数据科学项目 为你在这个领域的深入研究提供了一个基础 。通过实际应用 ，你 不仅 可以 学习数据科学， 也能够写在简历中提升你的资历 。 在这上边花费的时间越多，你学到的知识就越多。
本文精选了24 个数据科学项目，并囊括了各个领域和各种不同大小的数据集。 另外，所有的数据集都是开源、可免费获取的。
初级—— 这部分的数据集很容易处理，使用基础的回归 / 分类算法就可以处理这些数据集。并且，这些数据集有足够的教程供你学习。
中级—— 略微有点难度。包含了需要使用有点难度的模式识别技能来处理的大中型数据集。另外，特征工程在这里可以发挥作用了。
高级—— 包括神经网络、深度学习、推荐系统及高维数据等。
初级
1.Iris Data数据集（花的类别识别）
Iris Data Set 可能是模式识别领域 学习分类技术 最 基本 入门 级的数据集，适合初学者 。 该数据集 里面包含了150 行 4 列 个 数据。
问题:
根据已有特征
预测花的类别
。
资源：
数据
集 |
教程
2.Loan Prediction 数据集（贷款预测）
它 是保险领域最常引用的一个数据集。利用 这个数据集 ，你可以 充分体验到 如何 处理保险公司的数据 ， 包括 会遇到哪些挑战 、 需要什么策略 、 哪些变量会影响结果等 。这是一个分类问题 ， 数据集包含615 行 13 列 个数据 。
问题:
预测一个贷款是否能够被批准。
资源：
数据集 |
教程
3. Bigmart Sales 数据集（零售业销售）
零售业是另一个充分利用
数据
分析优化商业流程的行业。
我们可以利用数据科学对商品的放置、库存管理、定制供应、商品捆绑等任务进行巧妙的处理
。
该数据集包含了商店的交易数据，是一个回归问题，共包含8523
行
12
列
个数据。
问题： 预测销量。
4.Boston Housing 数据集（波士顿房屋）
这是另一个 模式识别领域较为 常见的数据集 ，来 自于波士顿的房地产业 ， 是一个回归问题 ， 数据集有506 行 14 列 个数据 。 这个数据集并不大，你可以尝试使用任何技术，而不用担心笔记本的内存不够。
问题： 预测业主拥有房屋数量的中间值。
5. Time Series Analysis 数据集（时间序列分析）
时间序列是数据科学中最常用的技术之一 ， 具有广泛的应用 ：预测 天气预报 、 预测销售额 、 分析逐年趋势等。该数据集特定于时间序列，这里面临的挑战是预测交通方式。
问题： 预测新的交通工具的交通。
6. Wine Quality 数据集（酒质量）
这是初学者最常用 的数据集之一， 分成了2 个数据集。 在这个数据集上可以同时执行回归和分类任务—— 异常值检测、 特征选择和不平衡数据。该数据集有4898 行和 12 列个数据 。
问题：预测酒的质量。
7.Turkiye Student Evaluation 数据集（学生课程评估）
该数据集基于学生填写不同课程的评估表，拥有 不同的属性，包括出勤率、 难度、分数 等， 是一个无监督学习问题。该数据集有5820 行 33 列个数据 。
问题：使用分类和聚类解决问题。
8.Heights and Weights 数据集（身高体重预测）
这是一个相当直接的回归 问题，非常适合新手 。该 数据集有25,000 行 3 列（索引、 高度和权重 ）个数据 。
问题：预测一个人的身高或体重。
中级
1. Black Friday 数据集（黑色星期五）
这是一个包含 零售商店记录的 销售交易的 经典数据集，可以扩展特征工程的技能，并从每天的购物经验中对其进行理解， 是一个回归问题。该数据集有550,069 行 12 列个数据 。
问题：预测购买力。
2. Human Activity Recognition 数据集（人类活动识别）
该数据集通过带有嵌入式惯性传感器的 智能手收集了30 个实验者 的记录，可用于分类问题。 数据集有10,299 行 561 列个数据 。
问题：预测人类活动的类别。
3. Text Mining 数据集（文本挖掘）
该数据集最初来自于2007 年 Siam 文本挖掘竞赛， 包括描述某些发生故障的航班的 航空安全报告， 是一个多分类和高维度问题。该数据集 有21,519 行 30,438 列个数据 。
问题：根据文本标签对文本进行分类。
4. Trip History 数据集（旅行历史）
