Tìm kiếm để bắt đầu một sự nghiệp khoa học dữ liệu? Giống như trong bất kỳ lĩnh vực mới nào, bạn sẽ cần rất nhiều thực hành. Hãy cùng khám phá nơi bạn có thể tìm thấy các dự án khoa học dữ liệu để thực hành các kỹ năng Python mới có được của bạn.
Các tổ chức lớn và nhỏ trên toàn thế giới sử dụng Python trong các dự án phát triển phần mềm và khoa học dữ liệu của họ. Nhưng ngay cả khi bạn rất hào hứng với một nghề nghiệp trong khoa học dữ liệu, có vẻ rất khó khăn khi học một ngôn ngữ lập trình mới. Vì vậy, bạn có thể tự hỏi liệu Python có đáng học và khó học ngôn ngữ lập trình như Python khó khăn như thế nào hay không.
Trên thực tế, Python rất thân thiện với người mới bắt đầu; Bạn có thể học nó khá nhanh, đặc biệt là với thực hành đủ. Trong bài viết này, tôi sẽ hướng dẫn bạn một số tài nguyên để thực hành các kỹ năng mã hóa Python với các dự án trong thế giới thực. Nhưng trước tiên, hãy để bắt đầu với một số định nghĩa cơ bản.
Khoa học dữ liệu là gì?
Khoa học dữ liệu kết hợp lập trình, toán học, thống kê và chuyên môn kinh doanh để trích xuất những hiểu biết có ý nghĩa từ dữ liệu. Về cơ bản, các nhà khoa học dữ liệu được đưa ra các vấn đề kinh doanh cần giải quyết. Họ áp dụng sự hiểu biết của họ về quy trình công nghiệp và kinh doanh, các công cụ thống kê và học máy và Python để giải quyết các vấn đề.
Các nhà khoa học dữ liệu làm việc cùng với các kỹ sư dữ liệu và các nhà phân tích dữ liệu để hỗ trợ các doanh nghiệp các quyết định dựa trên dữ liệu. Tuy nhiên, vai trò của họ là khác nhau:
- Các kỹ sư dữ liệu tập trung vào việc chuẩn bị cơ sở hạ tầng cho dữ liệu. Dữ liệu này sau đó sẽ được sử dụng bởi các nhà phân tích dữ liệu và các nhà khoa học dữ liệu. focus on preparing the infrastructure for the data. This data will later be used by data analysts and data scientists.
- Các nhà phân tích dữ liệu thường làm việc với dữ liệu có cấu trúc để phát hiện các xu hướng và mẫu có thể được chuyển thành những hiểu biết có thể hành động. usually work with structured data to spot trends and patterns that can be translated into actionable insights.
- Các nhà khoa học dữ liệu thường được coi là một phiên bản nâng cao hơn của một nhà phân tích dữ liệu. Họ có thể làm việc với cả dữ liệu có cấu trúc và không cấu trúc. Họ thường sử dụng các kỹ thuật dữ liệu tiên tiến hơn để phát hiện các xu hướng hiện tại cũng như đưa ra dự đoán về tương lai. Hầu hết các nhà khoa học dữ liệu dự kiến sẽ thoải mái bằng cách sử dụng các mô hình học máy và trí tuệ nhân tạo tiên tiến. are generally considered a more advanced version of a data analyst. They can work with both structured and unstructured data. They usually use more advanced data techniques to spot the current trends as well as make predictions about the future. Most data scientists are expected to be comfortable using advanced machine learning and Artificial Intelligence models.
Khoa học dữ liệu là một nghề nghiệp của tương lai và Python là một trong những công cụ chính của nó. Các công ty công nghệ lớn, các công ty khởi nghiệp nhỏ, các tổ chức nghiên cứu và thậm chí là học viện chọn Python vì sự đơn giản, hệ sinh thái phong phú, cộng đồng lớn và hỗ trợ, hiệu quả và khả năng mở rộng.
