# Einführung

SQL ist immer noch eine der wichtigsten Fähigkeiten für Datenanalysten, Datenwissenschaftler, Enterprise-Intelligence-Analysten und Analyseingenieure. Aber das Erlernen der SQL-Syntax ist nur der erste Schritt. Um herauszuragen, müssen Sie zeigen, dass Sie SQL zur Lösung realer Geschäftsprobleme verwenden können.

Hier helfen Portfolioprojekte. Ein starkes SQL-Projekt sollte nicht nur Abfragen umfassen, sondern auch zeigen, wie Sie Daten bereinigen, Tendencies erkunden, Geschäftsfragen beantworten und Erkenntnisse klar kommunizieren.

In diesem Artikel betrachten wir fünf reale SQL-Projekte, mit denen Sie ein stärkeres Datenportfolio aufbauen können. Jedes Projekt enthält einen praktischen Anwendungsfall, das, was Sie lernen werden, und einen Hyperlink zu einem realen GitHub oder Kaggle Projekt, das Sie erkunden können.

# 1. E-Commerce-Kundenabwanderungsanalyse mit SQL

Kundenabwanderung ist ein zentrales Drawback für E-Commerce-Unternehmen, da der Verlust von Kunden auch Umsatzeinbußen bedeutet. In diesem SQL-Projekt analysieren Sie das Kundenverhalten, um zu verstehen, warum Kunden mit dem Kauf aufhören.

Sie untersuchen Faktoren wie Beschwerden, Bestellhäufigkeit, Zufriedenheitswerte, Zahlungsmethoden, Coupon-Nutzung, Gültigkeitsdauer und Tage seit der letzten Bestellung. Ziel ist es, Muster zu finden, die die Abwanderung erklären und Möglichkeiten zur Verbesserung der Kundenbindung vorschlagen.

Dieses Projekt hilft Ihnen, SQL-Kenntnisse zu üben, z GROUP BY, CASE WHENFilterung, Aggregationen, Berechnungen der Abwanderungsrate und Kundensegmentierung. Es ist auch ein starkes Portfolioprojekt, da es SQL direkt mit der tatsächlichen Geschäftsentscheidung verbindet.

Projektlink

# 2. SQL Knowledge Warehouse-Projekt

Dieses Projekt ist ein großartiger nächster Schritt, wenn Sie über die grundlegende SQL-Analyse hinausgehen möchten. Es zeigt Ihnen, wie Sie ein modernes Knowledge Warehouse aufbauen SQL-Server unter Verwendung von Extrahieren, Transformieren und Laden (ETL), Datenmodellierung und Berichterstellung.

Sie durchlaufen den gesamten Datenworkflow: Laden von Rohdaten, Bereinigen und Transformieren sowie Erstellen betriebsbereiter Tabellen für Analysen. Das Projekt folgt der Bronze-, Silber- und Gold-Architektur, bei der Rohdaten zuerst gespeichert, dann bereinigt und dann für die Berichterstellung in Fakten- und Dimensionstabellen modelliert werden.

Dies ist ein starkes Portfolioprojekt, weil es zeigt, dass Sie verstehen, wie echte Datensysteme aufgebaut sind, und nicht nur, wie man Tabellen abfragt. Es ist besonders nützlich für Lernende, die sich für Rollen in den Bereichen Analytics Engineering, Enterprise Intelligence oder Knowledge Engineering interessieren.

Du wirst üben ETL-Pipelines, Datenbereinigung, Datenmodellierung, Fakten- und Dimensionstabellen, Sternschema-DesignUnd SQL-basiertes Reporting.

Projektlink

# 3. Verkaufsdatenanalyse mit SQL

Die Vertriebsanalyse ist eines der praktischsten SQL-Projekte für ein Datenportfolio, da sie einen direkten Bezug zur Geschäftsleistung herstellt. In diesem Projekt verwenden Sie SQL, um Verkaufsdaten zu analysieren und Erkenntnisse über Umsatz, Produkte, Kunden und Tendencies zu gewinnen.

Sie können beispielsweise Fragen untersuchen, welche Produkte die meisten Verkäufe generieren, wie sich der Umsatz im Laufe der Zeit verändert, welche Kundengruppen am meisten ausgeben und ob es in den Daten saisonale Muster gibt.

Dieses Projekt hilft Ihnen beim Üben schließt sich an, Aggregationen, Sortierung, Filterung, DatumsfunktionenUnd Gruppierung. Um es für Ihr Portfolio vorzubereiten, fügen Sie Ihre SQL-Abfragen, eine kurze Geschäftszusammenfassung und einfache Visualisierungen hinzu, die Umsatztrends, Produktleistung und Kundenverhalten zeigen.

Projektlink

# 4. Analyse der Bankkundensegmentierung

Die Kundensegmentierung ist ein nützliches SQL-Projekt, da sie zeigt, wie Daten einer Financial institution helfen können, verschiedene Kundentypen zu verstehen. In diesem Projekt analysieren Sie einen simulierten Bankdatensatz, um Kundenverhalten, Transaktionen und regionale Leistung zu untersuchen.

Mit SQL können Sie hochwertige Kunden, aktive Konten, ruhende Konten, Prime-Transaktionsmuster und Regionen mit starker Bankaktivität identifizieren.

Dieses Projekt hilft Ihnen beim Üben Gemeinsame Tabellenausdrücke (CTEs), schließt sich an, Aggregationen, Fensterfunktionen, Rang, DatumsfunktionenUnd Segmentierungslogik. Es ist ein starkes Portfolioprojekt für alle, die sich für Rollen in den Bereichen Banking, Fintech, Finanzanalyse oder Buyer Intelligence interessieren.

Projektlink

# 5. Analyse von Gesundheitsdaten mit SQL

Die Analyse von Gesundheitsdaten ist ein starkes SQL-Portfolioprojekt, da sie zeigt, dass Sie mit aussagekräftigen, realitätsnahen Daten arbeiten können. In diesem Projekt analysieren Sie mit SQL Patientenakten, Erkrankungen, Krankenhäuser, Versicherer, Aufnahmearten und Abrechnungsbeträge.

Sie können beispielsweise Fragen untersuchen, welche Erkrankungen am häufigsten auftreten, welche Krankenhäuser die meisten Patienten behandeln, wie die Abrechnungsbeträge je nach Erkrankung variieren und wie sich die Aufnahmearten bei den einzelnen Patienten unterscheiden.

Dieses Projekt hilft Ihnen beim Üben Gruppierung, Filterung, schließt sich an, AggregatfunktionenUnd domänenspezifische Analyse. Um es für das Portfolio bereit zu machen, fügen Sie einen kurzen Abschnitt mit Einblicken oder ein Dashboard hinzu, das wichtige Leistungsindikatoren (KPIs), Kostenmuster, Krankenhausaktivitäten und Patientenaufnahmetrends im Gesundheitswesen abdeckt.

Projektlink

# Letzte Gedanken

Bei den besten SQL-Projekten geht es nicht nur um das Schreiben von Abfragen. Sie zeigen, dass Sie wie ein Datenanalyst denken können. Sie nehmen Rohdaten, stellen die richtigen Fragen, bereinigen und untersuchen die Daten und verwandeln Ihre Erkenntnisse in nützliche Erkenntnisse.

Diese fünf Projekte decken einige der wertvollsten Anwendungsfälle aus der Praxis ab: Kundenabwanderung, Knowledge Warehousing, Vertriebsanalyse, Bankensegmentierung und Gesundheitsanalysen.

Wenn Sie ein Datenportfolio aufbauen, beginnen Sie mit einem Projekt und schließen Sie es ordnungsgemäß ab. Schreiben Sie sauberes SQL, dokumentieren Sie Ihren Prozess, erläutern Sie Ihre Ergebnisse und fügen Sie einen kurzen Einblickabschnitt mit Empfehlungen hinzu. Ein kleines, intestine erklärtes Projekt wird immer wertvoller sein als ein großes Projekt ohne klare Geschichte.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

: Grenz-KI-Modelle laufen zunehmend Gefahr, strengen Exportkontrollen oder steigenden API-Kosten ausgesetzt zu sein.

Während diese Technologie in unser tägliches Leben Einzug hält, ist die Open-Supply-Bewegung nicht nur eine philosophische Präferenz, sondern ein notwendiger Mechanismus, um die KI in den Händen alltäglicher Benutzer zu halten. Wir sind noch nicht gleichberechtigt; Die proprietären Modelle aus den riesigen Technologielabors haben immer noch einen souveränen Vorsprung in Sachen reiner Leistung. Aber wir können hoffen, dass sich die Lücke schnell schließt. Eine unabhängige Gemeinschaft von Forschern und Entwicklern arbeitet rund um die Uhr daran, sicherzustellen, dass diese Technologie für jeden mit einem Pc zugänglich ist.

Heute ist die Grundlage für eine echte Demokratisierung bereits gelegt: Sie können ein leistungsstarkes Modell vollständig auf Ihrem eigenen Laptop computer ausführen. Für das heutige Experiment habe ich mir vorgenommen, ein großes Sprachmodell zu finden, das vollständig auf meinem Laptop computer ausgeführt werden kann – und es für die einfachen Aufgaben zu verwenden, die ich normalerweise einem großen Labormodell überlassen würde.

Wir installieren Qwen 3 8B auf meinem MacBook Air, führe es vollständig offline aus und habe endlich ein Sprachmodell, das auf meinem eigenen Pc statt in einem entfernten Rechenzentrum läuft. Der Qwen Die Modellfamilie wurde von Alibaba (dem chinesischen Unternehmen) geschult und ist vollständig Open Supply und im Web für jedermann zum Herunterladen verfügbar. Das Modell verfügt über 9 Milliarden Gewichte und belegt im geladenen Zustand etwa 6 GB Ihres RAM.
Was nun folgt, ist eine praktische, umfassende Anleitung zum Ausführen eines ordnungsgemäßen lokalen LLM auf einem Apple Silicon Mac und enthält die Terminalbefehle, die Sie benötigen. Doch bevor wir das Terminal öffnen, müssen wir darüber sprechen, warum sich das überhaupt lohnt.

---

Warum das tun?

Meistens sind Cloud-Modelle besser und einfacher. Ich behaupte nicht, dass ein 8-Milliarden-Parameter-Modell auf einem Laptop computer die Spitzen-KI übertrifft. Das ist nicht der Fall und ich werde weiterhin die Large-Cloud-Modelle für schwere Lasten verwenden.

Aber die ständigen Preis- und Souveränitätskriege rund um KI könnten Open-Supply- und lokale Modelle für eine Zukunft, in der der Zugang zu der Technologie einen großen Unterschied machen wird, sehr related machen. Jedes Mal, wenn Sie Claude oder ChatGPT verwenden, senden Sie Ihre Daten an einige Distant-Server, wo der Zugriff jederzeit blockiert werden kann.

„Digitale Souveränität„ist ein großartiger Ausdruck für einen ganz gewöhnlichen Wunsch: Vielleicht möchten wir das Ding besitzen, das unsere empfindlichsten Gedanken liest, genauso wie Sie ein physisches Notizbuch besitzen oder etwas Bargeld zu Hause aufbewahren.

Ein lokales Modell beantwortet dies in der KI-Welt sauber. Sobald es heruntergeladen ist, verlässt nichts die Maschine. Keine API-Schlüssel, keine wechselnden Nutzungsbedingungen, keine stillschweigenden Richtlinien zur Datenaufbewahrung. Sie können die WLAN-Karte herausziehen und sie funktioniert weiter. Für den hochsensiblen Teil Ihrer Arbeit kann allein das den Eintrittspreis wert sein.

Die Leute sagen gerne, dass lokale Fashions „demokratisierend„KI. Ich möchte, dass das wahr ist, aber wir sind noch nicht am Ziel. Das Ausführen dieses Stacks setzt immer noch voraus, dass Sie einen 1.500-Euro-Laptop computer mit riesigem einheitlichem Speicher besitzen und sich mit einer Befehlszeile auskennen. Das ist ein schmaler, glücklicher Ausschnitt der Welt.“

Aber die Flugbahn ist demokratisierend. Vor zwei Jahren erforderte der Betrieb eines anständigen Offline-Modells eine dedizierte Workstation und erhebliche technische Probleme. Dieses Wochenende habe ich ein paar Stunden und 5 Gigabyte Festplattenspeicher gebraucht.

Additionally lasst uns das Ding installieren.

---

Die Maschine und die Spezifikationen

Ich habe das auf einem gebaut MacBook Air M4 mit 24 GB einheitlicher Speicher und etwa 235 GB freier Speicherplatz. Das battle ein Neuanfang: kein Homebrew, keine Albträume in der Python-Umgebung.

Die Zahl, die hier wirklich zählt, ist die 24 GB. Der „Unified Reminiscence“ von Apple Silicon ist der Zaubertrick, der Macs dabei so außergewöhnlich intestine macht. Da sich CPU und GPU genau den gleichen Speicherpool teilen, müssen große neuronale Netzwerkgewichte nicht mühsam hin- und hergeschoben werden.

