你总说没有经历没人要？这24个全网公认最有价值的开源数据项目你做了么？
你可能曾经做过很多数据相关的事情，但是如果你做的事情不容易给大家展示和解释，HR要怎么才知道你也是有两把刷子的呢？这就是我们今天介绍的project能帮到你的地方了。我们保证这些project的含金量，你保证你会花足够的时间在这上面，那你就一定会有十足的收获。
而且，我们为你挑选出的这些project横跨各个领域，无论你喜欢哪些领域，你都可以找到你喜欢的话题；每个合格的数据人都应该有处理大型数据集的经历，所以，这里面也有一些大型数据集供你选择。最重要的是，零成本，免费！
由难到易
为了让你知道应该从何下手，我们把这些数据集按照难易级别分成了三个等级：
一、入门
这个级别的数据集处理起来往往相对简单，用分类或者回归的算法就可以解决，不需要什么复杂的技术。而且，这个数据集都有公开的教程教你如何去做，不至于让你一上来两眼一抹黑就开始闭门造车。
二、进阶
这个级别的数据集相对于初级数据集来说就相对复杂一些，数据集也更大，需要一些模式识别的能力。而且，一个优秀的特征工程往往会带来比较好的分析结果。所有的你能想到的机器学习方法，从简单到复杂，都可以使用。
三、 高级
这个级别的数据集更适合那些理解神经网络、深度学习或者推荐系统等热门话题的人。这些数据集往往有很多feature，是一个适合你大展身手的地方。
入门
1. Iris Data Set
可能没有比这更适合初学者入门分类问题的数据集了，它只有150行4列。如果你是一个小白，这个数据集你不能错过。
问题：预测花的种类
数据：https://archive.ics.uci.edu/ml/datasets/Iris
教程：https://www.slideshare.net/thoi_gian/iris-data-analysis-with-r
2. Loan Prediction Dataset
在众多行业中，保险业是其中一个很依赖数据分析的行业。这个数据集就来源于保险公司的真实数据—面临的问题，使用的策略以及哪些变量会影响分析的结果。这也是一个分类问题，一共有615行13列。
问题：预测一个贷款是否会被批准
数据：https://datahack.analyticsvidhya.com/contest/practice-problem-loan-prediction-iii/
教程：https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/
3. Bigmart Sales Data Set
零售业也是一个需要通过分析来优化商业过程的行业，像广告植入，库存管理，产品定制，产品捆绑等都需要通过数据相关的技术来处理。这个数据集包含了一个商店的销售记录，这是一个回归问题，包含8523行12列。
问题：预测该商店接下来的销售情况
数据：https://datahack.analyticsvidhya.com/contest/practice-problem-big-mart-sales-iii/
教程：https://www.analyticsvidhya.com/blog/2015/11/started-machine-learning-ms-excel-xl-miner/
4. Boston Housing Dataset
这个数据集来源于波士顿的真实房价，是一个回归问题。它只有506行14列，是一个相对小的数据集，你可以任意尝试你想尝试的数据集，无需担心内存不够的问题。
问题：预测未来房价的中位数
数据：https://www.cs.toronto.edu/~delve/data/boston/bostonDetail.html
教程：https://www.analyticsvidhya.com/blog/2015/11/started-machine-learning-ms-excel-xl-miner/
5. Time Series Analysis Dataset
时间序列是数据科学中的常用技术，它在工业界中有广泛的应用—天气预报，销量预测，趋势预测等等。这个数据集就是专门针对时间序列预测的。
问题：预测未来的交通状况
数据：https://datahack.analyticsvidhya.com/contest/practice-problem-time-series-2/
教程：https://courses.analyticsvidhya.com/courses/creating-time-series-forecast-using-python
6. Wine Quality Dataset
这是一个非常受数据科学的新拥趸欢迎的数据集。它被分成了两部分，你既可以用它来做分类，也可以用它来做回归。它可以检测你对异常值，模型挑选以及不均衡数据的处理能力。它有4898行12列。
问题：预测葡萄酒质量
数据：https://archive.ics.uci.edu/ml/datasets/Wine+Quality
教程：https://web.stanford.edu/~ilker/doc/wine_Stats315A.pdf
7. Turkiye Student Evaluation Dataset
这个数据集取自学生对很多课程的教学评估，它包含很多feature，比如出勤率，难易程度，给分高低等等，这是一个无监督学习的问题。这个数据集有5820行33列。