Nếu bạn chưa quen với lập trình nhưng rất vui mừng được tìm hiểu mã hóa với Python, tôi khuyên bạn nên dùng thử Python Basics Mini-Track của chúng tôi. Ba khóa học tương tác của nó có hơn 200 thách thức mã hóa.
Khi bạn đã quen thuộc với những điều cơ bản, bạn có thể tiếp tục hành trình học tập của mình với dự án khoa học dữ liệu đầu tiên của bạn.
Cách bắt đầu dự án khoa học dữ liệu đầu tiên của bạn
Đối với dự án đầu tiên của bạn, đó là một ý tưởng tốt để chọn một chủ đề mà bạn quan tâm - đó là một nguồn động lực tuyệt vời. Vì vậy, hãy suy nghĩ về những gì bạn đã tìm thấy niềm vui khi làm việc: Thống kê bóng đá, trực quan hóa biến đổi khí hậu, dự báo giá tiền điện tử, v.v. Bạn có thể tìm thấy nhiều ý tưởng dự án khoa học dữ liệu ở đây.
Ví dụ, hãy để nói rằng bạn muốn khám phá số liệu thống kê tội phạm trong thành phố của bạn để bạn có thể chọn khu phố an toàn nhất để mua nhà. Bạn có thể xem xét rất nhiều yếu tố khác nhau, bao gồm số vụ giết người, cướp, trộm xe và các tội phạm khác trên 1.000 người; số lượng cảnh sát trên 1.000 người; Thu nhập hộ gia đình trung bình, v.v. Dưới đây chỉ là một vài ví dụ về những gì bạn có thể làm bằng cách sử dụng bộ công cụ khoa học dữ liệu:
- Dự đoán số lượng các tội phạm khác nhau dựa trên dữ liệu lịch sử [nghĩa là phân tích chuỗi thời gian].
- Phân tích yếu tố nào có tác động lớn nhất đến số lượng tội phạm.
- Xây dựng mô hình học máy để dự đoán số lượng tội phạm vào năm tới dựa trên động lực phạm tội và các yếu tố khác
- Hình dung cường độ của tội phạm trên bản đồ thành phố.
Python có thể hỗ trợ tất cả các nhiệm vụ này, bao gồm dự báo chuỗi thời gian, phân tích dữ liệu khám phá, xây dựng các mô hình học máy, trực quan hóa dữ liệu, v.v. Khoa học dữ liệu và Python thực sự mạnh mẽ với nhau. Tuy nhiên, bạn cần phải thực hành Python rất nhiều để trở thành một nhà khoa học dữ liệu hiệu quả. Viết mã cho các kịch bản khác nhau và kiểm tra các kỹ năng của bạn với các dự án và thách thức khác nhau là con đường ngắn nhất để có được chuyên môn về khoa học dữ liệu. Vì vậy, hãy để xem nơi bạn có thể tìm thấy các dự án khoa học dữ liệu trong thế giới thực.
Nơi tìm bộ dữ liệu và các dự án dữ liệu mẫu
Có rất nhiều tài nguyên cung cấp các bộ dữ liệu trong thế giới thực để thực hành các kỹ năng khoa học dữ liệu và python mới thu được. Dưới đây là một vài lựa chọn:
- LearnPython.com là một nền tảng học tập với nhiều khóa học Python tương tác, bao gồm các điều cơ bản của Python: Thực hành, cung cấp 15 bài tập mã hóa để thực hành các kỹ năng lập trình cơ bản. Những bài tập này cung cấp một số vấn đề mà bạn có khả năng gặp phải trong các nhiệm vụ công việc trong thế giới thực. Tuy nhiên, điều này không giống như dự án khoa học dữ liệu độc lập của bạn, mà là một tập hợp các thách thức mã hóa. Vì vậy, nó là tốt nhất cho tổng số người mới. is a learning platform with many interactive Python courses, including Python Basics: Practice, which offers 15 coding exercises to practice basic programming skills. These exercises offer some problems that you are likely to encounter in real-world job assignments. However, this is not like your independent data science project, but rather a set of coding challenges. So, it is best for total newbies.
