14 Datasets for Your Next Data Science Project
Zusammenfassung
Kurz
Der vollständige Bericht sammelt 14 Datensätze für Projekte von Datenanalyse und Visualisierung bis zu Klassifikation und Empfehlungssystemen und verlinkt dazu Tutorials. Der Autor nennt mögliche Anwendungen und einige Einschränkungen, darunter fehlende Netflix-Werte und ein unvollständiges Tutorial zu Stack-Overflow; eigene Versuchsergebnisse oder ein systematischer Datensatzvergleich werden nicht berichtet.
Mittel
Frank Andrade stellt im vollständigen Bericht 14 Datensätze für Data-Science-Projekte vor und ordnet sie nach Aufgaben: Analyse, Visualisierung, Automatisierung, Regression, Text- und Bildklassifikation sowie Empfehlungssysteme. Zu jedem Vorschlag verlinkt er ein Tutorial, das laut Beitrag nach Schwierigkeit eingeordnet ist.
Die Beispiele reichen von Prüfungsnoten, Pokémon-Statistiken und Netflix-Katalogdaten (Stand laut Artikel: Mitte 2021) über FIFA-Spieler- und Bevölkerungsdaten bis zu Skripten aus „The Simpsons“ und „Avatar“. Weitere Projekte betreffen die Automatisierung von Excel-Berichten mit Supermarktverkäufen, lineare Regression mit dem Boston-Hauspreise-Datensatz, die Klassifikation von IMDB-Rezensionen und Stack-Overflow-Fragen sowie Bildmodelle für Schere-Stein-Papier und Gesichtsmasken. MovieLens wird für Filmempfehlungen vorgeschlagen.
Der Autor nennt konkrete Datensatzgrößen und mögliche Analysen, etwa Rating-Verläufe, Sentimentauswertung oder Tag-Vorhersage. Er weist darauf hin, dass Netflix-Daten fehlende Werte enthalten und bereinigt werden müssen; das Tutorial zu Stack-Overflow sei unvollständig. Der Beitrag bietet Anregungen und Links, aber keine eigenen Modellresultate oder systematische Bewertung der Datensätze.
Ausführlich lesen
Der vollständige Bericht von Frank Andrade stellt 14 Datensätze als Ausgangspunkte für Data-Science-Projekte vor. Der Autor ordnet sie nach möglichen Aufgaben: Datenanalyse, Visualisierung, Automatisierung, Regression, Text- und Bildklassifikation sowie Empfehlungssysteme. Zu jedem Vorschlag nennt er einen Datensatz und ein Tutorial; die Tutorials seien nach Schwierigkeit angeordnet, von Einsteiger- bis zu fortgeschrittenen Beispielen.
Für erste Analysen mit Pandas und NumPy nennt der Bericht Prüfungsnoten von Schülerinnen und Schülern samt Merkmalen wie Geschlecht und Mittagessen, Pokémon-Statistiken zu 721 Figuren sowie Netflix-Filme und -Serien, deren Katalogstand laut Artikel Mitte 2021 liegt. Beim Netflix-Datensatz weist der Autor ausdrücklich auf fehlende Werte und erforderliche Bereinigung hin. Für Visualisierungen empfiehlt er FIFA-Spielerdaten aus den Jahren 2016 bis 2022, Bevölkerungszahlen im Fünfjahresabstand von 1955 bis 2020 sowie Episoden und Skripte aus „The Simpsons“ und „Avatar: The Last Airbender“. Als denkbare Auswertungen nennt er etwa Rating-Verläufe, einfache Diagramme, Wortwolken und Sentimentanalysen.
Ein Supermarkt-Datensatz mit drei Monaten historischer Verkäufe soll laut Autor dazu dienen, Excel-Berichte mit Python zu automatisieren. Für lineare Regression führt der Beitrag den Boston-Hauspreise-Datensatz an und zeigt, wie er über scikit-learn geladen werden kann. Im Bereich Textklassifikation umfasst die Auswahl 50.000 IMDB-Rezensionen mit positiven oder negativen Bewertungen sowie 60.000 Stack-Overflow-Fragen aus den Jahren 2016 bis 2020, die in drei Qualitätsklassen eingeteilt sind. Für die Vorhersage mehrerer Tags bei Stack-Overflow-Fragen sei ein Mehrfach-Label-Ansatz nötig; das verlinkte Tutorial sei allerdings unvollständig und enthalte Hinweise zur Lösung.
Zur Bildklassifikation nennt der Autor 2.892 Bilder von Handstellungen beim Schere-Stein-Papier und 1.376 Bilder zur Erkennung von Gesichtsmasken. MovieLens 20M dient als Beispiel für Empfehlungssysteme: Der Datensatz enthalte 20 Millionen Bewertungen und 465.000 Tag-Zuweisungen zu 27.000 Filmen durch 138.000 Nutzer.
Der Bericht ist ein Ideen- und Ressourcenüberblick, keine vergleichende Prüfung der Datensätze oder Tutorials. Er beschreibt mögliche Übungen und die jeweils angegebenen Datensatzmerkmale, berichtet aber keine eigenen Experimente, Modellergebnisse oder Bewertungen der Datenqualität. Neben den genannten Hinweisen zu fehlenden Netflix-Werten und dem unvollständigen Stack-Overflow-Tutorial gibt er keine systematische Einschätzung weiterer Einschränkungen.
Gegengeprüft von Claude Haiku 5.5: ok
Es wurden keine Fragen zur Einordnung angegeben (Lunas Einordnung war jeweils leer), daher enthält die Einordnung keine Bewertungen. Die Zusammenfassungen decken den Bericht inhaltlich korrekt ab.
Im Bericht, aber nicht in der Zusammenfassung
- Der Boston-Datensatz wird direkt über sklearn geladen und hat keinen eigenen Download-Link
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vertrauen in Modelle
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug