Nếu bạn đang cố gắng thâm nhập vào ngành khoa học dữ liệu, việc thực hiện một số dự án có thể là điều tuyệt vời. Thực hiện các dự án khoa học dữ liệu giúp bạn phát triển các kỹ năng cần thiết để làm việc với tư cách là nhà khoa học dữ liệu. Bạn cũng sẽ có một sản phẩm mà bạn có thể đưa vào sơ yếu lý lịch của mình và thảo luận trong các cuộc phỏng vấn, điều này rất quan trọng để cho thấy bạn biết mình đang làm gì.

Chu trình phát triển khoa học dữ liệu là mô hình chính của bất kỳ dự án khoa học dữ liệu nào, cho dù đó là cho một công ty hay cho dự án cá nhân của riêng bạn. Bạn sẽ cần phải thoải mái với việc thu thập, làm sạch, lập mô hình và trực quan hóa dữ liệu để trở thành một nhà khoa học dữ liệu thành thạo . Nhóm công cụ cụ thể mà bạn sử dụng cho công việc khoa học dữ liệu trong tương lai của mình có thể khác với các công cụ tôi đề xuất bên dưới, nhưng giống như bất kỳ công cụ nào trong thế giới khoa học máy tính, nó thiên về việc học cách suy nghĩ hơn là cú pháp hoặc tính năng cụ thể của công cụ này so với công cụ khác. Xét cho cùng, nếu bạn có thể tạo trực quan hóa dữ liệu bằng Tableau, bạn sẽ có thể tìm hiểu cách thực hiện điều đó với Power BI khá nhanh vì bạn đã quen với quy trình chung để trực quan hóa dữ liệu.

Làm quen với toàn bộ chu trình phát triển khoa học dữ liệu cùng một lúc có thể là điều quá sức. Mỗi bước của chu trình đòi hỏi một số kỹ năng và phát triển tất cả các kỹ năng nhà khoa học dữ liệu vì tất cả các bước cùng một lúc sẽ là một quá trình khó chịu và có thể không có kết quả. Thay vì lúng túng cố gắng làm tất cả chúng cùng một lúc, hãy tự tạo động lực cho bản thân bằng cách sắp xếp hành trình học tập của mình.

Trở ngại lớn nhất bạn sẽ gặp phải là động lực. Phương pháp ưa thích của tôi để duy trì và nuôi dưỡng động lực của mình là chọn một chủ đề hoặc sản phẩm khi cố gắng mở rộng bộ kỹ năng của mình sang một lĩnh vực mới. Hãy thử nghĩ về một sản phẩm thực tế (bất kể nó có vẻ vô dụng hay không thể bán được) và thực hiện chu trình với ý tưởng đó.

Theo đuổi đam mê của bạn và tận dụng cơ hội này để tìm ra điểm giao thoa giữa lý do bạn muốn tham gia vào khoa học dữ liệu và phần còn lại của cuộc đời bạn. Nếu thích chạy bộ, bạn có thể tìm thấy tập dữ liệu về thời gian chạy đua và kế hoạch luyện tập được thực hiện để xem kế hoạch luyện tập nào mang lại mức độ cải thiện lớn nhất. Có thể bạn yêu thích làm bánh và muốn tìm hiểu mức độ phổ biến của các món ăn khác nhau của những người làm bánh tại nhà bằng cách phân tích tần suất từ ​​khóa của các công cụ tìm kiếm.

Dưới đây là danh sách năm dự án khoa học dữ liệu nhỏ mà bạn có thể thực hiện. Mỗi người sẽ dạy cho bạn một kỹ năng mà bạn cần thể hiện trong sơ yếu lý lịch của mình.

 
Tương tự như khi bạn bắt đầu nấu một bữa ăn, trước tiên bạn phải đảm bảo rằng bạn đã thu thập tất cả các nguyên liệu cần thiết. Bước đầu tiên trong việc tạo ra bất kỳ loại thông tin chi tiết nào là thu thập dữ liệu. Tìm kiếm dữ liệu liên quan cho dự án phân tích dữ liệu, dù là dự án cá nhân hay công việc đều là một thách thức lớn.

API

 
Bạn nên cảm thấy thoải mái khi làm việc với API. Hãy coi API như một thỏa thuận chính thức giữa hai chương trình, như giao diện người dùng của trang web với máy chủ và cơ sở dữ liệu chứa và xử lý dữ liệu. API sẽ được xuất bản lên mặt trước và mặt sau để cấu trúc giao tiếp giữa chúng. API REST rất phổ biến và được sử dụng để truy vấn dữ liệu trên dịch vụ web. Bạn có thể sử dụng các API tương tự như API Google Xu hướng để thu thập dữ liệu.