Ein 8B-Modell belegt etwa 5 GB auf der Festplatte und verfügt im geladenen Zustand über etwa 6 GB Speicher. Auf einer 24-GB-Maschine ist das äußerst komfortabel. Sie könnten ein 14B-Modell verwenden und trotzdem Dutzende Browser-Registerkarten geöffnet lassen. (Wenn Sie einen 8-GB-Mac verwenden, bleiben Sie bei den 1,5B- oder 3B-Modellen und schließen Sie Ihre anderen Apps.)

---

Warum Ollama?

Es gibt ein Dutzend Möglichkeiten, lokale KI auszuführen, und die meisten erfordern, dass Sie sich um Compiler-Flags und Abhängigkeitsbäume kümmern. Das solltest du nicht müssen.

Ollama ist ein Open-Supply-Framework und -Device, das einfach funktioniert. Es handelt sich um eine einzelne Binärdatei, die einen hochoptimierten Modellläufer bündelt (llama.cpp unter Verwendung von Apples Steel zur GPU-Beschleunigung), einer Modellregistrierung im Docker-Stil und einer lokalen HTTP-API. Sie installieren es, ziehen ein Modell und sprechen mit ihm. Das ist es!

---

Schritt 1: Ollama installieren (kein Homebrew erforderlich)

Ollama wird als Customary-MacOS-App in einer ZIP-Datei geliefert. Die Befehlszeilenschnittstelle (CLI) befindet sich verborgen im App-Bundle, sodass wir sie vollständig von Hand einrichten können.

# Obtain the Apple Silicon construct
cd ~/Downloads
curl -L -o Ollama-darwin.zip https://ollama.com/obtain/Ollama-darwin.zip
# Unzip and transfer the app into your Functions folder
unzip -o -q Ollama-darwin.zip
mv Ollama.app /Functions/

Wenn Sie nicht wissen, wie Sie das Terminal öffnen, gehen Sie einfach zu Ihren Mac-Anwendungen und suchen Sie nach „Terminal“:

Schritt 2: Setzen Sie Ollama auf Ihren WEG

Ich wollte nicht mit ihm kämpfen sudo Berechtigungen in /usr/native/binadditionally habe ich die gebündelte CLI mit einem lokalen Verzeichnis, das ich besitze, symbolisch verknüpft – dies ist nur eine praktische Verknüpfung, um die Set up zu beschleunigen und das LLM hochzufahren.

# Create a neighborhood bin listing and symlink the CLI
mkdir -p ~/.native/bin
ln -sf /Functions/Ollama.app/Contents/Assets/ollama ~/.native/bin/ollama

# Make it everlasting in your zsh profile
echo 'export PATH="$HOME/.native/bin:$PATH"' >> ~/.zshrc
# Apply it to your present shell
export PATH="$HOME/.native/bin:$PATH"
ollama --version

Schritt 3: Starten Sie den Server

Ollama führt einen schlanken Hintergrundserver aus, um die API verfügbar zu machen und den Speicher Ihres Computer systems zu verwalten.

# Begin the server and log output
mkdir -p ~/.ollama/logs
nohup ollama serve > ~/.ollama/logs/serve.log 2>&1 &

# Ping it to verify if it is alive
curl -s http://127.0.0.1:11434/api/model

Wenn der obige Befehl eine „Model“ zurückgibt, ist Ollama eingerichtet!

Hinweis: Sie können auch einfach auf die Ollama-App in Ihrem Anwendungsordner doppelklicken, um diesen Server über Ihre Menüleiste auszuführen. Ich habe es über das Terminal gemacht, um genau zu sehen, was unter der Haube passiert.

---

Schritt 4: Ziehen Sie das Modell

Nun, das hier ist so einfach wie es nur geht:

ollama pull qwen3:8b     
ollama record

Geh und mach einen Kaffee. Der Obtain ist ca. 5,2 GB groß.

Nachdem Sie ollama record ausgeführt haben, sehen Sie das für Sie verfügbare Modell:

---

Schritt 5: Sprechen Sie mit dem neuen digitalen Gehirn in Ihrem Pc

Sie haben drei verschiedene Möglichkeiten, mit Ihrem neuen lokalen Modell zu interagieren.

1. Interaktiver Chat (am einfachsten)

ollama run qwen3:8b

Durch Ausführen des folgenden Befehls wird der interaktive Chat gestartet:

Im Standardmodus gibt das Modell die „Denk-Tokens“ aus, etwas, das in den meisten kommerziellen Instruments normalerweise abstrahiert und verborgen ist.

Ich werde damit beginnen, mein lokales Modell zu fragen, was es über Open-Supply-Modelle denkt:

Der hellgraue Textual content stellt den internen Argumentationsprozess des Modells dar. Diese Modelle führen umfangreiche Berechnungen durch, bevor sie eine Antwort generieren, und bei lokalen Modellen macht diese Denkphase einen erheblichen Teil der Gesamtzeit aus, bis das Modell eine Antwort ausgibt.

Nach dem Denkprozess ist hier die Antwort des Modells:

Bei den meisten Instruments behalten diese Modelle auch einen gewissen Kontext aus früheren Interaktionen bei:

Da ich mich im Batteriesparmodus befinde, gibt das Modell 5,7 Token professional Sekunde aus. Wenn ich es ablehne, werden wir wahrscheinlich einen Wert von 15–20 Token professional Sekunde sehen.

---

2. One-Shot-Terminalbefehle
Um mit Ihrem lokalen Modell zu interagieren, können Sie die Frage auch außerhalb des interaktiven Modus stellen:

ollama run qwen3:8b "write a python script that tells me what number of vowels a phrase has"

