2020 年面向初學者的 9 個數據科學項目

做者：Rashi Desai

翻譯：瘋狂的技術宅

原文：https://towardsdatascience.co...

若是你對對數據分析、數據科學或是與數據相關的東西感興趣，能夠經過下面的清單來學習。

1. 信用卡欺詐檢測

預計到 2022 年，擁有信用卡的人數將會接近 12 億。爲了確保信用卡交易的安全性，必須對其活動進行有效的監視。信用卡公司應該可以識別出欺詐性的信用卡交易，從而不會向客戶收取未購買商品的費用。

信用卡數據集中包含欺詐和非欺詐交易的組合，目標是預測給定的測試交易是否存在欺詐。

要使用的算法：

因爲目標變量是分類變量，因此可使用如下一系列機器學習算法來解決該問題：

1. 邏輯迴歸
2. 決策樹
3. 神經網絡

示例代碼

• 用 R-DataFlair 的機器學習檢測信用卡欺詐
• 基於 Python 的信用卡欺詐檢測項目

---

2. 客戶細分

客戶細分是把客戶分紅多個羣體的過程，這些羣體在產品的銷售或營銷的方式上具備類似性，例如性別、年齡、興趣、人口統計資料、經濟情況、地理位置、行爲方式、消費習慣以及其餘更多維度。

客戶細分是「無監督學習」的最重要應用之一。經過聚類技術，公司能夠肯定客戶的細分市場，從而使他們能夠定位潛在的用戶羣。

公司經過聚類過程來預見或映射具備相似行爲的客戶羣，用來識別和定位潛在的用戶羣。

要使用的算法：

K-均值聚類，分層聚類是最主要的聚類方法。還有一些其餘的聚類算法：

1. 分割法（Partitioning method）
2. 模糊聚類（Fuzzy clustering）
3. 基於密度的聚類
4. 基於模型的聚類

另一旦收集了數據，公司就可以更深刻地瞭解客戶的喜愛，並發現有價值的細分市場的需求，從而使他們得到最大的利潤。這使他們可以更有效地制定營銷策略，並最大程度地下降投資風險。

示例代碼

• R 語言數據科學項目——用機器學習進行客戶細分
• Python 項目——客戶細分

---

---

3. 情感分析

情感被定義爲對某一狀況或事件的見解或態度；意見是數據科學領域中相當重要的話題。因爲它在當今的社交媒體時代具備很大的關聯性，而且能夠解決許多商業問題，因此成爲該領域最熱門的話題之一。

藉助情感分析，你能夠發現文檔、網站、社交媒體的時間線中所反映的觀點的性質。人們應該具備快樂、悲傷、憤怒、積極或消極、沮喪、仇恨、愛等各類情感。

在當今時代，任何數據驅動型的組織都必須重視情感分析模型的結果，藉此肯定其客戶的態度，並針對產其品或服務定位目標客戶。

一些情報機構會對 Twitter 進行情緒分析以獲取情報。

要使用的算法：

1. 樸素貝葉斯
2. 決策樹
3. Tidytext 包

示例代碼

• 頂級數據科學項目——R 語言情感分析
• 簡明 Python 情感分析教程

---

4. 語音情感識別

在人類的活動中，言語、場景、產品或體驗所附帶的情感決定着不少事情。

SER（語音情感識別 Speech Emotion Recognition）能夠說是今年夏天一項引人注目的數據科學項目。它試圖從語音（語音樣本）中感知人類的情感。另外爲了感知到人的情感，還將不一樣的聲音文件用做數據集。 SER 本質上是從錄音中提取情感，並專一於特徵提取。

在用 Python 處理項目時，你還能夠經過用於分析音樂和音頻的 Librosa 包積累知識。

Vox 名人數據集能夠成爲執行語音情感識別的良好起點。

用到的算法：

1. 卷積神經網絡（CNN）
2. .遞歸神經網絡（RNN）
3. 神經網絡（NN）
4. 高斯混合模型（GMM）
5. 支持向量機（SVM）

示例代碼

• Python迷你項目——基於 Librosa 的語音情感識別
• GitHub 上的語音情感識別項目列表

---

5.預測分析

預測分析的目的是對將來的事件進行預測。

它涵蓋了預測模型、機器學習和數據挖掘等各類統計技術，能夠經過分析當前和歷史數據來識別風險和機會。

例子：

1. 貸款預測數據：預測貸款是否會獲得批准
2. 預測 HVAC 需求：將天氣預報與建築系統相結合
3. 客戶關係管理
4. 臨牀決策支持系統
5. 客戶和員工保持率和流失率
6. 項目風險管理

示例代碼

• R 語言實現的房貸預測
• 房屋貸款預測

---

---

6. 時間序列分析和建模

時間序列是按時間順序進行索引，把一系列數據點列出或繪製在圖形中。

時間序列是數據科學中最經常使用的技術之一，有着普遍的應用範圍，包括天氣預報、預測銷售、分析年趨勢、預測吸引力、網站訪問量、比賽排名等。

商業機構一次又一次地用 kon 時間序列數據來分析將來的數字。

經過時間序列分析，咱們能夠獲得每小時觀看的廣告、天天在遊戲中的花銷、產品趨勢的變化等。

示例代碼

• 時間序列建模
• 時間序列 Python 教程

---

---

7. 迴歸分析

迴歸分析的目的是根據歷史數據預測結果。

迴歸分析是一種強大的統計檢驗，能夠檢查兩個或多個目標變量之間的關係。儘管迴歸分析的類型有不少，但它們的核心都是檢查一個或多個自變量對目標（因變量）的影響。

例子：

1. 沃爾瑪銷售數據：預測商店的銷售
2. 波士頓住房數據：預測自有住房的中位數
3. 葡萄酒質量預測：預測葡萄酒的質量
4. 黑色星期五銷售預測：預測一個家庭的購買金額

用到的算法：

這取決於目標變量的性質：是數字仍是分類

1. CART——因子目標
2. 決策樹——因子目標
3. 線性迴歸——數字目標
4. 邏輯迴歸——因子目標

---

8. 推薦系統

推薦系統是一個使用過濾過程，並根據用戶的偏好和喜愛提供各類內容的平臺。

推薦系統把相關用戶的信息做爲輸入，並使用機器學習模型從參數評估中返回建議。從 Amazon 到 Zappos，推薦系統無處不在。這是一種數據科學家須要瞭解的典型的機器學習算法。

例如，Netflix 可以爲你推薦和瀏覽歷史記錄類似的電影或節目，或是與你愛好類似的其餘用戶過去看過的電影或節目。

推薦系統有兩種類型-

1. 基於內容的推薦系統：基於用戶的數據提供有表明意義的推薦。根據該數據生成用戶配置文件，而後將其用於向用戶提出建議。當用戶提供更多的數據輸入或着對建議採起行動時，引擎將會變得愈來愈準確。
2. 協做過濾建議：提供與可能有着類似瀏覽歷史或首選項的其餘用戶相關的建議。

示例代碼

• R 語言實現的電影推薦系統
• Python 推薦系統

---

9. 探索性數據分析

探索性數據分析（EDA）其實是數據分析過程當中的第一步。經過它你能夠充分利用所擁有的數據，弄清楚你想問什麼問題，如何構架，最好地操縱它來獲取所須要的答案。

EDA 用視覺和定量方法在現有數據中展現普遍的模式、趨勢、離羣值、意外結果等。探索性數據分析能夠完成不少項目。在此我列出一些參考，或許能成爲你的一個良好起點。

例子：

1. 全球自殺率（數據集）
2. 夏季奧運會模型（數據集）
3. 世界幸福報告（數據集）
4. 麥當勞菜單的養分成分（數據集）