Nhập dữ liệu lớn từ cơ sở dữ liệu

 
Bạn sẽ muốn tạo cơ sở dữ liệu trên dịch vụ đám mây (AWS, Azure hoặc Google Cloud) và kết nối với nó. Tất cả các nhà cung cấp giải pháp đám mây lớn đều có các cấp độ miễn phí rộng rãi, hoàn hảo để nhà khoa học dữ liệu theo sở thích thử nghiệm mọi thứ. Vì rất nhiều người tiêu dùng, sinh viên và doanh nghiệp đều sử dụng những sản phẩm tên tuổi này nên có rất nhiều nội dung hữu ích bao gồm các cấp độ miễn phí của họ, bao gồm tài liệu phong phú và vô số câu hỏi về Stack Overflow. Các dịch vụ đám mây đang trở thành một phần trọng tâm của khoa học dữ liệu hiện đại, vì vậy, thật tuyệt khi bạn có thể tìm hiểu về chúng ngay bây giờ.

Chọn một sản phẩm và tạo cơ sở dữ liệu. đàn bà gan dạ và Google cả hai đều có tài liệu tuyệt vời để làm việc với cơ sở dữ liệu cấp miễn phí của họ. Việc nhập khẩu khá đơn giản, quy trình được ghi chép rõ ràng. Google thậm chí còn cung cấp một danh sách các mẹo và thủ thuật để có chiến lược nhập dữ liệu tốt nhất, như nén dữ liệu để giảm chi phí.

Tìm nguồn dữ liệu của bạn

 
Có rất nhiều nguồn dữ liệu nguồn mở cho các dự án cá nhân. Đảm bảo bạn tránh các tập dữ liệu đã quá tải, chẳng hạn như tập dữ liệu mống mắt. Bạn muốn dự án của mình gây chú ý trong sơ yếu lý lịch của bạn. Tôi đã tập hợp một số nguồn dữ liệu yêu thích của mình, một trong số đó là Quirky, một trong đó tập trung nhiều hơn vào văn hóa pop, và phần thứ ba chứa thứ nghiêm trọng hơn như dữ liệu về nhân khẩu học và sức khỏe.

Làm sạch dữ liệu có nghĩa là nó bị bẩn ngay từ đầu. Tôi chưa bao giờ gặp một tập dữ liệu thực sự sạch trong tự nhiên và có lẽ bạn cũng vậy. Làm sạch dữ liệu là một phần không thể thiếu của khoa học dữ liệu, vì dữ liệu bẩn dẫn đến những phát hiện không chính xác. Dữ liệu bẩn có thể chứa các bản sao, lỗi thời, không chính xác, không đầy đủ hoặc không nhất quán. Bạn sẽ cần học cách giảm thiểu tất cả những vấn đề này.
Theo Tableau, năm bước để làm sạch dữ liệu liên quan đến việc loại bỏ các bản sao, khắc phục các sự cố về cấu trúc, lọc ra các ngoại lệ không mong muốn, xử lý dữ liệu bị thiếu và xác thực chất lượng của tập dữ liệu đã được làm sạch kết quả của bạn.

Cách làm sạch dữ liệu bẩn

 
Hãy nhớ rằng chúng ta sẽ không đạt đến sự hoàn hảo; chúng ta chỉ đi đủ tốt thôi. Tìm sự cân bằng giữa nỗ lực tối đa và tập dữ liệu có khả năng bị sửa quá mức cũng như lười biếng trong quá trình làm sạch dữ liệu.
Xu hướng và ứng dụng cơ sở dữ liệu có hướng dẫn tuyệt vời để hướng dẫn bạn thực hiện quy trình làm sạch dữ liệu. Điều quan trọng nhất cần nhớ là ghi lại mọi thay đổi bạn thực hiện trong quá trình làm sạch dữ liệu của mình. Ví dụ: khi xử lý dữ liệu không đầy đủ, bạn sẽ phải đưa ra một số giả định và sau đó đưa ra quyết định dựa trên các giả định đó. Nếu bạn chưa ghi lại các giả định cũng như logic thay thế hoặc xóa của mình, bạn sẽ bỏ lỡ việc giới thiệu lại dữ liệu này nếu bạn có thêm thông tin hoặc hiểu biết.

Nếu bạn muốn một số ví dụ cụ thể về dữ liệu bẩn, Foresight BI đã tổng hợp các bài tập cho các loại dữ liệu bẩn khác nhau. Chọn năm bài tập có vẻ khó khăn nhất đối với bạn và thực hiện. Họ có một số cấu trúc và ví dụ tổng quan hay về cách dữ liệu có thể trông như thế nào.