Hier ist das Skript, das unser lokales großes Sprachmodell erstellt hat:

```python
# Immediate the person for a phrase
phrase = enter("Enter a phrase: ")

# Outline the set of vowels
vowels = {'a', 'e', 'i', 'o', 'u'}

# Initialize a counter
rely = 0

# Convert the phrase to lowercase and verify every character
for char in phrase.decrease():
    if char in vowels:
        rely += 1

# Output the end result
print(f"Variety of vowels: {rely}")

---

3. Die HTTP-API (für Skripte und Apps)

Können Sie dies nur innerhalb der Terminalbefehle verwenden?

Natürlich nicht! Wenn Sie mit Python vertraut sind, können Sie jedes lokale Skript mit Ihrem lokalen Modell erstellen:

import json, urllib.request

req = urllib.request.Request(
    "http://127.0.0.1:11434/api/generate",
    knowledge=json.dumps({
        "mannequin": "qwen3:8b",
        "immediate": "Give me three makes use of for a neighborhood LLM.",
        "stream": False,
        "assume": False,
    }).encode(),
    headers={"Content material-Kind": "software/json"},
)
print(json.hundreds(urllib.request.urlopen(req).learn())("response"))

Hier ist die Antwort des Modells nach der Ausführung dieses Python-Skripts:

Positive! Listed below are three widespread and sensible makes use of for a **native LLM (Massive Language Mannequin)**:

1. **Personalised Help and Productiveness**
An area LLM can act as a personal AI assistant, serving to with duties like e-mail drafting, scheduling, note-taking, and even coding. Because it runs regionally, it maintains person privateness and does not depend on web connectivity.

2. **Content material Creation and Language Processing**
You should utilize a neighborhood LLM to generate artistic content material resembling weblog posts, tales, scripts, or advertising copy. It could possibly additionally help with language translation, grammar checking, and summarizing textual content.

3. **Customized Functions and Integration**
An area LLM could be built-in into customized functions or workflows, resembling chatbots, buyer assist techniques, or knowledge evaluation instruments. This enables for tailor-made options with out exposing delicate knowledge to exterior servers.

Let me know if you would like examples of the right way to implement these makes use of!

Cool! Sie können jetzt ganz einfach Ihre eigenen Anwendungen mit Ihrem eigenen lokalen Modell erstellen.

---

Feinabstimmung der Erfahrung – Zähmung der „Denk“-Token

Qwen 3 ist ein hybrides Argumentationsmodell. Standardmäßig wird eine ausführliche Meldung generiert <assume>...</assume> Block skizziert seinen Gedankengang, bevor er die eigentliche Antwort gibt. Manchmal möchten Sie die Mathematik sehen, aber meistens möchten Sie einfach nur schnell eine Antwort erhalten (und etwas Zeit sparen, indem Sie auf die Ausgabe-Tokens des Denkprozesses warten).

So umgehen Sie den Argumentationsdurchgang:

• Deaktivieren Sie es vollständig: ollama run qwen3:8b --think=false
• Führen Sie es aus, aber verstecken Sie es auf der Benutzeroberfläche: ollama run qwen3:8b --hidethinking
• In Skripten: Passieren "assume": false in Ihrer JSON-Nutzlast.

---

Eine Warnung zur Websuche

Modelle sind bis zu ihren Trainingsdaten statisch. Das bedeutet, dass sie nach der Schulung nicht mehr auf Daten zugreifen können und Unternehmen sich auf Websuchtools verlassen, um die Leistungsfähigkeit der Modelle zu erweitern. Zum Beispiel für unser lokales Modell:

Mit Ollama können Sie dem Modell jedoch ein Websuchtool zur Verfügung stellen. Das klingt unglaublich, aber es gibt einen Haken.

Die Suche selbst wird auf dem gehosteten Cloud-Dienst von Ollama ausgeführt. Sobald Sie es aktivieren, werden Ihre Eingabeaufforderungen über das Web gesendet, um Suchergebnisse abzurufen. Das Modell bleibt lokal, Ihre Abfragen jedoch nicht. Dies verstößt möglicherweise gegen den Grundsatz der Privatsphäre, den Sie mit der Einrichtung gewährleisten möchten.

---

Bonus: VS-Code-Integration

Das ultimative Endspiel für mich battle die Anschaffung eines Offline-Codierungsassistenten. Der sauberste und völlig freie Weg hierfür ist der Proceed.dev Verlängerung.

• Installieren Sie VS Code und die Proceed-Erweiterung.
• Öffnen Sie die Konfigurationsdatei von Proceed unter ~/.proceed/config.yaml.
• Richten Sie es auf Ihren lokalen Ollama-Server:

identify: Native Assistant
model: 1.0.0
fashions:
  - identify: Qwen3 8B (native)
    supplier: ollama
    mannequin: qwen3:8b
    roles:
      - chat
      - edit
      - apply
  - identify: Qwen3 8B Autocomplete
    supplier: ollama
    mannequin: qwen3:8b
    roles:
      - autocomplete

Profi-Tipp: Ein 8B-Modell ist etwas zu schwer für die Latenz von Sekundenbruchteilen, die Sie für die automatische Vervollständigung von Inline-Code wünschen. Ich empfehle dringend, speziell für diese Aufgabe ein kleineres Modell zu verwenden (ollama pull qwen2.5-coder:1.5b-base), ordnet es dem zu autocomplete Rolle und überlassen Qwen3 8B die schwerere Rolle chat Aufgaben.

---

Was ist, wenn ich einen Home windows-Pc habe?

Da ich für dieses Tutorial kein Home windows verwende, habe ich es nicht ausführlich ausprobiert. Die gute Nachricht ist jedoch, dass das Ollama-Paket für Home windows-Pc verfügbar ist Hier.

Der Installationsprozess unterscheidet sich möglicherweise etwas, aber die Logik hinter der Verwendung von Ollama und dem Ziehen der Modelle ist genau dieselbe.

---

Wohin mich das führt

Mein Gesamtspeicherplatz für dieses Projekt betrug 156 MB für die Software program und 5,2 GB für das Modell selbst.

Ich habe jetzt ein hochleistungsfähiges Sprachmodell, das dauerhaft auf meiner Festplatte gespeichert ist. Für öffentliche, komplexe Arbeiten werde ich weiterhin zur Cloud greifen. Aber für die Entwürfe, die ich nicht in die Trainingsdaten, die Offline-Flüge und die rechtlich gebundenen Kundendokumente einfließen lassen möchte? Diese Informationen befinden sich jetzt auf meinem Pc.

Für die meisten Menschen magazine das immer noch etwas zu technisch sein, aber die Dinge werden immer demokratisierter. Dabei kommt es nicht nur auf die Verfügbarkeit an. Was die Leistung betrifft, verbessern sich Open-Supply-Modelle rasant und liefern Ergebnisse, die die Zukunft der lokalen KI unglaublich vielversprechend erscheinen lassen. Zum Beispiel, GLM 5.2 Und Qwen 3,7 Max holen mit der Leistung der großen Labormodelle auf:

Da die technischen Anforderungen immer weiter sinken, wird „der Besitz einer eigenen KI“ kein Luxus mehr sein, der Entwicklern mit teuren Laptops vorbehalten ist. Das ist die Model der KI-Demokratisierung, an die ich tatsächlich glaube.

Geben Sie Ihrem Laptop computer dieses Wochenende ein neues Gehirn und es lebe Open Supply!

Projekte sind die Brücke zwischen Lernen und Beruf. Während die Theorie Grundlagen vermittelt, legen Personalvermittler Wert auf Kandidaten, die echte Probleme lösen können. Ein starkes, vielfältiges Portfolio zeigt praktische Fähigkeiten, technische Bandbreite und Problemlösungsfähigkeiten.

Dieser Leitfaden stellt zusammen Über 20 gelöste Projekte in allen ML-Domänen, von grundlegender Regression und Prognose bis hin zu NLP und Laptop Imaginative and prescient. Die für ihre Erstellung verwendeten Instruments und Bibliotheken wurden ebenfalls bereitgestellt, um bei der Auswahl des richtigen Projekts zu helfen.

Section 1: Regression und Prognose

Beherrschen Sie die Kunst, kontinuierliche Werte vorherzusagen und das „Warum“ hinter numerischen Datentrends zu verstehen.

1. Amazon-Umsatzprognose

Projektidee: Spiegeln Sie die Nachfrageplanung von Einzelhandelsriesen wider. Nutzen Sie historische Amazon-Verkaufsdaten, um eine Zeitreihenanalyse durchzuführen. In diesem Projekt lernen Sie, Saisonalität, Feiertage und Markttrends zu berücksichtigen, um den zukünftigen Lagerbedarf genau vorherzusagen.

2. Preisprognose für Elektrofahrzeuge (EV).

Projektidee: Analysieren Sie den boomenden EV-Markt. Der Schwerpunkt dieses Projekts liegt auf der Verwendung von Regressionstechniken zur Schätzung des Fahrzeugwerts basierend auf Batteriereichweite, Ladegeschwindigkeiten und Herstellermerkmalen.

• Instruments und Bibliotheken: Python, lineare Regression, Scikit-learn, Numpy.
• Quellcode: EV-Preisvorhersage

3. Vorhersage des Siegs des IPL-Groups

Projektidee: Kombinieren Sie Sportanalysen mit prädiktiver Modellierung, indem Sie eine Engine entwickeln, die IPL-Spielergebnisse vorhersagt. Dieses Projekt führt Sie durch eine komplette ML-Pipeline – von der Bereinigung historischer Spieldaten und der Handhabung von Teamnamensänderungen bis hin zum Coaching eines hochpräzisen Klassifikators, der Wurfentscheidungen und Spielortstatistiken berücksichtigt.

Bonus: Die Lösung dieses Issues mit klassischem maschinellen Lernen im Jahr 2026 ist nicht intestine genug. Mithilfe von KI-Agenten wurden bessere Methoden entwickelt, die wesentlich genauere Vorhersagen ermöglichen: KI-Agent-Cricket-Vorhersage

4. Immobilienpreisvorhersage

Projektidee: Prognostizieren Sie Immobilienmarktwerte mithilfe des berühmten Ames Housing-Datensatzes. Dieses Projekt eignet sich hervorragend zum Üben von fortgeschrittenem Function-Engineering sowie zum Umgang mit Ausreißern und fehlenden Daten.

Section 2: Klassifizierung und Entscheidungsfindung

Übergang von „wie viel“ zu „welches“ durch Beherrschung binärer und Mehrklassen-Klassifizierungsalgorithmen.

5. E-Mail-Spam-Erkennung

Projektidee: Implementieren Sie einen robusten Filter, um Spam zu identifizieren und zu blockieren. Dieses Projekt geht durch den Naive Bayes-Algorithmus, ein grundlegendes Werkzeug zur Textklassifizierung und wahrscheinlichkeitsbasierten Filterung.

• Instruments und Bibliotheken: Python, Scikit-learn, CountVectorizer, Naive Bayes.
• Quellcode: E-Mail-Spam-Erkennung

6. Vorhersage der Mitarbeiterabwanderung

Projektidee: Nutzen Sie HR-Analysen, um kritische Geschäftsprobleme zu lösen. Erstellen Sie ein Modell, das Mitarbeiter identifiziert, bei denen das Risiko einer Kündigung besteht, basierend auf Umgebungsfaktoren, Beschäftigungsverhältnissen und Leistungsdaten.

7. Vorhersage der Schwere von Verkehrsunfällen

Projektidee: Wenden Sie ML auf Daten zur öffentlichen Sicherheit an. Erstellen Sie eine Lösung, um die Schwere von Verkehrsunfällen basierend auf Umweltfaktoren wie Wetter, Beleuchtung und Straßenbedingungen vorherzusagen.

8. Erkennung von Kreditkartenbetrug

Projektidee: Sichern Sie Finanzökosysteme, indem Sie betrügerische Transaktionen in Echtzeit identifizieren. Dieses Projekt geht das Drawback der „Nadel im Heuhaufen“ an: Betrug macht weniger als 0,1 % der Daten aus. Sie gehen über die einfache Klassifizierung hinaus und implementieren Algorithmen zur Anomalieerkennung.

Section 3: Verarbeitung natürlicher Sprache (NLP)

Bringen Sie Maschinen bei, menschliche Sprache und Sprachauslöser zu verstehen, zu interpretieren und zu verarbeiten.

9. „OK Google“ NLP-Implementierung

Projektidee: Lernen Sie die Mechanismen hinter sprachaktivierten Systemen kennen. Dieses Projekt demonstriert die Implementierung von Speech-to-Textual content-Funktionen mit Schwerpunkt auf Audio-Key phrase-Triggern in Echtzeit und Deep Studying.

10. Quora-Identifizierung doppelter Fragen

Projektidee: Lösen Sie ein klassisches semantisches Drawback. Erstellen Sie ein Modell, das bestimmt, ob zwei Fragen in einem Discussion board semantisch identisch sind, und trägt so dazu bei, die Redundanz von Inhalten zu reduzieren und die Benutzererfahrung zu verbessern.

11. Themenmodellierung (mit LDA)

Projektidee: Identifizieren und extrahieren Sie abstrakte Themen aus einer langen Liste von Dokumenten. Dieses Projekt lehrt das effiziente Abrufen und Speichern von Daten sowie die Verwendung von LDA zum Finden von Ähnlichkeiten im Datensatz.

12. Namensbasierte Geschlechtsidentifikation

Projektidee: Erkunden Sie die Grundlagen der Textklassifizierung, indem Sie ein Modell trainieren, um das Geschlecht anhand von Vornamen vorherzusagen. Dieses Projekt stellt NLP-Vorverarbeitungs- und Klassifizierungspipelines vor.

Section 4: Empfehlungssysteme

Bauen Sie die Motoren auf, die das Engagement auf den weltweit größten Content material- und E-Commerce-Plattformen fördern.

13. Sensible Film Recommender

