24個終極數據科學項目(可免費獲取資源)
來自專欄我是程序員
摘要：本文精選了24個數據科學項目，並囊括了各個領域和各種不同大小的數據集。另外，所有的數據集都是開源、可免費獲取的。
數據科學項目為你在這個領域的深入研究提供了一個基礎。通過實際應用，你不僅可以學習數據科學，也能夠寫在簡歷中提升你的資歷。在這上邊花費的時間越多，你學到的知識就越多。
本文精選了24個數據科學項目，並囊括了各個領域和各種不同大小的數據集。另外，所有的數據集都是開源、可免費獲取的。
初級——這部分的數據集很容易處理，使用基礎的回歸/分類演算法就可以處理這些數據集。並且，這些數據集有足夠的教程供你學習。
中級——略微有點難度。包含了需要使用有點難度的模式識別技能來處理的大中型數據集。另外，特徵工程在這裡可以發揮作用了。
高級——包括神經網路、深度學習、推薦系統及高維數據等。
初級
1.Iris Data數據集（花的類別識別）
Iris Data Set可能是模式識別領域學習分類技術最基本入門級的數據集，適合初學者。該數據集裡面包含了150行4列個數據。
問題: 根據已有特徵預測花的類別。
資源：數據集 | 教程2.Loan Prediction 數據集（貸款預測）
它是保險領域最常引用的一個數據集。利用這個數據集，你可以充分體驗到如何處理保險公司的數據，包括會遇到哪些挑戰、需要什麼策略、哪些變數會影響結果等。這是一個分類問題，數據集包含615行13列個數據。
問題: 預測一個貸款是否能夠被批准。
資源：href="https://datahack.analyticsvidhya.com/contest/practice-problem-loan-prediction-iii/">數據集 | 教程3. Bigmart Sales 數據集（零售業銷售）
問題：預測銷量。
資源：數據集 | 教程
4.Boston Housing 數據集（波士頓房屋）
這是另一個模式識別領域較為常見的數據集，來自於波士頓的房地產業，是一個回歸問題，數據集有506行14列個數據。這個數據集並不大，你可以嘗試使用任何技術，而不用擔心筆記本的內存不夠。
問題：預測業主擁有房屋數量的中間值。
資源：數據集 | 教程
5. Time Series Analysis數據集（時間序列分析）
時間序列是數據科學中最常用的技術之一，具有廣泛的應用：預測天氣預報、預測銷售額、分析逐年趨勢等。該數據集特定於時間序列，這裡面臨的挑戰是預測交通方式。
問題：預測新的交通工具的交通。
資源：數據集 | 教程
6. Wine Quality數據集（酒質量）
這是初學者最常用的數據集之一，分成了2個數據集。在這個數據集上可以同時執行回歸和分類任務——異常值檢測、特徵選擇和不平衡數據。該數據集有4898行和12列個數據。
問題：預測酒的質量。
資源：數據集 | 教程
7.Turkiye Student Evaluation 數據集（學生課程評估）
該數據集基於學生填寫不同課程的評估表，擁有不同的屬性，包括出勤率、難度、分數等，是一個無監督學習問題。該數據集有5820行33列個數據。
問題：使用分類和聚類解決問題。
資源：數據集 | 教程
8.Heights and Weights 數據集（身高體重預測）
這是一個相當直接的回歸問題，非常適合新手。該數據集有25,000行3列（索引、高度和權重）個數據。
問題：預測一個人的身高或體重。
資源：數據集 | 教程
中級
1. Black Friday數據集（黑色星期五）
這是一個包含零售商店記錄的銷售交易的經典數據集，可以擴展特徵工程的技能，並從每天的購物經驗中對其進行理解，是一個回歸問題。該數據集有550,069行12列個數據。
問題：預測購買力。
教程：數據集 | 教程
2. Human Activity Recognition 數據集（人類活動識別）
該數據集通過帶有嵌入式慣性感測器的智能手收集了30個實驗者的記錄，可用於分類問題。數據集有10,299行561列個數據。
問題：預測人類活動的類別。
資源：數據集 | 教程
3. Text Mining數據集（文本挖掘）
該數據集最初來自於2007年Siam文本挖掘競賽，包括描述某些發生故障的航班的航空安全報告，是一個多分類和高維度問題。該數據集有21,519行30,438列個數據。
問題：根據文本標籤對文本進行分類。
資源：數據集 | 教程
4. Trip History數據集（旅行歷史）
此數據集來自美國的共享自行車服務。該數據集需要使用專業的數據處理技術，該數據集種的數據是從2010年第四季度開始按季度記錄的。每個文件有7列是一個分類問題。
問題：預測用戶的類別。
資源：數據集 | 教程
5. Million Song數據集（預測歌曲發行時間）