问题：使用分类和聚类的技术处理数据
教程：https://sanghosuh.github.io/research/LA_EdMining_SanghoSuh.pdf
8. Heights and Weights Dataset
这是一个为初学者准备的关于回归问题的数据集，有25000行3列（索引，身高，体重）
问题：预测一个人的身高或者体重
数据：http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_Dinov_020108_HeightsWeights
教程：https://www3.nd.edu/~steve/computing_with_data/2_Motivation/motivate_ht_wt.html
进阶
1. Black Friday Dataset
这个数据集包含了一个零售商店的销售数据，它很适合磨炼特征工程的能力和提高对销售的理解。这是一个回归问题，数据集有550069行12列。
问题：预测购买量
数据：https://datahack.analyticsvidhya.com/contest/black-friday/
教程：https://discuss.analyticsvidhya.com/t/black-friday-data-hack-reveal-your-approach/5986/5
2. Human Activity Recognition Dataset
这个数据集有10299行561列，通过惯性传感器收集了人的若干体征，很多机器学习的课程都使用这个数据集作为教学工具。现在是你的回合了！
问题：预测人的活动类型
数据：http://archive.ics.uci.edu/ml/datasets/Human+Activity+Recognition+Using+Smartphones
教程：https://rstudio-pubs-static.s3.amazonaws.com/291850_859937539fb14c37b0a311db344a6016.html
3. Text Mining Dataset
这个数据集来源于2007年的Siam Text Mining竞赛，它包含了一些航班的航行安全报告。这是一个高维多分类问题，有21519行30438列。
问题：根据标签进行文档分类
数据：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/multilabel.html#siam-competition2007
教程：https://wtlab.um.ac.ir/images/e-library/text_mining/Survey%20of%20Text%20Mining%202%20.pdf
4. Trip History Dataset
这个数据集来源于美国的一个自行车共享服务，它适合磨炼你的数据清洗能力。这个数据集将数据分成了4份，每份数据都有7个feature，是一个分类问题。
问题：预测用户等级
数据：https://www.capitalbikeshare.com/system-data
教程：https://www.analyticsvidhya.com/blog/2015/06/solution-kaggle-competition-bike-sharing-demand/
5. Million Song Dataset
数据科学也可以用在娱乐行业，没想到吧。这是一个回归问题的数据集，由歌曲和它们的诸多特征组成，它有515345行90列。
问题：预测歌曲的发行年份
数据：http://archive.ics.uci.edu/ml/datasets/YearPredictionMSD
教程：http://www-personal.umich.edu/~yjli/content/projectreport.pdf
6. Census Income Dataset
这是一个不均衡分类的机器学习问题，有48842行14列。现如今，机器学习被广泛应用到不均衡问题的解决上，比如癌症检测，欺诈检测等，所以你也要对此有所涉猎鸭！
问题：预测美国人的收入水平
数据：http://archive.ics.uci.edu/ml/machine-learning-databases/census-income-mld/
教程：https://cseweb.ucsd.edu/~jmcauley/cse190/reports/sp15/048.pdf
7. Movie Lens Dataset
你想自己写一个推荐系统么？这里有一个机会。这个数据集也是非常受欢迎的数据集之一，它包含了6000个用户对4000部电影的一百万条评价。
问题：给用户推荐新电影
数据：https://grouplens.org/datasets/movielens/1m/
教程：https://www.analyticsvidhya.com/blog/2016/06/quick-guide-build-recommendation-engine-python/
8. Twitter Classification Dataset
做情感分析，少不了要对Twitter的数据进行分析。如果你想在NLP这个领域分一杯羹，你一定非常乐意挑战一下这个数据集。
