作者：Rashi Desai

翻译：疯狂的技术宅

原文：https://towardsdatascience.co...

如果你对对数据分析、数据科学或是与数据相关的东西感兴趣，可以通过下面的清单来学习。

1. 信用卡欺诈检测

预计到 2022 年，拥有信用卡的人数将会接近 12 亿。为了确保信用卡交易的安全性，必须对其活动进行有效的监视。信用卡公司应该能够识别出欺诈性的信用卡交易，从而不会向客户收取未购买商品的费用。

信用卡数据集中包含欺诈和非欺诈交易的组合，目标是预测给定的测试交易是否存在欺诈。

要使用的算法：

由于目标变量是分类变量，所以可以使用以下一系列机器学习算法来解决该问题：

1. 逻辑回归
2. 决策树
3. 神经网络

示例代码

• 用 R-DataFlair 的机器学习检测信用卡欺诈
• 基于 Python 的信用卡欺诈检测项目

2. 客户细分

客户细分是把客户分成多个群体的过程，这些群体在产品的销售或营销的方式上具有相似性，例如性别、年龄、兴趣、人口统计资料、经济状况、地理位置、行为方式、消费习惯以及其他更多维度。

客户细分是“无监督学习”的最重要应用之一。通过聚类技术，公司可以确定客户的细分市场，从而使他们可以定位潜在的用户群。

公司通过聚类过程来预见或映射具有类似行为的客户群，用来识别和定位潜在的用户群。

要使用的算法：

K-均值聚类，分层聚类是最主要的聚类方法。还有一些其他的聚类算法：

1. 分割法（Partitioning method）
2. 模糊聚类（Fuzzy clustering）
3. 基于密度的聚类
4. 基于模型的聚类

另外一旦收集了数据，公司就能够更深入地了解客户的喜好，并发现有价值的细分市场的需求，从而使他们获得最大的利润。这使他们能够更有效地制定营销策略，并最大程度地降低投资风险。

示例代码

• R 语言数据科学项目——用机器学习进行客户细分
• Python 项目——客户细分

3. 情感分析

情感被定义为对某一情况或事件的看法或态度；意见是数据科学领域中至关重要的话题。由于它在当今的社交媒体时代具有很大的关联性，并且可以解决许多商业问题，所以成为该领域最热门的话题之一。

借助情感分析，你可以发现文档、网站、社交媒体的时间线中所反映的观点的性质。人们应该具有快乐、悲伤、愤怒、积极或消极、沮丧、仇恨、爱等各种情感。

在当今时代，任何数据驱动型的组织都必须重视情感分析模型的结果，借此确定其客户的态度，并针对产其品或服务定位目标客户。

一些情报机构会对 Twitter 进行情绪分析以获取情报。

要使用的算法：

1. 朴素贝叶斯
2. 决策树
3. Tidytext 包

示例代码

• 顶级数据科学项目——R 语言情感分析
• 简明 Python 情感分析教程

4. 语音情感识别

在人类的活动中，言语、场景、产品或体验所附带的情感决定着很多事情。

SER（语音情感识别 Speech Emotion Recognition）可以说是今年夏天一项引人注目的数据科学项目。它试图从语音（语音样本）中感知人类的情感。另外为了感知到人的情感，还将不同的声音文件用作数据集。 SER 本质上是从录音中提取情感，并专注于特征提取。

在用 Python 处理项目时，你还可以通过用于分析音乐和音频的 Librosa 包积累知识。

Vox 名人数据集可以成为执行语音情感识别的良好起点。

用到的算法：

1. 卷积神经网络（CNN）
2. .递归神经网络（RNN）
3. 神经网络（NN）
4. 高斯混合模型（GMM）
5. 支持向量机（SVM）

示例代码

• Python迷你项目——基于 Librosa 的语音情感识别
• GitHub 上的语音情感识别项目列表

5.预测分析

预测分析的目的是对未来的事件进行预测。

它涵盖了预测模型、机器学习和数据挖掘等各种统计技术，可以通过分析当前和历史数据来识别风险和机会。

例子：

1. 贷款预测数据：预测贷款是否会得到批准
2. 预测 HVAC 需求：将天气预报与建筑系统相结合
3. 客户关系管理
4. 临床决策支持系统
5. 客户和员工保持率和流失率
6. 项目风险管理

示例代码

• R 语言实现的房贷预测
• 房屋贷款预测

6. 时间序列分析和建模

时间序列是按时间顺序进行索引，把一系列数据点列出或绘制在图形中。

时间序列是数据科学中最常用的技术之一，有着广泛的应用范围，包括天气预报、预测销售、分析年趋势、预测吸引力、网站访问量、比赛排名等。

商业机构一次又一次地用 kon 时间序列数据来分析未来的数字。

通过时间序列分析，我们可以得到每小时观看的广告、每天在游戏中的花销、产品趋势的变化等。

示例代码

• 时间序列建模
• 时间序列 Python 教程

7. 回归分析

回归分析的目的是根据历史数据预测结果。

回归分析是一种强大的统计检验，可以检查两个或多个目标变量之间的关系。尽管回归分析的类型有很多，但它们的核心都是检查一个或多个自变量对目标（因变量）的影响。

例子：

1. 沃尔玛销售数据：预测商店的销售
2. 波士顿住房数据：预测自有住房的中位数
3. 葡萄酒质量预测：预测葡萄酒的质量
4. 黑色星期五销售预测：预测一个家庭的购买金额

用到的算法：

这取决于目标变量的性质：是数字还是分类

1. CART——因子目标
2. 决策树——因子目标
3. 线性回归——数字目标
4. 逻辑回归——因子目标

8. 推荐系统

推荐系统是一个使用过滤过程，并根据用户的偏好和喜好提供各种内容的平台。

推荐系统把相关用户的信息作为输入，并使用机器学习模型从参数评估中返回建议。从 Amazon 到 Zappos，推荐系统无处不在。这是一种数据科学家需要了解的典型的机器学习算法。

例如，Netflix 能够为你推荐和浏览历史记录相似的电影或节目，或是与你爱好相似的其他用户过去看过的电影或节目。

推荐系统有两种类型-

1. 基于内容的推荐系统：基于用户的数据提供有代表意义的推荐。根据该数据生成用户配置文件，然后将其用于向用户提出建议。当用户提供更多的数据输入或着对建议采取行动时，引擎将会变得越来越准确。
2. 协作过滤建议：提供与可能有着相似浏览历史或首选项的其他用户相关的建议。

示例代码

• R 语言实现的电影推荐系统
• Python 推荐系统

9. 探索性数据分析

探索性数据分析（EDA）实际上是数据分析过程中的第一步。通过它你可以充分利用所拥有的数据，弄清楚你想问什么问题，如何构架，最好地操纵它来获取所需要的答案。

EDA 用视觉和定量方法在现有数据中展示广泛的模式、趋势、离群值、意外结果等。探索性数据分析可以完成很多项目。在此我列出一些参考，或许能成为你的一个良好起点。

例子：

1. 全球自杀率（数据集）
2. 夏季奥运会模型（数据集）
3. 世界幸福报告（数据集）
4. 麦当劳菜单的营养成分（数据集）