Projektidee: Implementieren Sie kollaborative Filterung, um ein personalisiertes Unterhaltungsvorschlagssystem aufzubauen. Dieses Projekt befasst sich mit den Algorithmen, die zur Vorhersage von Benutzerpräferenzen basierend auf Group-Bewertungen verwendet werden.

14. Spotify Music Advice Engine

Projektidee: Schlagen Sie Titel basierend auf Audiomerkmalen wie Tempo, Tanzbarkeit und Energie vor. Dieses Projekt nutzt Clustering (unüberwachtes Lernen), um „stimmungsähnliche“ Songs für die Playlist eines Benutzers zu finden.

15. Kursempfehlungssystem

Projektidee: Bauen Sie ein System ähnlich wie Coursera oder Udemy auf. Verwenden Sie Python, um eine Engine zu entwickeln, die On-line-Kurse basierend auf dem bisherigen Lernverlauf und den angegebenen Interessen eines Benutzers vorschlägt.

Section 5: Erweiterte Imaginative and prescient und Analyse

Meistern Sie hochwertige Projekte mit Deep Studying, Laptop Imaginative and prescient und komplexer Datenvisualisierung.

16. Google Fotos-Bildabgleich

Projektidee: Erfahren Sie, wie Sie Vektoreinbettungen für die visuelle Suche verwenden. Dieses Projekt verwendet Einbettungen, um visuell ähnliche Bilder innerhalb eines großen Datensatzes zu identifizieren und abzugleichen, und spiegelt dabei die Gruppierungsfunktionen von Google Fotos wider.

17. Open-Supply-Emblem-Detektor

Projektidee: Erstellen Sie ein Laptop-Imaginative and prescient-Modell, das Unternehmenslogos in verschiedenen Umgebungen identifiziert und lokalisiert. Perfekt zum Erlernen von Objekterkennung (YOLO) und Markenüberwachung.

18. Handschriftliche Ziffernerkennung (MNIST)

Projektidee: Die „Hallo Welt“ der Laptop Imaginative and prescient. Bauen Sie ein Convolutional Neural Community (CNN) auf, das mithilfe von Deep Studying handgeschriebene Ziffern mit hoher Genauigkeit identifizieren kann.

19. WhatsApp-Chat-Analyse

Projektidee: Führen Sie eine Finish-to-Finish-Datenanalyse zur persönlichen Kommunikation durch. Extrahieren und visualisieren Sie Chatprotokolle, um Einblicke in Nachrichtenmuster, Benutzeraktivitäten und Stimmungstrends zu erhalten.

20. Kundensegmentierung (Okay-Means)

Projektidee: Helfen Sie Unternehmen, ihre Zielgruppe zu verstehen. Nutzen Sie unüberwachtes Lernen, um Kunden anhand des Kaufverhaltens und der Altersdemografie für gezieltes Advertising and marketing zu gruppieren.

21. Analyse der Aktienkursbewegung

Projektidee: Verwenden Sie Deep Studying, um Zeitreihendaten zu analysieren. Dieses Projekt verwendet LSTMs, um die Bewegung von Aktienkursen auf der Grundlage historischer Abschlussdaten vorherzusagen.

Ihr Weg zur Meisterschaft

Der Aufbau einer Karriere im maschinellen Lernen ist ein Marathonkein Dash. Diese Zusammenfassung von 21 Projekten deckt das gesamte Spektrum ab: von klassische Regression Und Tiefes Lernen Zu NLP. Indem Sie diese gelösten Beispiele durcharbeiten, lernen Sie, das gesamte Ökosystem des maschinellen Lernens zu nutzen.

Der wichtigste Schritt ist, anzufangen. Wählen Sie ein Projekt aus, das Ihren aktuellen Interessen entspricht, und dokumentieren Sie Ihren Prozess GitHubund teilen Sie Ihre Ergebnisse. Jedes Projekt, das Sie abschließen, verleiht Ihrem beruflichen Profil eine erhebliche Glaubwürdigkeit. Viel Erfolg beim Bauen!

Mehr lesen: Über 20 gelöste KI-Projekte zur Erweiterung Ihres Portfolios

Häufig gestellte Fragen

Projekte sind die Brücke zwischen Lernen und Beruf. Während die Theorie Grundlagen vermittelt, legen Personalvermittler Wert auf Kandidaten, die echte Probleme lösen können. Ein starkes, vielfältiges Portfolio zeigt praktische Fähigkeiten, technische Bandbreite und Problemlösungsfähigkeiten.

Dieser Leitfaden stellt zusammen über 20 gelöste Projekte über alle KI-Domänen hinweg, von Primary maschinelles Lernen bis fortgeschritten generative KI Und Agentensysteme. Die für ihre Erstellung verwendeten Instruments und Bibliotheken wurden ebenfalls erwähnt, um bei der Auswahl des richtigen Projekts zu helfen.

Part 1: Generative KI und autonome Agenten

Zeigen Sie Personalvermittlern, dass Sie „Agenten“-Systeme erstellen können, die über einfache Chat-Schnittstellen hinausgehen.

1. IPL Crew Win Predictor (Agentic)

Projektidee: Kombinieren Sie sportliche Leidenschaft mit KI, indem Sie eine Vorhersage-Engine für IPL-Cricket-Spiele entwickeln. In diesem Projekt lernen Sie, wie Sie mit Echtzeit-Spielstatistiken umgehen und KI-Agenten verwenden, um Spielergebnisse vorherzusagen. Ein perfektes Projekt, um Leidenschaft mit Praktikabilität zu verbinden.

Instruments und Bibliotheken: Python, CrewAI, LangChain, BeautifulSoup.
Quellcode: KI-Agent-Cricket-Vorhersage

2. Intelligenter KI-Sprachassistent

Projektidee: Gehen Sie über textbasierte Schnittstellen hinaus, indem Sie Vapi AI integrieren, um einen Echtzeit-Sprachassistenten zu erstellen. Dieses Projekt deckt die wesentlichen Komponenten moderner Sprach-KI ab, einschließlich Speech-to-Textual content (STT), LLM-Verarbeitung und natürlich klingende Textual content-to-Speech (TTS).

Instruments und Bibliotheken: Vapi AI, Deepgram (STT), Play.ht (TTS), Python.
Quellcode: Intelligenter KI-Sprachassistent

3. Autonome KI-Agenten (MaxClaw)

Projektidee: Entdecken Sie die innovativen autonomen Arbeitsabläufe. Dieses Projekt nutzt das MaxClaw-Framework, um KI-Agenten zu entwickeln, die in der Lage sind, cloudbasierte Aufgaben und komplexe Automatisierung ohne menschliches Eingreifen zu verwalten.

Instruments und Bibliotheken: MaxClaw, Python, Cloud-APIs.
Quellcode: MaxClaw Cloud AI Agent

4. YouTube Summarizer Agent

Projektidee: Dieses Projekt nutzt Große Sprachmodelle (LLMs) um den Konsum von Inhalten zu automatisieren. Sie erstellen einen KI-Agenten, der in der Lage ist, Transkripte aus YouTube-Movies zu extrahieren und prägnante, strukturierte Zusammenfassungen zu erstellen, wodurch Benutzern stundenlange manuelle Betrachtung erspart bleibt.

Instruments und Bibliotheken: Python, OpenAI-API, LangChainYouTube-Transkript-API.
Quellcode: YouTube-Zusammenfassungsagent

5. Agent für KI-Studienplaner

Projektidee: Personalisieren Sie Bildung, indem Sie einen Agenten-Workflow erstellen, der ein bestimmtes Thema oder Lernziel als Eingabe verwendet. Der Agent nutzt KI-Argumentation, um komplexe Themen in einen strukturierten, umsetzbaren täglichen Lernplan aufzuschlüsseln.

Instruments und Bibliotheken: Phidata, Groq, FastAPI, Python.
Quellcode: Aufbau eines Studienplaner-Agenten

Part 2: Verarbeitung natürlicher Sprache (NLP)

Beherrschung der Textähnlichkeit, Klassifizierung und Umsetzung von Sprache in Textual content.

6. „OK Google“ NLP-Implementierung

Projektidee: Lernen Sie die Mechanismen hinter Sprachauslösern kennen. Dieses Projekt demonstriert, wie man Speech-to-Textual content-Funktionen im „OK Google“-Stil mithilfe von Deep Studying in Python implementiert, wobei der Schwerpunkt auf der Echtzeit-Audioverarbeitung liegt.

Instruments und Bibliotheken: Python, PyAudio, Spracherkennung, Deep Studying.
Quellcode: OK Google Speech-to-Textual content

7. E-Mail-Spam-Erkennung

Projektidee: Erstellen Sie einen robusten Filter, um Spam-Nachrichten zu identifizieren und zu blockieren. Dieser Leitfaden führt Sie durch die Implementierung des Naive-Bayes-Algorithmus, einem Grundbestandteil der Textklassifizierung und wahrscheinlichkeitsbasierten Filterung.

Instruments und Bibliotheken: Python, Scikit-learn, CountVectorizer, Naive Bayes.
Quellcode: E-Mail-Spam-Erkennung

8. Quora-Identifizierung doppelter Fragen

Projektidee: Lösen Sie ein klassisches NLP-Drawback, indem Sie ein Modell erstellen, das bestimmt, ob zwei Fragen semantisch identisch sind. Dieses Projekt eignet sich hervorragend zum Erlernen von Textähnlichkeit, Function-Engineering und binärer Klassifizierung.

Instruments und Bibliotheken: Python, Pandas, MatPlotLib, Sklearn.
Quellcode: Identifizierung doppelter Quora-Fragen

9. Namensbasierte Geschlechtsidentifikation

Projektidee: Erkunden Sie die Grundlagen der Textklassifizierung, indem Sie ein Modell trainieren, um das Geschlecht anhand von Vornamen vorherzusagen. Dieses Projekt führt Sie in die NLP-Vorverarbeitung und den Aufbau von Klassifizierungspipelines mit Python ein.

Instruments und Bibliotheken: Python, NLTK, Scikit-learn, Pandas.
Quellcode: Namensbasierte Geschlechtsidentifikation

10. Stimmungsanalyse mit NLP

Projektidee: Klassifizieren Sie Textual content als positiv, negativ oder impartial. Bei diesem Projekt handelt es sich um eine grundlegende NLP-Übung, die Ihnen den Umgang mit Textanalysen beibringt, um die Kundenzufriedenheit und die öffentliche Meinung zu verstehen.

Instruments und Bibliotheken: Python, TextBlob, SpaCy, Matplotlib.
Quellcode: Stimmungsklassifizierung mit NLP

Part 3: Maschinelles Lernen und prädiktive Analysen

Klassische ML-Projekte, die zeigen, dass Sie Regression und Prognose verstehen.

11. Amazon-Umsatzprognose

Projektidee: Meistern Sie prädiktive Analysen mithilfe historischer Amazon-Verkaufsdaten. Dieser Leitfaden führt Sie durch die Verwendung von Python zur Durchführung von Zeitreihenanalysen und zum Erstellen von Modellen, die die zukünftige Nachfrage vorhersagen – eine entscheidende Fähigkeit für die Optimierung von E-Commerce und Lieferkette.

Instruments und Bibliotheken: Python, ARIMA/Prophet, Pandas, Statistikmodelle.
Quellcode: Amazon-Verkaufsdatenprognose

12. Laptop computer-Preisvorhersage

Projektidee: Gewinnen Sie ein praktisches Verständnis des Projektlebenszyklus für maschinelles Lernen. Sie erstellen ein Regressionsmodell, das den Preis eines Laptops anhand seiner Hardwarespezifikationen wie RAM, GPU und Prozessorgeschwindigkeit vorhersagt.

Instruments und Bibliotheken: Python, Random Forest, Seaborn, Scikit-learn.
Quellcode: Laptop computer-Preisvorhersage

13. Preisprognose für Elektrofahrzeuge (EV).

Projektidee: Analysieren Sie den boomenden Elektrofahrzeugmarkt, indem Sie ein Preisvorhersagemodell erstellen. Dieses Projekt konzentriert sich auf Datenanalyse- und Regressionstechniken, um den Wert von Elektrofahrzeugen basierend auf Batteriereichweite und -funktionen abzuschätzen

Instruments und Bibliotheken: Python, lineare Regression, Scikit-learn, Numpy.
Quellcode: EV-Preisvorhersage

14. Vorhersage der Mitarbeiterabwanderung

Projektidee: Nutzen Sie HR-Analysen, um Unternehmen bei der Bindung von Talenten zu unterstützen. Dieser Leitfaden zeigt Ihnen, wie Sie ein Modell erstellen, das Mitarbeiter identifiziert, bei denen das Risiko einer Kündigung besteht, basierend auf Faktoren der Arbeitsplatzumgebung und Leistungsdaten

Instruments und Bibliotheken: Python, Logistische Regression, Pandas, Matplotlib.
Quellcode: Leitfaden zur Vorhersage der Mitarbeiterabwanderung

15. Vorhersage der Schwere von Verkehrsunfällen

Projektidee: Wenden Sie maschinelles Lernen auf reale Sicherheitsdaten an. Bei diesem Projekt geht es um die Entwicklung einer Lösung zur Vorhersage der Schwere von Verkehrsunfällen auf der Grundlage von Umweltfaktoren wie Wetter und Straßenverhältnissen.

Instruments und Bibliotheken: Python, Entscheidungsbäume, Pandas, Scikit-learn.
Quellcode: Vorhersage der Schwere von Verkehrsunfällen

Part 4: Erweiterte Imaginative and prescient, Analyse und Empfehlung

Hochwertige Projekte mit Laptop Imaginative and prescient, Graphen und Empfehlungs-Engines.

16. Bildanpassung (Gemini-Einbettungen)

Projektidee: Erfahren Sie, wie Sie Vektoreinbettungen für Laptop Imaginative and prescient verwenden. Dieses Projekt nutzt Gemini-Einbettungen, um visuell ähnliche Bilder innerhalb eines großen Datensatzes zu identifizieren und abzugleichen, eine Schlüsseltechnologie in visuellen Suchmaschinen.

Instruments und Bibliotheken: Gemini-APIPinecone/ChromaDB, Python, Pillow.
Quellcode: Bildanpassungsprojekt

17. Betrugserkennung (GNN & Neo4j)

Projektidee: Sichere Finanztransaktionen mithilfe fortschrittlicher KI. Dieses Projekt zeigt, wie man Graph Neural Networks (GNNs) und Neo4j verwendet, um verdächtige Muster zu identifizieren und Betrug in Transaktionsnetzwerken zu verhindern.

Instruments und Bibliotheken: Neo4j, PyTorch Geometrisch, Cypher Question Language, GNNs.
Quellcode: Betrugserkennungssystem

18. WhatsApp-Chat-Analyse