- Kaggle được cho là cộng đồng khoa học dữ liệu lớn nhất. Nền tảng này có 50.000 bộ dữ liệu công cộng, cho phép bạn thực hành tất cả các loại kỹ năng khoa học dữ liệu và python. Một số ví dụ bao gồm một bộ dữ liệu để dự đoán mặc định thẻ tín dụng, thông tin bán hàng từ các nhà bán lẻ lớn nhất của Mỹ, dữ liệu của Ngân hàng Thế giới theo khu vực và quốc gia và dữ liệu về tất cả các tập của chương trình truyền hình House. Bạn cũng có thể phát triển các kỹ năng khoa học dữ liệu của mình bằng cách tham gia vào các cuộc thi thường xuyên của họ, điều này có mức độ khó từ người mới bắt đầu đến chuyên gia. is arguably the largest data science community. The platform has 50,000 public datasets, allowing you to practice all kinds of data science and Python skills. Some examples include a dataset to predict credit card defaults, sales information from the largest US retailers, World Bank data by region and nation, and data on all episodes of the TV show House. You can also grow your data science skills by participating in their regular competitions, which have difficulty levels from beginner to expert.
- Data.gov cung cấp quyền truy cập vào dữ liệu mở của chính phủ Hoa Kỳ. Điều này bao gồm dữ liệu nông nghiệp và khí hậu, tài nguyên về các chủ đề năng lượng chính, bộ dữ liệu cho vận tải biển, v.v. provides access to the US government’s open data. This includes agriculture and climate data, resources on key energy topics, datasets for marine transportation, and more.
- Cổng thông tin dữ liệu mở của NASA là một danh mục các bộ dữ liệu NASA có sẵn công khai. Nó bao gồm hàng chục ngàn bộ dữ liệu bao gồm một loạt các chủ đề rất rộng, bao gồm dữ liệu hàng không và không gian quốc gia, hải dương học vật lý, dữ liệu sinh học đại dương, quan sát tài nguyên trái đất, dữ liệu kinh tế xã hội, v.v. is a catalog of publicly available NASA datasets. It includes tens of thousands of datasets that cover a very wide range of topics, including national aeronautics and space data, physical oceanography, ocean biology data, earth resources observations, social-economic data, and more.
- Earthdata có thể là một nguồn rất hữu ích nếu bạn quan tâm đến các chủ đề như khí quyển, đất đai, đại dương, cryosphere và tương tự. Tại đây, bạn sẽ tìm thấy dữ liệu quan sát của NASA Earth được cung cấp cho một lượng người dùng rộng lớn. can be a very useful source if you are interested in topics like atmosphere, land, ocean, cryosphere, and similar. Here, you’ll find NASA Earth observation data that was made available to a broad base of users.
- Drivendata là một trang web cạnh tranh dữ liệu quy mô nhỏ tập trung vào các bộ dữ liệu và sử dụng các trường hợp từ các tổ chức phi lợi nhuận. is a small-scale data competition website focusing on datasets and use cases from non-profit organizations.
- Đăng ký dữ liệu mở trên AWS bao gồm hơn 300 bộ dữ liệu bao gồm chăm sóc sức khỏe, không gian, biến đổi khí hậu và các chủ đề khác. includes over 300 datasets covering healthcare, space, climate change, and other topics.
- Kho lưu trữ máy UCI là một trong những nguồn dữ liệu lâu đời nhất trên web. Mặc dù nhiều bộ dữ liệu trên nền tảng này rất cũ, nhưng chúng vẫn có thể tốt để thực hành các kỹ năng Python cơ bản. is one of the oldest data sources on the Web. Even though many of the datasets on this platform are very old, they can still be good for practicing basic Python skills.