 
Ngoài phân tích thống kê cơ bản, học máy là một phần cốt lõi của khoa học dữ liệu. Thoải mái phát triển, duy trì và triển khai các mô hình máy học để thực hiện sự nghiệp khoa học dữ liệu lên tầm cao mới.

Xây dựng mô hình học máy

 
Amazon có một hướng dẫn học máy để hướng dẫn bạn cách xây dựng, đào tạo và triển khai mô hình học máy bằng dịch vụ SageMaker của họ. Đây là một lựa chọn tuyệt vời nếu bạn hoàn toàn mới làm quen với khoa học dữ liệu hoặc học máy, vì nó sẽ hỗ trợ bạn suốt chặng đường nhưng bạn vẫn sẽ được tiếp xúc với toàn bộ quá trình. Nếu trước đây bạn chưa từng tự mình xây dựng, đào tạo và triển khai mô hình, tôi sẽ làm theo hướng dẫn của Amazon.

Xây dựng

 
Tuy nhiên, nếu bạn có nhiều kinh nghiệm hơn, đừng chọn lối thoát dễ dàng. Xây dựng mô hình của bạn như bình thường, chú ý chia dữ liệu thành dữ liệu thử nghiệm và dữ liệu huấn luyện. Chọn mô hình phù hợp tùy thuộc vào loại dữ liệu bạn có và loại dự đoán bạn đang muốn thực hiện (được giám sát đối với dữ liệu được gắn nhãn, không được giám sát đối với dữ liệu không được gắn nhãn, v.v.).

Train

 
Chris Rawles đã tổng hợp một cách đáng yêu và chi tiết hướng dẫn cách thiết lập mô hình của bạn để đào tạo trên đám mây. Họ đã sử dụng Google Cloud nhưng những nguyên tắc mà anh ấy đề xuất vẫn đúng cho dù bạn chọn nhà cung cấp đám mây nào.

Triển khai

 
Dịch vụ Lamda của AWS thật tuyệt vời khi triển khai mã của bạn và để nó chạy. Mô hình định giá là trả tiền theo yêu cầu, do đó, nó có thể khá hiệu quả về mặt chi phí nếu bạn chỉ sử dụng nó để thực hành triển khai và có thể khoe nó với một vài người phỏng vấn.

Xây dựng mô hình hồi quy

 
Mô hình hồi quy hoạt động tốt nhất nếu kết quả bạn muốn dự đoán là nhị phân. Mặc dù mô hình hồi quy đơn giản hơn mạng thần kinh hoặc thuật toán phân cụm, nhưng bạn nên đào tạo và triển khai nó giống như các mô hình học máy khác.

Nếu bạn cảm thấy chưa hiểu sâu về học máy và danh sách không bao giờ kết thúc các công cụ được sử dụng cho khoa học dữ liệu, hãy thử bắt đầu bằng một bài tập dễ hiểu. Bạn có thể xây dựng mô hình hồi quy đơn giản nhưng hiệu quả trong Excel. Nó không có gì lạ mắt, và làm điều này sẽ không giúp bạn có được một công việc khoa học dữ liệu, nhưng đó là bước khởi đầu tuyệt vời dành cho những nhà khoa học dữ liệu mới bắt đầu.

 

 
Khi bạn đã thực hiện tất cả các công việc nặng nhọc như tìm kiếm dữ liệu, làm sạch dữ liệu, phát triển mô hình và đưa ra dự đoán hoặc thông tin chi tiết, đã đến lúc thể hiện công việc của bạn! Việc biết nên sử dụng loại trực quan nào là rất quan trọng vì bạn cần truyền đạt những phát hiện của mình một cách đơn giản nhưng hiệu quả. Hãy thử trình bày những phát hiện của bạn với bạn bè và gia đình bằng cách sử dụng các hình ảnh trực quan khác nhau và tìm ra hình ảnh nào phù hợp hơn trong các tình huống nhất định.

Cảnh vật trên sân khấu

 
Tableau đã trở nên khá nổi tiếng nhờ hình ảnh hấp dẫn, bắt mắt. Pavleenk Kaur đã tổng hợp một bản hướng dẫn chi tiết về trực quan hóa phổ biến nhất được sử dụng trong Tableau. Nó hướng dẫn bạn cách kết nối dữ liệu và giúp bạn hiểu giao diện của công cụ bằng cách mô tả ý nghĩa màu sắc của các tùy chọn khác nhau cũng như mô tả ưu và nhược điểm của các hình ảnh trực quan khác nhau.

