Een van mijn lezers vroeg: “Kun je suggesties doen voor Python-oefenprojecten waaraan we kunnen werken om te leren?”
Zeker weten.
1) Een Django-webapp
Dit is speciaal voor degenen onder u die nog geen webontwikkeling hebben gedaan.
(Datawetenschappers: ik kijk naar jou.)
Het kunnen maken van een webapplicatie is een waardevolle vaardigheid voor elke ontwikkelaar. De reden is dat het je in staat stelt om elke andere vorm van programmeren die je doet te nemen en het te verpakken op een manier die toegankelijk is voor de massa.
Als je nog niet eerder aan webontwikkeling hebt gedaan, moet dit je nummer 1 prioriteit zijn, vergeleken met anderen op de lijst. (Als je *webontwikkeling hebt gedaan*, ga dan naar het volgende item… stap uit je comfortzone.)
Welk kader gebruik je? Google wijst je op een tiental geweldige keuzes. Het maakt niet zoveel uit welke je gebruikt. Je kunt degene kiezen die je leuk vindt.
Maar als je een aanbeveling wilt, zal ik je er een geven:
Gebruik Django.
Het is een geweldig full-stack framework en goed gedocumenteerd. Als je merkt dat je meer dan een paar minuten besteedt aan het kiezen van een framework, gebruik dan gewoon Django en begin met coderen.
Dus dat is een projectidee. Volgende:
2) Een opdrachtregelprogramma
Als je niet hebt geleerd om opdrachtregelprogramma’s te maken… mis je iets.
Wanneer u uw programma neemt en het verpakt in een scriptbare opdrachtregelinterface…
Met configuratie bestuurbaar door opties en vlaggen…
En inputs en outputs voor het programma bestuurd door command-line args…
Dit verhoogt ALTIJD de waarde van uw programma. Altijd. 100% van de tijd.
Dus als je het nog nooit eerder hebt gedaan… moet je het leren.
Dit betekent in feite het leren van de “argparse”-module. Het is ingebouwd in de standaardbibliotheek van Python.
Er zijn andere bibliotheken voor het bouwen van opdrachtregelinterfaces die niet in de standaardbibliotheek van Python staan. Ze hebben hun fanatieke fanz die al boze e-mails naar mij schrijven, vol verkeerd gespelde woorden, omdat ze het lef hebben om argparse aan te bevelen in plaats van hun favoriete libwhateverz.
Negeer hun. Argparse is volledig uitgerust en moeilijk te verbeteren. En het is een batterij die bij Python wordt geleverd.
Dus de volgende keer dat je een Python-programma schrijft, generaliseer het dan. Gebruik argparse om het meer geautomatiseerd, flexibel, scriptbaar en over het algemeen beter te maken.
Dus dat is de tweede projectsuggestie. En tenslotte:
3) Machinaal leren
Als je deze hype-trein nog niet hebt gereden, moet je op zijn minst een korte dagtocht maken.
Ja, al het geklets over kunstmatige intelligentie voor machine learning is overdreven. Maar. Het heeft ook echte inhoud. En u zult profiteren van het leren ervan.
Je hebt twee opties voor wat je moet doen. Ik raad je aan om een bibliotheek te leren die scikit-learn heet. Het bevat tools voor zowel begeleid als niet-gesuperviseerd leren, en voor het bouwen van pijpleidingen.
Dat is een optie, en ik raad je aan om mee te beginnen. Een andere optie is om Tensorflow te leren. Ik denk eigenlijk dat je er beter aan zult doen als je daar naar toe gaat nadat je wat ervaring hebt met scikit-learn, maar als je erop staat om door te gaan, zorg er dan in ieder geval voor dat je eerst de wiskunde leert voor het omgaan met “rekengrafieken”.
Dus hoe gebruikt u uw nieuwe ML-bibliotheek? Nou, het is het beste als je het kunt toepassen op problemen waarmee je in je werk wordt geconfronteerd. Maar dat is moeilijk te doen terwijl je de kneepjes van het vak leert.
Er is dus een oefenterrein: Kaggle.
Zoek gewoon naar “Kaggle-competities” en zoek naar de categorie “Aan de slag”. Ze maken het je makkelijk.