- Liên kết dữ liệu NASDAQ là nguồn dữ liệu hàng đầu cho các dự án tài chính và kinh tế. Nếu bạn quan tâm đến việc phân tích giá cổ phiếu, hoạt động giao dịch hoặc động lực lãi suất, đây phải là nguồn dữ liệu chính của bạn. is a premier source of data for financial and economic projects. If you are interested in analyzing stock prices, trading activity, or interest rate dynamics, this should be your primary source of data.
Nó thời gian để thực hành Python!
Hy vọng rằng, bạn sẽ tìm thấy bộ dữ liệu hoàn hảo của mình cho dự án khoa học dữ liệu tiếp theo của bạn ở đâu đó trong danh sách trên. Tuy nhiên, nếu bạn cảm thấy bạn cần phải làm mới và/hoặc củng cố Kỹ năng Python & NBSP của bạn; -Hoặc nếu bạn thích tôi và thích học Python với các khóa học trực tuyến tương tác thú vị, dễ thực hiện-bạn có thể muốn bắt đầu với một trong những bài hát học sau:
- Python Basics là một chuyến đi mini hoàn hảo cho những người chỉ muốn xem có lập trình có dành cho họ không. Ca khúc bao gồm 229 thách thức mã hóa bao gồm các điều cơ bản của cú pháp Python, các biến và mục đích của chúng, nếu các câu lệnh, vòng lặp, chức năng và cấu trúc dữ liệu cơ bản [bao gồm danh sách, từ điển và bộ]. Không có chương trình trước hoặc kiến thức CNTT là bắt buộc. is a mini-track perfect for people who just want to see if programming is for them. The track includes 229 coding challenges covering the basics of Python syntax, variables, and their purposes, if statements, loops, functions, and basic data structures [including lists, dictionaries, and sets]. No prior programming or IT knowledge is required.
- Python cho khoa học dữ liệu là một ca khúc học tập 5 khóa học bao gồm các yếu tố cần thiết để bắt đầu làm việc trong lĩnh vực khoa học dữ liệu. Nó bao gồm hàng trăm thách thức mã hóa bao gồm các tính toán cơ bản, phân tích dữ liệu đơn giản, trực quan hóa dữ liệu, làm việc với dữ liệu bảng và văn bản và xử lý dữ liệu từ các tệp CSV, Excel và JSON. Bạn có thể đọc thêm về bài hát học tập này ở đây. is a 5-course learning track covering the essentials needed to start working in the field of data science. It includes hundreds of coding challenges covering basic calculations, simple data analyses, data visualizations, working with tabular and text data, and processing data from CSV, Excel, and JSON files. You can read more about this learning track here.
- Lập trình học tập với Python nhằm vào những người mới đến, những người muốn hiểu Python nền tảng và sau đó vượt ra ngoài những điều cơ bản và tìm hiểu các khái niệm lập trình nâng cao hơn. Ngoài các khái niệm cơ bản của Python được mô tả ở trên, nó bao gồm các cấu trúc dữ liệu và các thuật toán tích hợp. is aimed at newcomers who want to understand foundational Python and then go beyond the basics and learn more advanced programming concepts. In addition to the Python basics described above, it covers data structures and built-in algorithms.
Nhu cầu không đổi [và lâu dài] đối với các nhà khoa học dữ liệu cho thấy lĩnh vực này phổ biến như thế nào. Ngày nay, các công ty và tổ chức của nhóm thích đưa ra quyết định dựa trên dữ liệu và họ cần các nhà khoa học dữ liệu cho việc này. Vì vậy, làm hết sức mình để học và thực hành Python cho khoa học dữ liệu. Rất sớm, bạn sẽ có một sự nghiệp thành công và được trả lương cao với tư cách là một nhà khoa học dữ liệu.
Cảm ơn bạn đã đọc, và học hỏi hạnh phúc!