列，

問題：預測人類的活動類別，

開始：獲取資料：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??掘資料集

該資料集最初來自2007年舉行的暹羅文字采礦比賽，該資料包含描述某些飛行中出現的問題的航空安全報告，這是一個多分類的高維問題，它具有21,519行和30,438列，

問題：根據檔案的標簽對檔案進行分類，

開始：獲取資料：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 of Text Mining 2 .pdf

4.行程歷史資料集

該資料集來自美國的自行車共享服務，此資料集要求你鍛煉專業資料處理技能，該資料從2010年第四季度開始按季度提供，每個檔案有7列，這是一個分類問題，

問題：預測用戶類別，

開始：獲取資料：https://www.capitalbikeshare.com/trip-history-data

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

5.百萬首歌曲資料集

你知道資料科學也可以用于娛樂行業嗎？自己動手吧！該資料集提出了回歸任務，它由5,15,345個觀測值和90個變陣列成，但是，這只是大約一百萬首歌曲的原始資料資料庫的一小部分 ，

問題：預測歌曲的發行年份，

開始：獲取資料：http://archive.ics.uci.edu/ml/datasets/YearPredictionMSD

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

6.人口普查收入資料集

這是一個不平衡的分類，是一個經典的機器學習問題，你知道，機器學習已廣泛用于解決不平衡的問題，例如癌癥檢測，欺詐檢測等，現在是時候自己動手了，資料集具有48,842行和14列，作為指導，你可以檢查此不平衡的資料專案，

• https://www.analyticsvidhya.com/blog/2016/09/this-machine-learning-project-on-imbalanced-data-can-add-value-to-your-resume/

問題：預測美國人口的收入等級，

開始：獲取資料：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.電影鏡頭資料集

你是否已建立推薦系統？這是你的機會！該資料集是資料科學行業中最受歡迎和參考最多的資料集之一，它有各種尺寸，在這里，我使用了相當小的尺寸，它在4,000部電影中獲得6,000名用戶的100萬收視率，

問題：向用戶推薦新電影，

開始：獲取資料：http://grouplens.org/datasets/movielens/1m/

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

8. Twitter分類資料集

使用Twitter資料已成為情感分析問題不可或缺的一部分，如果你想在這一領域為自己開拓一片天地，那么你將很樂于應對該資料集帶來的挑戰，資料集大小為3MB，具有31,962條推文，

問題：識別哪些是仇恨推特，哪些不是，

開始：獲取資料：https://datahack.analyticsvidhya.com/contest/practice-problem-twitter-sentiment-analysis/

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

高級

1.確定你的位數資料集

該資料集使你可以研究，分析和識別影像中的元素，這就是相機使用影像識別來檢測你的臉的方式！現在輪到你構建和測驗該技術了，這是一個數字識別問題，該資料集包含7,000張28 X 28大小的影像，總計31MB，

問題：識別影像中的數字，

開始：獲取資料：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.城市聲音分類

當你開始機器學習之旅時，你會遇到簡單的機器學習問題，例如泰坦尼克號生存預測，但是，對于現實生活中的問題，你仍然沒有足夠的練習，因此，此練習問題旨在向你介紹常規分類情況下的音頻處理，該資料集包含10個類別的8,732個城市聲音的聲音摘錄，

問題：從音頻中分類聲音的型別，

開始：獲取資料：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名人資料集

音頻處理正迅速成為深度學習的重要領域，因此這是另一個具有挑戰性的問題，此資料集用于大規模的說話人識別，包含從YouTube視頻中提取的名人所說的單詞，這是用于分離和識別語音的有趣用例，資料包含1,251位名人所說的100,000次講話，

問題：找出聲音屬于哪個名人，

開始：獲取資料：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資料集

ImageNet提供了各種問題，包括物件檢測，定位，分類和螢屏決議，所有影像均可免費獲得，你可以搜索任何型別的影像并圍繞該影像構建專案，截止到目前，該影像引擎已經擁有超過1500萬張多種形狀的影像，大小高達140GB，

問題：要解決的問題取決于你下載的影像型別，

開始：獲取資料：http://image-net.org/download-imageurls

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

5.芝加哥犯罪資料集

如今，每位資料科學家都希望能夠處理大型資料集，當公司在整個資料集上具有計算能力時，他們不再喜歡使用樣本，該資料集為你提供了在本地計算機上處??理大型資料集所需的實際經驗，問題很容易，但是資料管理才是關鍵！該資料集具有600萬個觀測值，這是一個多分類問題，

問題：預測犯罪型別，

開始：獲取資料： https://data.cityofchicago.org/Public-Safety/Crimes-2001-to-present/ijzp-q8t2

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

6.印度演員年齡資料集

對于任何深度學習愛好者來說，這都是一個吸引人的挑戰，資料集包含數千個印度演員的影像，你的任務是確定他們的年齡，手動選擇所有影像，并從視頻幀中裁剪所有影像，這導致了比例，姿勢，表情，年齡，解析度，遮擋和化妝具有高度的可變性，訓練集中有19,906張影像，測驗集中有6,636張影像，

問題：預測演員的年齡，

開始：獲取資料：http://image-net.org/download-imageurls

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

7.推薦引擎資料集

這是一個高級推薦系統的挑戰，在這個實踐問題中，將為你提供程式員的資料和他們先前已解決的問題，以及他們解決該特定問題所花費的時間，作為資料科學家，你建立的模型將幫助在線評委決定下一級的問題推薦給用戶，

問題：根據用戶的當前狀態，預測解決問題所需的時間，

開始：獲取資料：https://datahack.analyticsvidhya.com/contest/practice-problem-recommendation-engine/

8. VisualQA資料集

VisualQA是一個資料集，其中包含有關影像的開放式問題，這些問題需要有對計算機視覺和語言的理解，這個問題有一個自動的評估指標，資料集包含265,016張影像，每張影像3個問題，每個問題10個真實答案，

問題：使用深度學習技識訓答有關影像的開放性問題，

開始：獲取資料：http://www.visualqa.org/

教程：https://arxiv.org/abs/1708.02711

尾注

在上面列出的24個資料集中，你應該首先找到一個與你的技能組匹配的資料集，如果你是機器學習的初學者，請避免從一開始就使用高級資料集，不要咬一個超過你咀嚼能力的東西，不要對仍然要做的事情感到不知所措，相反，應專注于逐步取得進展，

完成2-3個專案后，在簡歷和GitHub個人資料上展示它們（非常重要！），如今，許多招聘人員通過檢查GitHub個人資料來招聘候選人，你的動機不應該是完成所有專案，而應根據要解決的問題，領域和資料集大小挑選出一些專案，如果你想查看完整的專案解決方案，請閱讀此文章：

• https://www.analyticsvidhya.com/blog/2016/09/this-machine-learning-project-on-imbalanced-data-can-add-value-to-your-resume/

你覺得這篇文章有用嗎？你是否已經在這些資料集上構建了任何專案？請在下面的評論部分中分享你的經驗，學習和建議，

原文鏈接：https://www.analyticsvidhya.com/blog/2018/05/24-ultimate-data-science-projects-to-boost-your-knowledge-and-skills/

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方檔案：
http://sklearn123.com/

歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/

標籤：其他

上一篇：寬度學習系統(Broad Learning System, BLS)

下一篇：端到端機器學習專案：評論分類