问题：分辨Twitter用户的情感极性
数据：https://datahack.analyticsvidhya.com/contest/practice-problem-twitter-sentiment-analysis/
教程：https://github.com/abdulfatir/twitter-sentiment-analysis
高级
1. Identify your Digits Dataset
这个数据集包含了很多有数字的图片，你可以通过它来学习图像识别的技术和原理。这和人脸识别的原理一样一样的！分析这个有7000张图片的数据集，你就会掌握这些技术。
问题：识别图片中的数字
数据：https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-digits/
2. Urban Sound Classification
当你开始你的机器学习之旅的时候，通常会先处理一些像泰坦尼克这种简单的数据集，但是你仍然没有处理过现实生活中的问题。那么，这个数据集就带你来处理一个现实生活中音频分类的问题，它包含了10类8732段音频。
问题：分辨音频的种类
数据：https://datahack.analyticsvidhya.com/contest/practice-problem-urban-sound-classification/
教程：https://www.analyticsvidhya.com/blog/2017/08/audio-voice-processing-deep-learning/
3. Vox Celebrity Dataset
音频处理现在已经是深度学习中的一个非常重要的领域，这个数据集恰好就隶属这个领域。它是从YouTube上提取出来的，包含很多名人说话的音频。而你的任务，就是进行语音识别，分辨出每个片段是谁的声音。这个数据集包含了1251位名人的100000个说话片段。
问题：分辨每个片段是谁的声音
数据：http://www.robots.ox.ac.uk/~vgg/data/voxceleb/
教程：https://www.robots.ox.ac.uk/~vgg/publications/2017/Nagrani17/nagrani17.pdf
4. ImageNet Dataset
ImageNet 提供了很多关于目标检测、目标定位和目标分类的问题，所有的图像数据都是免费的。你可以选择任何你喜欢的图像，基于这些做出属于你自己的project。它有高达140GB的图像数据等你来翻牌子哦。
问题：分辨图像类型
数据：http://image-net.org/download-imageurls
教程：http://image-net.org/download-imageurls
5. Chicago Crime Dataset
在如今这个算力充足的时代，公司不再喜欢用小样本来分析处理数据，处理大型数据集的能力就显得越来越重要。这个多分类数据集不是很难处理，数据的管理是关键！
问题：预测犯罪类型
数据：https://data.cityofchicago.org/Public-Safety/Crimes-2001-to-present/ijzp-q8t2
教程：http://nathanwayneholt.com/mathematicalmodeling/ChicagoCrimesReport.pdf
6. Age Detection of Indian Actors Dataset
检测人的年龄，这对深度学习的爱好者来说是一个非常有意思的挑战。这个数据集提供了很多印度演员的照片，而你的任务是来分辨他们的年龄。每个图像都是人工挑选的，有各种比例、姿势、年龄、妆容和分辨率。训练集中有19906个样本，测试集中有6636个样本。
问题：预测演员的年龄
数据：http://image-net.org/download-imageurls
7. Recommendation Engine Dataset
这是一个高阶的推荐系统问题。在这个问题中，它提供了程序员曾经解决的问题和他们在该问题上所花的时间。而你的任务，就是为用户推荐适合他的下一个问题。
问题：根据用户目前解决编程问题的水平，为用户推荐合适的问题。
数据：https://datahack.analyticsvidhya.com/contest/practice-problem-recommendation-engine/
8. VisualQA Dataset
VisualQA是一个包含很多开放性问题的图像数据集，这些问题要求你对计算机视觉有一定理解。这个数据集有265016个图像，每个图像配了3个问题。
问题：通过深度学习解决关于图像的开放性问题。
教程：https://arxiv.org/abs/1708.02711
正如你所看到的，资源很多，但是你只需要选择适合你自己的，适合自己的才是最好的。如果你还是个小白，就不要选择那些高难度的数据集，不要想着一口吃个胖子，一步一个脚印就好。
当你完成了两到三个project，记得把它们体现在你的简历、LinkedIn或者GitHub上，这非常重要！很多HR招聘的时候都会通过LinkedIn或者GitHub来筛人。
原文作者：ANALYTICS VIDHYA CONTENT TEAM
翻译作者：唐唐
美工编辑：过儿
校对审稿：卡里