Projektidee: Führen Sie eine Finish-to-Finish-Datenanalyse für persönliche Kommunikationsdaten durch. Erfahren Sie, wie Sie WhatsApp-Chatprotokolle extrahieren, bereinigen und visualisieren, um Einblicke in Nachrichtenmuster, Benutzeraktivitäten und Stimmungstrends zu erhalten.

Instruments und Bibliotheken: Python, Regex, Plotly, Streamlit.
Quellcode: WhatsApp-Chat-Analyse

19. Open-Supply-Emblem-Detektor

Projektidee: Erstellen Sie ein Laptop-Imaginative and prescient-Modell, das Unternehmenslogos in verschiedenen Umgebungen identifizieren und lokalisieren kann. Dieses Projekt eignet sich perfekt zum Erlernen von Objekterkennungs- und Markenüberwachungsanwendungen

Instruments und Bibliotheken: Python, YOLO (You Solely Look As soon as), OpenCV, PyTorch.
Quellcode: Erstellen Sie Ihren eigenen Emblem-Detektor

20. Kursempfehlungssystem

Projektidee: Erstellen Sie eine Empfehlungsmaschine, die denen von Netflix oder Coursera ähnelt. Dieses Projekt verwendet Python, um ein System zu entwickeln, das Benutzern basierend auf ihrem bisherigen Lernverlauf und ihren Interessen On-line-Kurse vorschlägt.

Instruments und Bibliotheken: Python, Kosinusähnlichkeit, Pandas, Scikit-learn.
Quellcode: Kursempfehlungssystem

21. Good Film Recommender

Projektidee: Implementieren Sie kollaborative Filterung, um ein hochwertiges Filmempfehlungssystem aufzubauen. Dieses Projekt befasst sich mit den Datenstrukturen und Algorithmen, die zur Bereitstellung personalisierter Unterhaltungsvorschläge erforderlich sind.

Instruments und Bibliotheken: Python, Shock Library, Scikit-learn, Pandas.
Quellcode: Filmempfehlungssystem

Ihr Weg zur Meisterschaft

Der Aufbau einer Karriere in der KI ist ein Marathonkein Dash. Diese Zusammenfassung von 21 Projekten deckt das gesamte Spektrum ab: aus der Vorhersagekraft von klassisches maschinelles Lernen zu den autonomen Fähigkeiten von moderne KI-Agenten. Wenn Sie diese gelösten KI-Projektbeispiele durcharbeiten, kopieren Sie nicht nur Code; Sie lernen, Probleme zu formulieren, verschiedene Datensätze zu verarbeiten und intelligente Lösungen bereitzustellen.

Der wichtigste Schritt ist, anzufangen. Wählen Sie ein Projekt aus, das Ihren aktuellen Interessen entspricht, dokumentieren Sie Ihren Prozess und teilen Sie Ihre Ergebnisse mit der Group. Ob es ein ist einfacher Spamfilter oder ein komplexer GNN-Betrugsdetektor, jedes Projekt, das Sie abschließen, verleiht Ihrem beruflichen Profil eine erhebliche Glaubwürdigkeit. Viel Erfolg beim Bauen!

Mehr lesen: Über 25 Information Science- und KI-Projekte mit Quellcode

Häufig gestellte Fragen

Der Title Google battle schon immer ein Synonym für Technologie, und im Zeitalter der KI ist das nicht anders. Google battle mit einer Vielzahl von Produkten, die überraschenderweise nur wenige Menschen kennen, nonetheless und heimlich der Vorreiter der KI-Revolution. Natürlich waren die Showstopper wie Gemini und NotebookLM beliebt, aber ihre Fähigkeiten wurden von vielen noch nicht vollständig ausgeschöpft. Der Grad der Integration, den Google für diese (und andere) KI-Instruments in seinem gesamten Ökosystem ermöglicht hat, ist unübertroffen. Von Arbeitsabläufen bis hin zu Bildung verändert die KI von Google nach und nach unsere On-line-Gewohnheiten, und das ist diesen Instruments zu verdanken. Hier werden wir alle Vorteile erkunden, die diese KI-Instruments von Google völlig kostenlos bieten.

Beachten Sie, dass es sich bei diesen Instruments lediglich um Erweiterungen eines bestimmten Produkts handelt. Selbst dann stellen sie in der Praxis einen enormen Mehrwert dar. Stellen Sie additionally sicher, dass Sie sie alle erkunden, damit Sie nicht für eines der teuren KI-Instruments bezahlen müssen, die das Gleiche bieten.

Wenn es einen Bereich gibt, in dem Googles KI-Stärke sofort sichtbar wird, dann ist es die Mediengenerierung. Die Bildmodelle von Google, die von Imagen unterstützt werden und im Web liebevoll „Nano Banana“ genannt werden, gehören stillschweigend zu den besten in der Branche. Dennoch kratzen die meisten Benutzer kaum an der Oberfläche.

Grundsätzlich können Sie mit diesen Instruments aus einfachen Textaufforderungen hochwertige Bilder generieren. Ihr wahrer Wert liegt jedoch in der Raffinesse. Sie können Stil, Beleuchtung, Komposition und Stimmung mit überraschender Präzision ändern. Möchten Sie eine saubere Illustration für eine Präsentation? Erledigt. Benötigen Sie ein realistisches visuelles Modell für eine Idee, die Sie vorstellen? Einfach. Versuchen Sie, ein Konzept zu visualisieren, bevor Sie es entwickeln? Hier glänzt es.

Es versteht sich von selbst, dass diese Instruments für jeden, der im Content material-Bereich arbeitet, ein Segen sind. Die Aufgabe erfahrener Grafikdesigner ist jetzt in Sekundenschnelle erledigt. Du musst Probieren Sie diese Nano Banana-Eingabeaufforderungen aus für die Generierung eines Bildes und überzeugen Sie sich selbst.

Lesen Sie auch: Die 7 neuesten KI-Drops von Google machen Sie zu einem Kraftpaket bei der Arbeit

2. Veo für die Videogenerierung

Wenn Sie Veo noch nicht ausprobiert haben, tun Sie es JETZT! Dies ist dasselbe KI-Device, das alle viralen KI-Movies erstellt, die Sie heutzutage on-line sehen. Und wenn Sie kürzlich durch Ihren Instagram- oder Fb-Feed gescrollt haben, wissen Sie, dass Veo dies mit überraschender Präzision erledigt.

Mit Veo können Sie Ideen auf einen Blick in ein visuelles Konzept umwandeln. Erstellen Sie in Sekundenschnelle einen kurzen Filmclip oder animieren Sie eine Szene, für die sonst ein vollständiger Produktionsaufbau erforderlich wäre. Die wahre Stärke liegt in der Geschwindigkeit. Was früher Tage dauerte, kann jetzt in wenigen Minuten erledigt werden, wodurch Video zu einem Denkwerkzeug und nicht nur zu einem Veröffentlichungsformat wird.

Dies ist besonders nützlich für Ideen im Frühstadium. Produktdemos, Erklärausschnitte, visuelles Storytelling oder sogar kreative Experimente, bevor Sie Ressourcen bereitstellen. Sie werden nicht mehr durch Instruments oder Zeitpläne blockiert. Sie können visuell testen, schnell iterieren und weitermachen. Probieren Sie diese aus Holen Sie sich Ideen zu Veo und testen Sie es aus erster Hand.

3. Firebase Studio für Web sites und Apps

Bewegen Sie sich über Bilder und Movies. Die KI von Google kann jetzt in Sekundenschnelle ganze Web sites und Apps erstellen. Hier kommt Firebase Studio ins Spiel. Es hilft Ihnen, Web sites oder Apps mithilfe von KI schneller zu erstellen und zu starten, indem es einen Großteil der üblichen Entwicklungseinstellungen wie Authentifizierung, Datenbanken, Internet hosting und Bereitstellung übernimmt.

Wenn Sie neu in der App-Entwicklung sind, können Sie sich mit Firebase Studio auf die Idee statt auf komplexe Konfigurationen konzentrieren. Wenn Sie bereits programmieren, können Sie schneller Prototypen erstellen und versenden. Es ist besonders nützlich für die Erstellung von MVPs, Studentenprojekten oder internen Instruments, ohne auf kostenpflichtige No-Code-Plattformen angewiesen zu sein.

Du kannst Lesen Sie hier mehr über Firebase.

4. Google AI Studio für Gemini-basierte Apps

Wenn Sie daran interessiert sind, die Gemini-Modelle von Google für Ihre eigene Anwendung zu verwenden, ist Google AI Studio die Plattform dafür. Es handelt sich um eine browserbasierte Plattform zum Prototyping, Erstellen und Testen von Anwendungen mithilfe von Gemini-Modellen. Es unterstützt Textual content-, Bild- und Videoeingaben und ermöglicht das Experimentieren mit Eingabeaufforderungen, Modelleinstellungen und multimodalen Arbeitsabläufen ohne komplexe Einrichtung.

Das Beste daran: Es bietet auch Zugriff auf die Gemini Developer API und kann einsatzbereiten Code generieren. Dies macht es nützlich für Entwickler, Studenten und Forscher, die mithilfe der kostenlosen Google AI-Instruments von der Idee zu einer funktionierenden, gemeinsam nutzbaren KI-App übergehen möchten.

Schauen Sie sich an, wie ich Mit Google AI Studio in wenigen Minuten eine App erstellt.

5. NotebookLM

Wir haben die verschiedenen Funktionen von NotebookLM in unseren Blogs wiederholt ausführlich behandelt. Grund – es ist einfach eines der leistungsstärksten KI-Instruments, mit denen Sie heute arbeiten können. Falls Sie es noch nicht wissen: NotebookLM ist Googles KI-gestützter Forschungs- und Lernassistent. Es funktioniert direkt mit Ihren eigenen Quellen – Dokumenten, PDFs, Hyperlinks, Notizen, Movies usw. – und hilft Ihnen, diese mithilfe von Zusammenfassungen, Mindmaps, Quiz und sogar Übersichten im Audio- oder Videostil durchzugehen.

Das bedeutet, dass Sie nicht nur passiv lesen, sondern aktiv aus Ihrem Stoff lernen können. Nutzen Sie es, um lange Berichte zusammenzufassen, sich auf Prüfungen vorzubereiten, Konzepte zu überarbeiten oder komplexe Themen schneller zu verstehen. Es ist besonders nützlich für Studenten, Forscher und Fachleute, die regelmäßig mit umfangreichen Informationen umgehen. Unter den kostenlosen KI-Instruments von Google zeichnet sich NotebookLM dadurch aus, dass es das Lernen strukturiert, interaktiv und weitaus effizienter macht.

Schauen Sie sich diese an 7 coole NotebookLM-Funktionen, von denen Ihnen niemand erzählt hat.

6. Gemini Ask auf YouTube

Dies ist eine ziemlich neue Ergänzung zur Liste der KI-Instruments und -Funktionen von Google. Da das Unternehmen seine KI-Modelle weiterhin in die Alltagserfahrungen der Nutzer integriert, battle es unvermeidlich, dass YouTube einen Vorgeschmack darauf bekam. Und siehe da, Gemini ist jetzt auf YouTube und ermöglicht Ihnen praktisch das Chatten mit den Movies, die Sie ansehen.

Das bedeutet, dass Sie in Sekundenschnelle schnelle Antworten erhalten, Kapitel durchgehen und Erkenntnisse gewinnen können. Klicken Sie einfach auf das Gemini-Image direkt unter einem Video und es beantwortet alle Ihre Fragen zu diesem Video in Echtzeit. Es handelt sich um eine nette kleine Funktion, die das Kopieren und Einfügen der YouTube-URL in Gemini und das anschließende Abrufen von Informationen überflüssig macht.

Beachten Sie, dass Google es immer noch für Nutzer in bestimmten Ländern einführt, darunter Indien und die USA. Bis die Einführung abgeschlossen ist, wird die Funktion möglicherweise nicht in Ihrem YouTube-Konto angezeigt. Beispielsweise sehe ich Gemini Ask in YouTube auf meinem Telefon, aber nicht auf meinem Laptop computer.

7. Edelsteine ​​in Zwillingen

Mit Gems in Gemini können Sie benutzerdefinierte KI-Assistenten erstellen, die auf bestimmte Aufgaben zugeschnitten sind. Sie können Anweisungen definieren, Dateien oder Daten hochladen und die Reaktion des Assistenten so gestalten, dass er sich wie ein spezialisierter Helfer und nicht wie ein generischer Chatbot verhält.

Sie können ein Gem zum Schreiben, Recherchieren, Programmierhilfe oder sogar zur internen Dokumentation erstellen. Sobald es eingerichtet ist, merkt es sich den Kontext und befolgt Ihre Regeln konsequent. Dies ist besonders nützlich für wiederkehrende Aufgaben, bei denen Sie zuverlässige, wiederholbare Ausgaben wünschen. Unter den kostenlosen KI-Instruments von Google machen Gems persönliche KI-Assistenten praktisch und einfach anzupassen.

8. Gemini Dwell (Stream)

Wenn Sie noch nichts davon gehört haben, ist heute Ihr Glückstag. Gemini Dwell ist ein aktuelles KI-Device aus dem Hause Google, mit dem Sie KI-Interaktionen in Echtzeit mit Bildschirmfreigabe hosten können. Sie können dwell mit der KI sprechen, Dokumente oder Bildschirme zeigen und während Besprechungen oder Präsentationen sofort Erklärungen, Vorschläge oder exemplarische Vorgehensweisen erhalten.

Verwenden Sie es für Dwell-Demos, gemeinsame Problemlösungen, Schulungssitzungen oder die spontane Erläuterung komplexer Inhalte. Es eignet sich intestine für Besprechungen, bei denen Sie schnelle Antworten oder visuelle Anleitung benötigen, ohne das Device wechseln zu müssen. Als kostenlose KI-Instruments von Google eignet sich Gemini Dwell besonders für interaktive Diskussionen und Präsentationen.

Lesen Sie auch: Über 10 kostenlose KI-Kurse von Google

Abschluss

