學了這些機器學習知識 沒有經驗也可以得到數據科學家這份工作

圖：pixabay

數據科學家是如今最有吸引力的專家之一，但如果你的簡歷中沒有「項目」這一欄的話，進入這個行業也不是那麼容易的。你需要有經驗才能得到這份工作，而你只有得到這份工作才能獲得經驗。這看起來像不像一種惡性循環？

基於此，Statsbot的數據科學家Denis Semenenko寫下了這篇文章，可以幫助大家做出你的第一份雖然簡單但非常具有說明性的數據科學項目，而這個項目你只要花費不到一個星期的工作時間就可以完成。

這些項目的優勢在於它們都是一個全面的數據科學問題。

這意味著你需要制定問題，設計解決方案，查找數據，掌握技術，構建機器學習模型，評估質量，並將其包裝成簡單的UI。這比Kaggle比賽或Coursera課程更為多樣化（當然了，他們也是非常好的）。

如果你想通過使用數據科學項目來為你的簡歷增添光彩，為大學項目尋找靈感，或僅僅是想在特定的機器學習領域進行練習的話，那我覺得你真的可以從這篇文章中學到不少東西。

垃圾郵件或非垃圾郵件

垃圾郵件存在於任何可能會留下信息的地方。垃圾郵件檢測是經典數據科學問題之一。你可以訓練一個模型來檢測垃圾郵件，垃圾信息和垃圾郵件用戶的評論，以便將其隱藏在瀏覽器中。

機器學習引擎是基於在垃圾郵件中遇到諸如「銷售」和「購買」這樣的單詞的概率來定義垃圾郵件的。因此，你可以在大約一周內的時間裡獲得AdBlock的工作原型。

ML問題：文本分類

演算法：樸素貝葉斯演算法，線性分類器，樹狀分類器，任何你想要的分類器

技術：sklearn，nltk，scrapy

數據：簡訊垃圾郵件數據集，電子郵件垃圾郵件數據集，YouTube評論垃圾郵件數據集

實現：瀏覽器擴展

參考文獻：AdBlock，Adguard

指南：如何構建簡單的垃圾郵件檢測機器學習分類器，入門：構建Chrome擴展

Not Hotdog

Not Hotdog是來自矽谷系列的病毒應用程序，它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谷歌圖像來收集一個數據集（使用主題標籤或搜索查詢），以便來訓練任何你想要的圖像分類器。

從頭開始訓練神經網路是非常麻煩的，因為這需要大量的訓練樣本和計算時間，因此最好的辦法就是使用預訓練的網路（這種方法稱為遷移學習）。

ML問題：圖像識別，圖像分類，遷移學習

演算法：卷積神經網路

技術：keras，lasagne，Instagram API（或外部資料庫，例如Instabot）

數據：使用Instagram API和主題標籤來收集數據集

實施：移動app

參考文獻：Not Hotdog

指南：使用Keras遷移學習，使用非常少的數據構建強大的圖像分類模型

Netflix電影推薦

推薦系統對於像Google或Facebook這樣的大型公司來說是非常必要的，因為從收入和參與度（Facebook廣告，Youtube推薦）的角度來看的話，推薦系統是有價值的。

對於數據科學家初學者來說，他們能夠在數據科學的這個子領域中得到實踐，並建立他們的個人電影推薦系統。

插圖：movielens.org

ML問題：推薦系統

演算法：降維（dimensionality reduction），協同過濾（collaborative filtering），分類演算法（classification）

技術：sklearn，vowpal wabbit

數據：Netflix prize 數據集，MovieLens數據集

實施：web應用

參考文獻：Jinni，MovieLens

指南：在Python中構建推薦引擎的快速指南

原裝Snapchat鏡頭

如果你善於圖形設計，你應該嘗試創建自定義的Snapchat鏡頭。 任何社交網路都有這樣的東西—— Instagram、Facebook和Snapchat。

GIF/1.2M

來源：https://support.snapchat.com/en-GB/a/lenses1

鏡頭檢測關鍵面部點，以顯示嘴唇、眼睛、鼻子和臉部的邊界。然後，即使您正在移動（例如，使用openCV或任何圖形庫），ML引擎也可以正確構建面孔。

機器學習問題：圖像識別，人臉檢測

演算法：卷積神經網路，面部關鍵點檢測

技術：dlib，openface，keras，openCV

數據：面部關鍵點檢測數據集

實施：移動應用

參考文獻：Snapchat，Instagram

指南：使用dlib，OpenCV和Python的面部地標，構建簡單的相機應用程序

Twitter stream

很多公司會在互聯網上收集客戶的意見，儘快對負面tweets做出反應。 例如，T-Mobile和Verizon需要快速響應負面tweets，並找出問題所在以及如何解決問題。

每個人都可以使用簡便的Twitter API和情緒分析演算法來使這個項目在整個stream中檢測到這樣的tweets。

機器學習問題：情緒分析

演算法：情緒分析

數據：Twitter API

技術：nltk，spaCy

實施：網路應用

參考文獻：Twilert，Tweetreach

指南：使用Python和NLTK的Twitter情感分析

網球betmaker

專業投注者總是尋找有利可圖的賭注。由於大量的統計數據，網球是一種很好的預測體育運動，有時莊家會出現失誤。

數據科學家可以將具有匹配歷史和玩家信息的網站放在一起，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預測與博彩公司評估之間的差距，從而有機會獲勝。這是一個數據科學家面臨的特徵工程學的問題！

機器學習問題：分類

演算法：分類

數據：atpworldtour.com

技術：sklearn，scrapy

實施：網路應用

參考文獻：olbg.com，verifiedbets.com

指南：機器學習在職業網球比賽預測中的應用

股價預測

ML的流行應用是時間序列預測。數據科學引擎可以預測匯率和股票，所以交易者或機器人可以根據這些預測進行投資。

如果你選擇這個問題，你會發現很容易得到這樣的數據並加以實踐。這個子域是從計量經濟學和經典機器學習得出的，所以你應該準備好探索統計學方法。

ML問題：時間序列預測

演算法：ARIMA，回歸

技術： sklearn, prophet, scrapy

數據：Quandl

實施：網路應用

參考文獻：financeboards.com

指南：使用Python介紹股票市場數據分析

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！