Công cụ BI khác

 
Power BI của Microsoft rất phù hợp cho bảng thông tin, tạo báo cáo và hiển thị phân tích dự đoán của bạn. Thật tuyệt vời khi hoạt động như một hệ thống báo cáo dữ liệu tập trung. Với hơn 200 nghìn tổ chức đang sử dụng nó trên toàn cầu, đây là một công cụ tuyệt vời để làm quen khi bạn nộp đơn xin việc về khoa học dữ liệu. Kiểm tra cái này danh sách các công cụ trực quan hóa dữ liệu hàng đầu dành cho các nhà khoa học dữ liệu.

 
Công cụ đề xuất là một ví dụ tuyệt vời về khoa học dữ liệu trong thực tế. Nếu khách hàng mua lều chắc chắn họ sẽ muốn mua túi ngủ, đèn pha và bếp cắm trại phải không? Công cụ đề xuất dựa trên ý tưởng về ma trận đồng xuất hiện, biểu thị số lần mỗi giá trị hàng xuất hiện trong cùng ngữ cảnh với mỗi giá trị cột.

Triển khai công cụ đề xuất là dự án cuối cùng trên con đường phát triển tất cả các kỹ năng của một nhà khoa học dữ liệu. Lĩnh vực khoa học dữ liệu này có nhiều điểm trùng lặp với các kỹ năng và trách nhiệm của nhà phát triển phần mềm, chẳng hạn như sử dụng Django để tạo ứng dụng trực tuyến. Bạn có thể triển khai các ứng dụng giống như các ứng dụng được sản xuất bằng Django hoặc các khung công tác khác lên đám mây (AWS, Azure hoặc Google Cloud). Các dịch vụ đám mây này có thể cung cấp cho bạn máy chủ và cơ sở dữ liệu, cả hai đều cần thiết để triển khai ứng dụng của bạn và duy trì hoạt động của ứng dụng.

Giống như một cuốn sách chưa bao giờ được xuất bản, một mô hình khoa học dữ liệu không bao giờ đạt đến mức tiêu thụ dữ liệu và đưa ra các dự đoán trực tiếp hoặc điều chỉnh phân tích của nó sẽ có giá trị thấp hơn rất nhiều. Triển khai và bảo trì phải luôn là mục tiêu cuối cùng của bạn. Học điều này ngay bây giờ bằng cách xây dựng công cụ đề xuất sẽ giúp bạn tối đa hóa tác động kinh doanh và hiệu suất được cảm nhận trong công việc khoa học dữ liệu tiếp theo của bạn.

 
Điều quan trọng là bạn phải hiểu các khối xây dựng cơ bản tạo nên chu trình phát triển khoa học dữ liệu. Tôi khuyên bạn nên mở rộng sự hiểu biết đó để bao gồm các giải pháp đám mây. Mô hình khoa học dữ liệu chỉ hữu ích nếu nó có thể đưa ra dự đoán trực tiếp, tiếp tục sử dụng dữ liệu để cập nhật mô hình và cung cấp tất cả thông tin chi tiết này cho các bên liên quan.

Cho dù bạn đang cố gắng bắt đầu công việc của riêng mình công ty khoa học dữ liệu hoặc muốn làm nhà khoa học dữ liệu tại một gã khổng lồ công nghệ, bạn sẽ cần phải thoải mái thực hiện các nhiệm vụ của một nhà khoa học dữ liệu trong môi trường đám mây. Với tất cả các bậc miễn phí của nhà cung cấp giải pháp đám mây, không có lý do gì để không tìm hiểu sâu về các công cụ này ngay bây giờ. Nếu bạn là người mới bắt đầu và muốn có được công việc phân tích dữ liệu hoặc khoa học dữ liệu đầu tiên của mình, thì những điều này 19 ý tưởng dự án khoa học dữ liệu có thể giúp bạn. Chọn một hoặc tất cả chúng – bất cứ điều gì bạn thấy thú vị nhất.

 
 
Nate Rosidi là một nhà khoa học dữ liệu và trong chiến lược sản phẩm. Anh ấy cũng là một giáo sư trợ giảng dạy phân tích và là người sáng lập StrataScratch, một nền tảng giúp các nhà khoa học dữ liệu chuẩn bị cho cuộc phỏng vấn của họ với các câu hỏi phỏng vấn thực tế từ các công ty hàng đầu. Kết nối với anh ấy trên Twitter: StrataScratch or LinkedIn.
 

• Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. TRUY CẬP MIỄN PHÍ.
• CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
• Source: https://www.kdnuggets.com/2022/03/5-data-science-projects-learn-5-critical-data-science-skills.html?utm_source=rss&utm_medium=rss&utm_campaign=5-data-science-projects-to-learn-5-critical-data-science-skills