Das KI-Ökosystem von Google hat nonetheless und leise einen Punkt erreicht, an dem keine Kosten mehr für teure Instruments von Drittanbietern anfallen. Von der Medienerstellung und App-Erstellung bis hin zu Recherche, Lernen und Dwell-Zusammenarbeit decken diese kostenlosen Google-KI-Instruments weit mehr Bereiche ab, als den meisten Menschen bewusst ist.

Der eigentliche Vorteil liegt jedoch nicht im Zugang, sondern in der Nutzung. Bei bewusster Nutzung können diese Instruments mehrere Abonnements ersetzen, Arbeitsabläufe beschleunigen und Ihnen dabei helfen, im Jahr 2026 schneller zu erstellen, zu lernen und zu experimentieren. Eine Erkenntnis ist diese: Bevor Sie Geld für KI ausgeben, stellen Sie sicher, dass Sie vollständig erkundet haben, was Google bereits kostenlos anbietet.

Dieser Leitfaden hilft Ihnen beim Einrichten einer sauberen, isolierten Umgebung zum Ausführen von Dataquest-Tutorials. Während viele Tutorials direkt auf Ihrem Pc einwandfrei funktionieren, können bei einigen (insbesondere solchen mit Datenverarbeitungstools wie PySpark) je nach Betriebssystem oder vorhandener Softwarekonfiguration Probleme auftreten. Die von uns erstellte Laborumgebung stellt sicher, dass alles konsistent mit den richtigen Versionen von Python und anderen Instruments läuft, ohne Ihr Hauptsystem zu beeinträchtigen.

Was ist eine Laborumgebung?

Sie können sich dieses „Labor“ als separaten Arbeitsbereich nur für Ihre Dataquest-Tutorials vorstellen. Es handelt sich um einen kontrollierten Bereich, in dem Sie experimentieren und Code testen können, ohne dass dies Auswirkungen auf Ihren Hauptcomputer hat. So wie Wissenschaftler Labore für Experimente nutzen, nutzen wir dieses Entwicklungslabor, um Tutorials sicher durchzuarbeiten.

Vorteile für alle:

• Home windows-/Mac-Benutzer: Vermeiden Sie Fehler aufgrund von Systemunterschieden. Kein „Befehl nicht gefunden“ mehr oder PySpark findet Dateien nicht mehr
• Linux-Benutzer: Holen Sie sich die genauen Versionen von Python und Java, die für Tutorials benötigt werden, ohne dass es zu Konflikten mit den Paketen Ihres Programs kommt
• Alle: Halten Sie Ihre Tutorialarbeit von persönlichen Projekten getrennt. Ihr Code und Ihre Dateien werden regular gespeichert, alle von Ihnen installierten Pakete oder Systemänderungen bleiben jedoch im Lab enthalten

Wir verwenden ein Device namens Docker um diesen isolierten Arbeitsbereich zu erstellen. Stellen Sie sich das so vor, als ob Sie in Ihrem normalen Pc einen speziellen Pc nur für Tutorials hätten. Ihre Dateien und Ihr Code werden wie gewohnt gespeichert (Sie können sie mit Ihrem bevorzugten Editor bearbeiten), aber die Tutorial-Umgebung selbst bleibt sauber und getrennt von allem anderen auf Ihrem System.

Der lab Der von Ihnen verwendete Befehl erstellt diese Umgebung und spiegelt echte Information-Engineering-Workflows wider (die meisten Unternehmen verwenden isolierte Umgebungen wie diese, um die Konsistenz ihrer Groups sicherzustellen).

Docker installieren

Docker erstellt isolierte Linux-Umgebungen auf jedem Betriebssystem. Das bedeutet, dass Sie einen konsistenten Linux-Arbeitsbereich erhalten, unabhängig davon, ob Sie Home windows, Mac oder sogar Linux selbst verwenden. Wir verwenden es als einfaches Device, sodass keine Kenntnisse in der Container-Orchestrierung oder Cloud-Bereitstellung erforderlich sind.

Unter Home windows:
Laden Sie Docker Desktop herunter von docker.com/merchandise/docker-desktop. Führen Sie das Installationsprogramm aus, starten Sie Ihren Pc neu, wenn Sie dazu aufgefordert werden, und öffnen Sie Docker Desktop. Während der Ausführung wird in der Taskleiste ein Walsymbol angezeigt.

Hinweis: Docker Desktop aktiviert automatisch erforderliche Home windows-Funktionen wie WSL 2. Wenn eine Fehlermeldung zur Virtualisierung angezeigt wird, müssen Sie diese möglicherweise in den BIOS-Einstellungen Ihres Computer systems aktivieren. Suchen Sie on-line nach Ihrem Computermodell und klicken Sie auf „Virtualisierung aktivieren“, um bestimmte Schritte anzuzeigen.

Auf dem Mac:
Laden Sie Docker Desktop für Ihren Chiptyp (Intel oder Apple Silicon) über denselben Hyperlink herunter. Ziehen Sie Docker in Ihren Anwendungsordner und starten Sie es. Sie sehen den Wal in Ihrer Menüleiste.

Unter Linux:
Sie verfügen wahrscheinlich bereits über Docker. Wenn nicht, führen Sie diesen Befehl in Ihrem Terminal aus:

curl -fsSL https://get.docker.com -o get-docker.sh && sh get-docker.sh

Überprüfen Sie, ob es funktioniert:
Öffnen Sie Ihr Terminal (PowerShell, Terminal oder Bash) und führen Sie Folgendes aus:

docker --version
docker compose model

Für beide Befehle sollten Versionsnummern angezeigt werden. Wenn die Meldung „Befehl nicht gefunden“ angezeigt wird, starten Sie Ihr Terminal oder Ihren Pc neu und versuchen Sie es erneut.

Holen Sie sich die Laborumgebung

Das Labor ist bereits im konfiguriert Datenquest tutorials Repository. Klonen oder herunterladen:

git clone https://github.com/dataquestio/tutorials.git
cd tutorials

Wenn Sie kein Git haben, laden Sie das Repository als ZIP-Datei von GitHub herunter und extrahieren Sie es.

Das Repository enthält alles, was Sie brauchen:

• Dockerfile – Konfiguriert die Linux-Umgebung mit Python 3.11 und Java (für Spark)
• docker-compose.yml – Definiert die Laboreinrichtung
• Tutorial-Ordner mit sämtlichem Code und Daten

Starten Sie Ihr Labor

Stellen Sie im Terminal Ihrer IDE sicher, dass Sie sich in der befinden tutorials Ordner und starten Sie das Labor:

docker compose run --rm lab

Beachten Sie, dass die Einrichtung bei der ersten Ausführung dieses Befehls 2–5 Minuten dauern kann.

Sie sind jetzt in Linux! Ihre Eingabeaufforderung ändert sich in etwas wie „ root@abc123:/tutorials#das ist Ihre Linux-Befehlszeile, in der alles wie erwartet funktioniert.

Der --rm Flag bedeutet, dass sich das Labor selbst bereinigt, wenn Sie es verlassen, und so Ihr System aufgeräumt hält.

Nutzung Ihres Labors

Sobald Sie sich in der Laborumgebung befinden, sehen Sie hier Ihren typischen Arbeitsablauf:

1. Navigieren Sie zu dem Tutorial, an dem Sie gerade arbeiten

# See all accessible tutorials
ls

# Enter a selected tutorial
cd pyspark-etl

2. Installieren Sie die Pakete nach Bedarf
Für jedes Tutorial sind möglicherweise unterschiedliche Pakete erforderlich:

# For PySpark tutorials
pip set up pyspark

# For information manipulation tutorials
pip set up pandas numpy

# For database connections
pip set up sqlalchemy psycopg2-binary

3. Führen Sie den Tutorial-Code aus

python <script-name>.py

Da der Code in einer standardisierten Linux-Umgebung ausgeführt wird, sollten keine Setup-Fehler auftreten.

4. Bearbeiten Sie die Dateien regular
Das Schöne an diesem Setup: Sie können weiterhin Ihren Lieblingseditor verwenden! Der tutorials Der Ordner auf Ihrem Pc wird mit dem Labor synchronisiert. Bearbeiten Sie Dateien in VS Code, PyCharm oder einem beliebigen Editor, und das Labor sieht Änderungen sofort.

5. Beenden Sie den Vorgang, wenn Sie fertig sind
Typ exit oder drücken Sie Strg+D, um das Labor zu verlassen. Die Umgebung reinigt sich automatisch.

Gängige Workflow-Beispiele

Ausführen eines PySpark-Tutorials:

docker compose run --rm lab
cd pyspark-etl
pip set up pyspark pandas
python principal.py

Arbeiten mit Jupyter-Notebooks:

docker compose run --rm -p 8888:8888 lab
pip set up jupyterlab
jupyter lab --ip=0.0.0.0 --allow-root --no-browser
# Open the URL it exhibits in your browser

Pakete zwischen Sitzungen installiert lassen:
Wenn Sie es satt haben, Pakete neu zu installieren, erstellen Sie eine Anforderungsdatei:

# After putting in packages, save them
pip freeze > necessities.txt

# Subsequent session, restore them
pip set up -r necessities.txt

Kurzreferenz

Der einzige Befehl, den Sie benötigen:

# From the tutorials folder
docker compose run --rm lab

Verlassen Sie das Labor:

exit # Or press Ctrl+D

Wo die Dinge sind:

• Tutorial-Code: Jeder Ordner in /tutorials
• Ihre Änderungen: Automatisch synchronisiert
• Datendateien: In jedem Tutorial information/ Ordner
• Ausgabedateien: Speichern Sie sie im Tutorial-Ordner, um sie auf Ihrem Pc anzuzeigen

Hinzufügen von Diensten (Datenbanken usw.):
Für Tutorials, die PostgreSQL, MongoDB oder andere Dienste benötigen, können wir das erweitern docker-compose.yml. Derzeit verwaltet das Foundation-Setup alle Python- und PySpark-Tutorials.

Fehlerbehebung

• „Es kann keine Verbindung zum Docker-Daemon hergestellt werden“

  • Docker Desktop muss ausgeführt werden. Starten Sie es von Ihren Anwendungen aus.

• „Docker Compose“ wurde nicht erkannt

• Langsame Leistung unter Home windows

  • Docker unter Home windows kann bei großen Datenmengen langsam sein. Für eine bessere Leistung speichern Sie Datendateien im Container und nicht im bereitgestellten Ordner.

• „Berechtigung verweigert“ unter Linux

  • Fügen Sie Ihren Benutzer zur Docker-Gruppe hinzu:

    sudo usermod -aG docker $USER

    Dann melden Sie sich ab und wieder an.

Du bist bereit

Sie verfügen nun über eine Linux-Laborumgebung, die zu Produktionssystemen passt. Viel Spaß beim Experimentieren!

Im Zeitalter der KI ist es von größter Bedeutung, für Ihre Fähigkeiten bemerkt zu werden. Dies ist ein großartiger Schritt für diejenigen, die nach Möglichkeiten in einem überfüllten Markt mit Hunderten von Bewerbern suchen. Einstellungsmanager suchen nach anderen Fähigkeiten als in Ihrem Lebenslauf. Hier hilft Ihnen eine On-line -Präsenz, sich abzuheben. Diese Anleitung hilft Ihnen dabei, mit schrittweise Anweisungen zum Hinzufügen Ihres Lebenslaufs zu einer Web site zu tun und sie als On-line-Profil zu verwenden.

Ihre eigene Lebenslauf -Web site

In diesem Weblog erfahren Sie, wie Sie ein Google -Dokument (von Google Docs) aufnehmen, das auf Google Drive gespeichert ist, und veröffentlichen Sie es auf einem AWS Statische Seite. Sie können es dann verwenden, um Ihr Profil mit einem Hyperlink zu Ihrem Lebenslauf zu bewerben. Sie werden lernen, wie man AWS -freie Stufe für diese Übung verwendet. Zu diesem Zweck erstellen wir einen Speicherbehälter (S3), in dem ein HTML -Dokument (Code enthalten) untergebracht ist. Wir werden dann eine statische Web site erstellen, um Ihren Lebenslauf on-line anzuzeigen. All dies ist kostenlos.

Anforderungen

Für Ihr eigenes AWS -Konto benötigen Sie:

• Eine E -Mail, auf die Sie Zugriff haben
• Eine Kreditkarte zur Authentifizierung von AWS

Ja, das battle’s! Es ist so einfach, ein eigenes AWS -Konto zu haben.

Schritt-für-Schritt-Anleitung

Schauen wir uns als nächstes die Zusammenfassung des gesamten Prozesss an, den wir durchführen müssen. Das folgende Bild zeigt den gesamten Prozess auf den Punkt

Jetzt zu den Schritten, die uns helfen, unser gewünschtes Ergebnis zu erzielen.

Schritt 1: Erstellen Sie ein AWS -Konto in der kostenlosen Stufe

AWS Free Tier ermöglicht bis zu 5 GB Amazon S3 -Standardspeicher, 20.000 GET -Anfragen, 2.000 Put-/Publish-/Kopieranfragen und 15 GB Outbound -Switch professional Monat. Hier werde ich Ihnen auch einen Weg sagen, Ihr Funds in Schach zu halten.

Nächste,

• Besuchen Sie das AWS Free Tier -Konto Durch den Hyperlink hier.
• Geben Sie Ihren E -Mail- und Kontonamen ein und überprüfen Sie Ihre E -Mail -Adresse
• Wählen Sie Ihr Passwort aus (Sie müssen sich möglicherweise erneut anmelden)
• Überprüfen Sie das persönliche Konto für Ihre eigenen Projekte (dies bietet Ihnen kostenlose AWS -Dienste).
• Geben Sie Rechnungsinformationen ein – da dies eine kostenlose Stufe ist, würden außer einer Authentifizierungsprüfung keine Gebühren erhoben werden
• Wählen Sie einen grundlegenden Unterstützungsplan aus

Glückwunsch! Sie haben Ihr erstes AWS -Konto erstellt.

Klicken Sie nun in der oberen rechten Ecke auf Ihren Kontonamen und gehen Sie zum Abrechnungs- und Kostenmanagement. Überprüfen Sie auf dieser Seite Ihre Kontaktinformationen und fügen Sie bei Bedarf various Kontaktinformationen hinzu.

Schritt 2: Erstellen Sie ein Funds

Dies soll sicherstellen, dass Sie aktuelle Aktualisierungen der anfallenden Kosten erhalten. Mach dir keine Sorgen, das ist nur, um sich dessen bewusst zu sein, was passiert

• Klicken Sie auf der oben geöffneten Abrechnungs- und Kostenmanagementseite, die wir oben hyperlinks geöffnet haben, auf die Abrechnungspräferenzen
• Überprüfen Sie die Berechnung der Lieferung und aktivieren Sie die PDF -Lieferung