此数据集来自美国的共享 自行车服务。该 数据集需要使用 专业的 数据处理技术，该数据集种的 数据是从2010 年第四季度 开始按季度记录 的。每个文件有7 列是一个分类问题。
问题：预测用户的类别。
5. Million Song 数据集（预测歌曲发行时间）
你知道数据科学现在也用于娱乐行业吗？ 这个数据集提出了一个回归任务， 由515,345 个观察值和 90 个变量组成。但是，这仅仅是原始数据库（约一百万首歌曲） 中的一小部分。
问题：预测歌曲的发行时间。
6.Census Income 数据集（预测人口收入）
这是一个经典的 不平衡分类机器学习问题。现在， 机器学习广泛应用于 正被广泛用于解决不平衡问题，如癌症检测、 欺诈检测等。该 数据集有48,842 行 14 列个数据 。
问题：预测美国人的收入水平。
7. Movie Lens 数据集（电影推荐系统）
用于构建推荐系统，该数据集是数据科学行业中最受欢迎的“数据集”之一，有不同大小的数据集。这里有一个较小的数据集，包含 4,000 部电影， 6000 个用户的 100 万个收视率。
问题：为用户推荐电影。
8. Twitter Classification 数据集（预测推文）
Twitter 数据已成为情感分析不可分割的一部分。该数据集大小为 3MB ，包含 31,962 条推文。
问题：预测哪些推文是令人讨厌的，哪些不是。
高级
1. 识别数字的数据集
用于研究、分析和识别图像中的元素，这就是使用相机识别面部的技术，属于 数字识别问题。该 数据集有28,000 个 28*28 大小的图像，总计 31MB 。
问题：从图像中识别数字。
2. 城市声音分类
该项目旨 在介绍常用的音频分类问题 。该数据集由10 个类别（包含来自8,732 个城市声音的记录） 组成。
问题：对音频进行分类。
3. Vox 名人数据集
音频处理正迅速成为深度学习的重要领域，因此这是另一个具有挑战性的问题。此数据集收集了 大型演讲者的演讲 ，并 从YouTube 中提取的名人的讲话 。对于语音识别来说，这是一个很 有趣的项目 。该数据集 包含1,251 位名人发表的 100,000 条言论 。
问题：找出声音属于哪个名人。
4. ImageNet数据集
ImageNet 提供了各种各样的问题，包括对象检测、 定位、 分类和屏幕分析。 所有的图像都是免费的，你 可以搜索任何类型的图像来 构建项目。截至目前，该数据集 拥有超过1500 万张图片，大小超过140GB 。
问题：要解决的问题会受下载图像的类型影响。
5. 芝加哥犯罪数据集
现在，每个数据科学家都希望能够处理大型数据集， 是一个多分类问题。该 数据集在本地提供了 处理大型数据集所需的实践经验。问题很简单，但数据管理是关键！这个数据集有6,000,000 个观测值。
问题：预测犯罪类型。
6. 印度演员年龄检测
对于任何深度学习爱好者来说，这是一个令人着迷的挑战。该数据集包含数千个印度演员的图像，用来预测其年龄 。所有图像都是人工手动从视频帧中选取 的，这就 导致了 尺度、 姿势、 表情、照明、 年龄、 分辨率、 遮挡和化妆等 的高度可变性。训练集中有19,906 幅图像，测试集中有 6,636 幅图像。
问题：预测演员的年龄。
7. 推荐引擎数据集
这是一项高级推荐系统挑战赛 。在这个项目 中，你会得到以前解决的程序和数据，以及解决特定问题的时间。作为一名数据科学家，你 构建的模型将协助 在线评委决定向用户推荐的下一级问题。
问题：根据用户的当前状态，预测解决问题所需要的时间。
资源：数据库
8. VisualQA数据集
VisualQA 是一个包含图像的开放式问题数据集。这些问题需要理解计算机视觉和语言，这些问题 有一个自动评估指标。数据集包含265,016 张图片，每张图片 3 个问题，且 每个问题有10个标记好的答案。
问题：使用深度学习回答有关图像的开放式问题。
总结
在上面列出的24 个数据集中，你 应该首先找到与自身 技能相匹配的数据集进行实践和练习 。比如说，假如你是一位 初学者，请先从初级数据集开始实践，而不是直接从高级数据集开始练习。
以上为译文。
本文由北邮@爱可可-爱生活 老师推荐， 阿里云云栖社区 组织翻译。
文章原标题《 24 Ultimate Data Science Projects To Boost Your Knowledge and Skills (& can be accessed freely) 》，译者： Mags，审校：袁虎。
文章为简译，更为详细的内容，请查看 原文。