你知道數據科學現在也用於娛樂行業嗎？這個數據集提出了一個回歸任務，由515,345個觀察值和90個變數組成。但是，這僅僅是原始資料庫（約一百萬首歌曲）中的一小部分。
問題：預測歌曲的發行時間。
資源：數據集 | 教程
6.Census Income數據集（預測人口收入）
這是一個經典的不平衡分類機器學習問題。現在，機器學習廣泛應用於正被廣泛用於解決不平衡問題，如癌症檢測、欺詐檢測等。該數據集有48,842行14列個數據。
問題：預測美國人的收入水平。
資源：數據集 | 教程
7. Movie Lens數據集（電影推薦系統）
用於構建推薦系統，該數據集是數據科學行業中最受歡迎的「數據集」之一，有不同大小的數據集。這裡有一個較小的數據集，包含4,000部電影，6000個用戶的100萬個收視率。
問題：為用戶推薦電影。
資源：數據集 | 教程
8. Twitter Classification數據集（預測推文）
Twitter數據已成為情感分析不可分割的一部分。該數據集大小為3MB，包含31,962條推文。
問題：預測哪些推文是令人討厭的，哪些不是。
資源：數據集 | 教程
高級
1.識別數字的數據集
用於研究、分析和識別圖像中的元素，這就是使用相機識別面部的技術，屬於數字識別問題。該數據集有28,000個28*28大小的圖像，總計31MB。
問題：從圖像中識別數字。
資源：數據集 | 教程
2.城市聲音分類
該項目旨在介紹常用的音頻分類問題。該數據集由10個類別（包含來自8,732個城市聲音的記錄）組成。
問題：對音頻進行分類。
資源：數據集 | 教程
3. Vox名人數據集
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。此數據集收集了大型演講者的演講，並從YouTube中提取的名人的講話。對於語音識別來說，這是一個很有趣的項目。該數據集包含1,251位名人發表的100,000條言論。
問題：找出聲音屬於哪個名人。
資源：數據集 | 教程
4. ImageNet數據集
ImageNet提供了各種各樣的問題，包括對象檢測、定位、分類和屏幕分析。 所有的圖像都是免費的，你可以搜索任何類型的圖像來構建項目。截至目前，該數據集擁有超過1500萬張圖片，大小超過140GB。
問題：要解決的問題會受下載圖像的類型影響。
資源：數據集 | 教程
5.芝加哥犯罪數據集
現在，每個數據科學家都希望能夠處理大型數據集，是一個多分類問題。該數據集在本地提供了處理大型數據集所需的實踐經驗。問題很簡單，但數據管理是關鍵！這個數據集有6,000,000個觀測值。
問題：預測犯罪類型。
資源：數據集 | 教程
6.印度演員年齡檢測
對於任何深度學習愛好者來說，這是一個令人著迷的挑戰。該數據集包含數千個印度演員的圖像，用來預測其年齡。所有圖像都是人工手動從視頻幀中選取的，這就導致了尺度、姿勢、表情、照明、年齡、解析度、遮擋和化妝等的高度可變性。訓練集中有19,906幅圖像，測試集中有6,636幅圖像。
問題：預測演員的年齡。
資源：數據集 | 教程
7.推薦引擎數據集
這是一項高級推薦系統挑戰賽。在這個項目中，你會得到以前解決的程序和數據，以及解決特定問題的時間。作為一名數據科學家，你構建的模型將協助在線評委決定向用戶推薦的下一級問題。
問題：根據用戶的當前狀態，預測解決問題所需要的時間。
資源：資料庫
8. VisualQA數據集
VisualQA是一個包含圖像的開放式問題數據集。這些問題需要理解計算機視覺和語言，這些問題有一個自動評估指標。數據集包含265,016張圖片，每張圖片3個問題，且每個問題有10個標記好的答案。
問題：使用深度學習回答有關圖像的開放式問題。
資源：數據集 | 教程
總結
在上面列出的24個數據集中，你應該首先找到與自身技能相匹配的數據集進行實踐和練習。比如說，假如你是一位初學者，請先從初級數據集開始實踐，而不是直接從高級數據集開始練習。
以上為譯文。由阿里云云棲社區組織翻譯。
譯文鏈接
文章原標題《24 Ultimate Data Science Projects To Boost Your Knowledge and Skills (& can be accessed freely)》
譯者：Mags，審校：袁虎。
文章為簡譯，更為詳細的內容，請查看原文。
更多技術乾貨敬請關注云棲社區知乎機構號：阿里云云棲社區 - 知乎
本文為雲棲社區原創內容，未經允許不得轉載。
推薦閱讀：
※你真的了解人工智慧嗎？——聊聊AI的碰壁和冬天
※中國目前取得了較大的成就，面向未來，我們該怎麼做？
※想像一下未來的我們在吃什麼？這裡有一本書會告訴你
※如果發明了時光機，可能改變過去的事嗎？
※盤點2017中國互聯網界十大事件｜下篇