• Überprüfen Sie außerdem kostenlose Nutzungswarnungen, da Sie in Ihrem Konto über alle Nutzungsschwellen informiert werden. Überprüfen Sie außerdem die Cloud Watch Abrechnungswarnung

Jetzt richten wir unser Funds ein, klicken auf Budgets und klicken auf das neue Funds erstellen

• In Funds Setup – Wählen Sie eine Vorlage verwenden (vereinfacht).
• In Vorlagen – Neu – Wählen Sie Null Ausgabenbudget aus (Sie können auch monatlich auswählen, wenn Sie einen gewissen Betrag ausgeben möchten)
• Budgetname hinzufügen – Ich habe mein Null -Ausgabenbudget eingegeben
• Fügen Sie Ihre E -Mail an die E -Mail -Empfänger hinzu
• Klicken Sie auf Funds erstellen

Das battle’s, Sie haben Ihr erstes Funds in AWS erstellt.

Schritt 3: Lebenslauf & HTML -Dokument

Hier erledigen wir zwei Dinge: Wir erhalten zuerst einen Hyperlink zu unserem Lebenslauf von Google Docs und fügen diesen Hyperlink zum HTML hinzu Code für unsere Web site.

Ich kenne HTML nicht – mach dir keine Sorgen. Ich werde den Code überall bereitstellen, wo immer es nötig ist. Sie müssen dies dafür nicht wirklich ein Experte in HTML sein.

• Laden Sie Ihren Lebenslauf in Google Drive hoch.
• Öffnen Sie Google Docs und finden Sie das von Ihnen hochgeladene Dokument.
• Öffnen Sie das Dokument in einem Browser und klicken Sie auf Freigabe. Klicken Sie im Menü Freigabe auf die Dropdown für den allgemeinen Zugriff und wählen Sie jeden mit dem Hyperlink aus

Kopieren Sie diesen Hyperlink und speichern Sie ihn in Notepad. Wir werden es im nächsten Schritt verwenden.

Als nächstes werden wir die Indexseite erstellen, die im Wesentlichen die HTML -Seite für unsere Web site ist. Nehmen Sie den Code unten und fügen Sie ihn in ein Textdokument ein und speichern Sie ihn als .html

<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8" />
<meta title="viewport" content material="width=device-width, initial-scale=1.0"/>
<title>Your Title - Resume</title>
<model>
/* Background picture */
physique {
margin: 0;
padding: 0;
font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
background: url('https://photographs.unsplash.com/photo-1519389950473-47ba0277781c?auto=format&match=crop&w=1950&q=80') no-repeat middle middle fastened;
background-size: cowl;
peak: 100vh;
show: flex;
justify-content: middle;
align-items: middle;
colour: #fff;
}

.overlay {
background-color: rgba(0, 0, 0, 0.6);
padding: 40px;
border-radius: 10px;
text-align: middle;
max-width: 500px;
width: 90%;
}

h1 {
margin-bottom: 20px;
font-size: 2em;
}

a.resume-button {
show: inline-block;
margin-top: 20px;
padding: 14px 28px;
font-size: 16px;
background-color: #1a73e8;
colour: white;
text-decoration: none;
border-radius: 5px;
transition: background-color 0.3s ease;
}

a.resume-button:hover {
background-color: #155ab6;
}
</model>
</head>
<physique>
<div class="overlay">
<h1>Hello! I'm Karan. Click on to see my resume</h1>
<p>Click on beneath to view my resume:</p>
<a category="resume-button" href="https://drive.google.com/file/d/1lnfx64p5cBEGcIw3nnUQGTdUKRtF9OIH/view?usp=sharing" goal="_blank" rel="noopener noreferrer">
View Resume on Google Docs
</a>
</div>
</physique>
</html>

Ändern Sie den folgenden Hyperlink am Ende des Code

Kopieren Sie in den Doppelzitaten den Hyperlink für Ihre Google Doc Lebenslauf dass wir früher gespeichert haben. Lassen Sie den Relaxation so und speichern Sie als nameoffile.html

Schritt 4: Erstellen eines S3 -Eimers mit einer statischen Web site

Jetzt erstellen wir einen S3 -Eimer, bei dem es sich um einen Speicherbehälter in AWS handelt. Wir können bis zu 5 GB Objekte in S3 in der freien Ebene speichern

Melden Sie sich bei der AWS -Konsole an

Geben Sie auf der Registerkarte Such S3 ein und klicken Sie auf S3

Bucket erstellen-behalten Sie es als allgemeinerzwecker

Nennen Sie Ihren Eimer (Hinweis: Die Bucket-Namen müssen 3 bis 63 Zeichen und eindeutig sein. Sie müssen auch mit einem Buchstaben oder einer Nummer beginnen und enden

Halten Sie ACLs deaktiviert

Deaktivieren Sie das Kontrollkästchen, um den öffentlichen Zugriff zu blockieren, und überprüfen Sie die Bestätigung

Lassen Sie den Relaxation so und klicken Sie auf Bucket erstellen

Sie würden oben eine Erfolgsnachricht sehen, wie im Bild hier gezeigt

Klicken Sie anschließend auf den Bucket -Namen und klicken Sie dann auf Eigenschaften

Ganz unten sehen Sie, dass das statische Web site -Internet hosting standardmäßig deaktiviert ist. Klicken Sie auf Bearbeiten

Klicken Sie auf Aktivieren und fügen Sie den HTML -Dateinamen im Indexdokumentfeld ein und speichern Sie

Speichern Sie nun die ARN (Amazon -Ressourcennummer) (Mine IS – ARN: AWS: S3 ::: KaranResumeProject11234) und speichern Sie sie in einem Notizblock – wir werden es im nächsten Schritt brauchen

Gehen Sie nun zur Registerkarte „Berechtigungen“ und klicken Sie auf die Bucket -Richtlinie bearbeiten und speichern Sie den folgenden Code. Kopieren Sie auch das ARN oben wie im folgenden Beispiel

{
"Model": "2012-10-17",
"Assertion": (
{
"Sid": "PublicReadGetObject",
"Impact": "Permit",
"Principal": "*",
"Motion": "s3:GetObject",
"Useful resource": " arn:aws:s3:::karanresumeproject11234/*"
}
)
}

Klicken Sie speichern und klicken Sie nun auf Objekte. In diesem Schritt werden wir die HTML -Datei hochladen, die wir als Objekt in diesem Eimer erstellt haben

Klicken Sie in Objekten auf Add, fügen Sie Dateien hinzu und fügen Sie die Datei myresume.html in Schritt 3 hinzu und klicken Sie auf Add. Klicken Sie schließen, wenn Sie den Add -Erfolg sehen.

Das battle’s, wir sind fertig.

Abschluss

Ich möchte die Arbeit sehen, die Sie gerade gemacht haben. Gehen Sie zu Immobilien und scrollen Sie nach unten, wo es statische Web site -Internet hosting steht. Am Boden befindet sich eine URL. Klicken Sie darauf und da gehen Sie; Sie haben gerade Ihre erste Web site erstellt und Ihren Lebenslauf on-line gehostet.

Klicken Sie einfach auf den Hyperlink und sehen Sie, ob der von Ihnen verwendete Lebenslauf angezeigt wird !!

In der KI -Zeit ist es der Schlüssel zu einer Welt voller Chancen, sich aufmerksam zu machen und einen großen Beitrag zum Aufbau einer persönlichen Marke zu leisten. Dies treibt uns auch dazu an, etwas zu tun, mit dem wir uns nicht wohl fühlen und unsere Grenzen erforschen.

Diese ganze Aktivität hilft Ihnen an beiden Fronten. Es wird Ihnen helfen, sich in einem überfüllten Arbeitsmarkt abzuheben, indem Sie Ihre gesamte Liste von Fähigkeiten und Berufserfahrungen ausstellen. Es wird auch die zusätzlichen Anstrengungen vorstellen, die Sie unternommen haben, um einen Eindruck zu hinterlassen. Befolgen Sie additionally einfach die obigen Schritte und haben Sie eine charakteristische Marke für Ihre nächste Jobrolle.

Die Themenmodellierung bleibt ein kritisches Device in der KI- und NLP -Toolbox. Während Großsprachenmodelle (LLMs) den Textual content außergewöhnlich intestine verarbeiten und hochrangige Themen aus massiven Datensätzen extrahieren müssen, erfordert immer noch dedizierte Themenmodellierungstechniken. Ein typischer Workflow enthält vier Kernschritte: Einbettung, Dimensionalitätsreduzierung, Clusterbildung und Themendarstellung.

Frameworks heute ist Bertopicwas jede Stufe mit modularen Komponenten und einer intuitiven API vereinfacht. In diesem Beitrag werde ich praktische Anpassungen durchgehen, die Sie vornehmen können, um die Clustering-Ergebnisse zu verbessern und die Interpretierbarkeit basierend auf praktischen Experimenten mithilfe der Verwendung zu steigern Open-Supply 20 Newsgroups-Datensatzdie unter der Inventive Commons Attribution 4.0 Worldwide Lizenz verteilt ist.

Projektübersicht

Wir beginnen mit den in der Dokumentation von Bertopic empfohlenen Standardeinstellungen und aktualisieren bestimmte Konfigurationen schrittweise, um deren Effekte hervorzuheben. Unterwegs werde ich den Zweck jedes Moduls erläutern und wie man fundierte Entscheidungen beim Anpassen trifft.

Datensatzvorbereitung

Wir laden ein Beispiel von 500 Nachrichtendokumenten.

import random
from datasets import load_dataset
dataset = load_dataset("SetFit/20_newsgroups")
random.seed(42)
text_label = record(zip(dataset("practice")("textual content"), dataset("practice")("label_text")))
text_label_500 = random.pattern(text_label, 500)

Da die Daten aus lässigen Ussenet -Diskussionen stammen, wenden wir Reinigungsschritte an, um Header zu entfernen, Unordnung zu entfernen und nur informative Sätze zu bewahren.

Diese Vorverarbeitung sorgt für höherwertige Einbettungen und einen glatteren stromabwärts gelegenen Clustering-Prozess.

import re

def clean_for_embedding(textual content, max_sentences=5):
    traces = textual content.break up("n")
    traces = (line for line in traces if not line.strip().startswith(">"))
    traces = (line for line in traces if not re.match
            (r"^s*(from|topic|group|traces|writes|article)s*:", line, re.IGNORECASE))
    textual content = " ".be part of(traces)
    textual content = re.sub(r"s+", " ", textual content).strip()
    textual content = re.sub(r"(!?){3,}", "", textual content)
    sentence_split = re.break up(r'(?<=(.!?)) +', textual content)
    sentence_split = (
        s for s in sentence_split
        if len(s.strip()) > 15 and never s.strip().isupper()
    )
    return " ".be part of(sentence_split(:max_sentences))
texts_clean = (clean_for_embedding(textual content) for textual content,_ in text_label_500)
labels = (label for _, label in text_label_500)

Erstbertopische Pipeline

Mit dem modularen Design von Bertopic konfigurieren wir jede Komponente: Sentetransformer für Einbettung, UMAP für die Reduzierung der Dimensionalität, HDBSCAN für Clustering und CountVectorizer + Keybert für die Themendarstellung. Dieses Setup liefert nur wenige breite Themen mit lauten Darstellungen, was die Notwendigkeit einer Feinabstimmung hervorhebt, um kohärentere Ergebnisse zu erzielen.

from bertopic import BERTopic
from umap import UMAP
from hdbscan import HDBSCAN
from sentence_transformers import SentenceTransformer

from sklearn.feature_extraction.textual content import CountVectorizer
from bertopic.vectorizers import ClassTfidfTransformer
from bertopic.illustration import KeyBERTInspired

# Step 1 - Extract embeddings
embedding_model = SentenceTransformer("all-MiniLM-L6-v2")

# Step 2 - Cut back dimensionality
umap_model = UMAP(n_neighbors=10, n_components=5, min_dist=0.0, metric='cosine', random_state=42)

# Step 3 - Cluster lowered embeddings
hdbscan_model = HDBSCAN(min_cluster_size=15, metric='euclidean', cluster_selection_method='eom', prediction_data=True)

# Step 4 - Tokenize subjects
vectorizer_model = CountVectorizer(stop_words="english")

# Step 5 - Create subject illustration
ctfidf_model = ClassTfidfTransformer()

# Step 6 - (Non-obligatory) Wonderful-tune subject representations with
# a `bertopic.illustration` mannequin
representation_model = KeyBERTInspired()

# All steps collectively
topic_model = BERTopic(
  embedding_model=embedding_model,          # Step 1 - Extract embeddings
  umap_model=umap_model,                    # Step 2 - Cut back dimensionality
  hdbscan_model=hdbscan_model,              # Step 3 - Cluster lowered embeddings
  vectorizer_model=vectorizer_model,        # Step 4 - Tokenize subjects
  ctfidf_model=ctfidf_model,                # Step 5 - Extract subject phrases
  representation_model=representation_model # Step 6 - (Non-obligatory) Wonderful-tune subject representations
)
subjects, probs = topic_model.fit_transform(texts_clean)

Dieses Setup liefert nur ein paar breite Themen mit lauten Darstellungen. Dieses Ergebnis unterstreicht die Notwendigkeit von Finetuning, um kohärentere Ergebnisse zu erzielen.

Parameterabstimmung für körnige Themen

N_Neighbors aus dem UMAP -Modul

Umap ist das Dimensionality -Reduktionsmodul, um die Einbettung von Ursprungs in einen niedrigeren Dimensionsvektor zu verringern. Durch die Anpassung von UMAPs N_Neighbors steuern wir, wie lokal oder world die Daten während der Reduzierung der Dimensionalität interpretiert werden. Die Senkung dieses Wertes deckt feinere Cluster auf und verbessert die Unterscheidungskraft des Themas.

umap_model_new = UMAP(n_neighbors=5, n_components=5, min_dist=0.0, metric='cosine', random_state=42)
topic_model.umap_model = umap_model_new
subjects, probs = topic_model.fit_transform(texts_clean)
topic_model.get_topic_info()

min_cluster_size und cluster_selection_method aus dem HDBSCAN -Modul

Hdbscan ist das Clustering -Modul standardmäßig für Bertopic eingestellt. Durch Ändern von HDBSCANs min_cluster_size und Umstellung des Cluster_Selection_Method von „EOM“ auf „Blatt“ schärfen die Themenauflösung weiter. Diese Einstellungen können kleinere, fokussiertere Themen aufdecken und die Verteilung über Cluster hinweg ausgleichen.

hdbscan_model_leaf = HDBSCAN(min_cluster_size=5, metric='euclidean', cluster_selection_method='leaf', prediction_data=True)
topic_model.hdbscan_model = hdbscan_model_leaf
subjects, _ = topic_model.fit_transform(texts_clean)
topic_model.get_topic_info()

Die Anzahl der Cluster erhöht sich auf 30, indem Cluster_Selection_Method auf Blatt und min_cluster_size auf 5 festgelegt wird.

Zufälligkeit der Reproduzierbarkeit kontrollieren

UMAP ist von Natur aus nicht deterministisch, was bedeutet, dass es bei jedem Lauf unterschiedliche Ergebnisse erzielen kann, es sei denn, Sie legen explizit einen festen random_state fest. Dieses Element wird häufig in Beispielcode weggelassen. Achten Sie daher darauf, dass es die Reproduzierbarkeit gewährleistet.

In ähnlicher Weise, wenn Sie eine API von Drittanbitten verwenden (wie OpenAI), sollten Sie vorsichtig sein. Einige APIs führen geringfügige Abweichungen bei wiederholten Aufrufen ein. Bei reproduzierbaren Ausgängen Einbettungen und Futtermittel direkt in Bertopic.

from bertopic.backend import BaseEmbedder
import numpy as np
class CustomEmbedder(BaseEmbedder):
    """Lightweight wrapper to name NVIDIA's embedding endpoint by way of OpenAI SDK."""

    def __init__(self, embedding_model, consumer):
        tremendous().__init__()
        self.embedding_model = embedding_model
        self.consumer = consumer

    def encode(self, paperwork):  # kind: ignore(override)
        response = self.consumer.embeddings.create(
            enter=paperwork,
            mannequin=self.embedding_model,
            encoding_format="float",
            extra_body={"input_type": "passage", "truncate": "NONE"},
        )
        embeddings = np.array((embed.embedding for embed in response.information))
        return embeddings
topic_model.embedding_model = CustomEmbedder()
subjects, probs = topic_model.fit_transform(texts_clean, embeddings=embeddings)

Für jede Datensatzdomäne ist möglicherweise unterschiedliche Clustering -Einstellungen für optimale Ergebnisse erforderlich. Um das Experimentieren zu optimieren, sollten Sie die Bewertungskriterien definieren und den Tuning -Prozess automatisieren. Für dieses Tutorial verwenden wir die Cluster -Konfiguration, die N_Neighbors auf 5, min_cluster_size auf 5 und cluster_Selection_method an „EOM“ festlegt. Dies ist eine Kombination, die ein Gleichgewicht zwischen Granularität und Kohärenz trifft.

Verbesserung von Themenrepräsentationen

Die Darstellung spielt eine entscheidende Rolle bei der interpretierbaren Auseinandersetzung mit Clustern. Standardmäßig erzeugt Bertopic Unigrammbasis Darstellungen, denen häufig ein ausreichender Kontext fehlt. Im nächsten Abschnitt werden wir verschiedene Techniken untersuchen, um diese Darstellungen zu bereichern und die Interpretierbarkeit der Themen zu verbessern.

Ngram

N-Gramm-Reichweite

In Bertopic ist CountVectorizer das Commonplace-Device zum Umwandeln von Textdaten in Darstellungen von Wörtern. Anstatt sich auf generische Unigramme zu verlassen, wechseln Sie zu Bigrams oder Trigramme Verwenden von ngram_range in countVectorizer. Diese einfache Änderung fügt einen dringend benötigten Kontext hinzu.

Da wir nur die Darstellung aktualisieren, bietet Bertopic die Funktion update_topics an, um zu vermeiden, dass die Modellierung erneut wiederholt wird.

topic_model.update_topics(texts_clean, vectorizer_model=CountVectorizer(stop_words="english", ngram_range=(2,3)))
topic_model.get_topic_info()

Benutzerdefinierte Tokenizer

Einige Bigrams sind immer noch schwer zu interpretieren, z. benutzerdefinierte Tokenizer Das filtert N-Gramm basierend auf Teil der Sprachmuster. Dies beseitigt bedeutungslose Kombinationen und erhöht die Qualität Ihres Themas.

import spacy
from typing import Checklist

class ImprovedTokenizer:
    def __init__(self):
        self.nlp = spacy.load("en_core_web_sm", disable=("parser", "ner"))
        self.MEANINGFUL_BIGRAMS = {
            ("ADJ", "NOUN"),
            ("NOUN", "NOUN"),
            ("VERB", "NOUN"),
        }
    # Preserve solely probably the most significant syntactic bigram patterns
    def __call__(self, textual content: str, max_tokens=200) -> Checklist(str):
        doc = self.nlp(textual content(:3000))  # truncate lengthy docs for velocity
        tokens = ((t.textual content, t.lemma_.decrease(), t.pos_) for t in doc if t.is_alpha)
       
        bigrams = ()
        for i in vary(len(tokens) - 1):
            word1, lemma1, pos1 = tokens(i)
            word2, lemma2, pos2 = tokens(i + 1)
            if (pos1, pos2) in self.MEANINGFUL_BIGRAMS:
                # Optionally lowercase each phrases to normalize
                bigrams.append(f"{lemma1} {lemma2}")
       
        return bigrams
topic_model.update_topics(docs=texts_clean,vectorizer_model=CountVectorizer(tokenizer=ImprovedTokenizer()))
topic_model.get_topic_info()

Llm

Schließlich kannst du LLMs integrieren Um kohärente Titel oder Zusammenfassungen für jedes Thema zu generieren. Bertopic unterstützt die OpenAI -Integration direkt oder durch benutzerdefinierte Aufforderung. Diese LLM-basierten Zusammenfassungen verbessern die Erklärung drastisch.

import openai
from bertopic.illustration import OpenAI

consumer = openai.OpenAI(api_key=os.environ("OPENAI_API_KEY"))
topic_model.update_topics(texts_clean, representation_model=OpenAI(consumer, mannequin="gpt-4o-mini", delay_in_seconds=5))
topic_model.get_topic_info()

Die Darstellungen sind jetzt alle sinnvollen Sätze.

Sie können auch Ihre eigene Funktion zum Erhalten des von LLM generierten Titels schreiben und ihn mithilfe von UPDATE_TOPIC_LABELS-Funktion auf das Themenmodellobjekt aktualisieren. Weitere Informationen finden Sie im folgenden Beispielcode -Snippet.

import openai
from typing import Checklist
def generate_topic_titles_with_llm(
    topic_model,
    docs: Checklist(str),
    api_key: str,
    mannequin: str = "gpt-4o"
) -> Dict(int, Tuple(str, str)):
    consumer = openai.OpenAI(api_key=api_key)
    topic_info = topic_model.get_topic_info()
    topic_repr = {}
    subjects = topic_info(topic_info.Matter != -1).Matter.tolist()

    for subject in tqdm(subjects, desc="Producing titles"):
        indices = (i for i, t in enumerate(topic_model.topics_) if t == subject)
        if not indices:
            proceed
        top_doc = docs(indices(0))

        immediate = f"""You're a useful summarizer for subject clustering.
        Given the next textual content that represents a subject, generate:
        1. A brief **title** for the subject (2–6 phrases)
        2. A one or two sentence **abstract** of the subject.
        Textual content:
        """
        {top_doc}
        """
        """

        attempt:
            response = consumer.chat.completions.create(
                mannequin=mannequin,
                messages=(
                    {"function": "system", "content material": "You're a useful assistant for summarizing subjects."},
                    {"function": "person", "content material": immediate}
                ),
                temperature=0.5
            )
            output = response.decisions(0).message.content material.strip()
            traces = output.break up('n')
            title = traces(0).substitute("Title:", "").strip()
            abstract = traces(1).substitute("Abstract:", "").strip() if len(traces) > 1 else ""
            topic_repr(subject) = (title, abstract)
        besides Exception as e:
            print(f"Error with subject {subject}: {e}")
            topic_repr(subject) = ("(Error)", str(e))

    return topic_repr

topic_repr = generate_topic_titles_with_llm( topic_model, texts_clean, os.environ("OPENAI_API_KEY"))
topic_repr_dict = {
    subject: topic_repr.get(subject, "Matter")
    for subject in subject.get_topic_info()("Matter")
 }
topic_model.set_topic_labels(topic_repr_dict)

Abschluss

In diesem Leitfaden wurden umsetzbare Strategien beschrieben, um die Ergebnisse der Themenmodellierung mit Bertopic zu steigern. Durch das Verständnis der Rolle jedes Moduls und der Tuning -Parameter für Ihre spezifische Domäne können Sie fokussiertere, stabilere und interpretierbare Themen erreichen.

Repräsentation ist genauso wichtig wie das Clustering. Ob durch N-Gramm, syntaktische Filterung oder LLMs, das Investieren in bessere Darstellungen erleichtert Ihre Themen in der Praxis einfacher und nützlicher.

Bertopic bietet außerdem fortschrittliche Modellierungstechniken über die hier behandelten Grundlagen hinaus. In einem zukünftigen Beitrag werden wir diese Funktionen ausführlich untersuchen. Bleiben Sie dran!

In der heutigen wettbewerbsfähigen Tech -Landschaft ist ein starkes Github -Profil ein wertvolles Intestine. Egal, ob Sie ein Pupil, Berufssuchende, Freiberufler oder erfahrene Entwickler sind, Ihr Github-Profil spiegelt Ihre Codierungsfähigkeiten, die Fähigkeit zur Problemlösung und die Professionalität wider. Es ist mehr als nur ein Code -Repository – es ist Ihr öffentliches Codierungsportfolio – und für Entwickler ist dies wahrscheinlich wichtiger als ihre LinkedIn -Profile. In diesem Artikel werde ich Ihnen 10 umsetzbare Möglichkeiten mitteilen, um Ihr Github -Profil zu verbessern, um einen dauerhaften Eindruck zu hinterlassen und Ihre Chancen auf eine Arbeit zu verbessern.

1. Erstellen Sie ein poliertes Profil Readme

Ihr GitHub -Profil readme fungiert als Ihre persönliche Werbetafel und dient als allerersten Eindrucks, die Besucher bekommen. Sie können sich vorstellen, Ihre Fähigkeiten hervorheben und Ihre beste Arbeit direkt oben in Ihrem Profil präsentieren. Es ist eine großartige Gelegenheit, Aufmerksamkeit zu erregen, Ihre Persönlichkeit zu vermitteln und sofort zu kommunizieren, wer Sie als Entwickler sind, wodurch jeder, der vorbeikommt, nachhaltig beeinflusst.

Hier erfahren Sie, wie Sie einen beeindruckenden Github Readme erstellen:

1. Erstellen Sie ein neues öffentliches Repository, das genau wie Ihr Github -Benutzername bezeichnet wird.
2. Fügen Sie eine Readme.md -Datei hinzu.
3. Strukturieren Sie Ihre Readme, um wichtige Informationen hervorzuheben:
   • Einführung: Eine kurze Biografie, die zusammenfasst, wer Sie sind.
   • Technologien & Instruments: Verwenden Sie Symbole oder Emojis, um Programmiersprachen, Frameworks oder Instruments aufzulisten, die Sie verwenden.
   • Prime -Projekte: Erwähnen und verlinken Sie Ihre besten Projekte.
   • Github -Statistiken: Fügen Sie dynamische Github -Statistikkarten mit GitHub -Aktionen hinzu.
   • Soziale Hyperlinks: Fügen Sie anklickbare Abzeichen hinzu, die mit LinkedIn, Twitter oder Ihrem Weblog verknüpfen.
   • Lustige Elemente: Fügen Sie GIFs, Meme oder benutzerdefinierte Illustrationen hinzu, um Ihre Persönlichkeit anzuzeigen.

2. Präsentieren Sie Ihre besten Projekte

Ihr Github -Profil gibt Ihnen die Kraft, bis zu sechs Ihrer meisten zu inszenieren beeindruckende Projekte Indem Sie sie direkt auf Ihre Hauptseite festlegen. Dies sind nicht nur zufällige Repositorys; Sie sind Ihre sorgfältig kuratierten Portfolio -Stücke. Es ist entscheidend, Projekte auszuwählen, die reale Relevanz, technische Tiefe und sauberer Code demonstrieren. Dieses visuelle Schaufenster stellt sicher, dass Ihre stärkste Arbeit sofort sichtbar ist, so dass Sie keinen Zweifel an Ihren Fähigkeiten und dem Aufbau haben.

Wie entscheiden Sie, welche Projekte zu präsentieren sind? Nun, hEs gibt einige Hinweise, die Ihnen helfen, Ihre besten Projekte zu identifizieren.

Ein Showcase-würdiges Projekt würde:

• Lösen Sie ein reales Drawback oder nachahmen Sie eine Anwendung nach.
• Tiefe und Komplexität in der Architektur zeigen.
• Verfügen über saubere, lesbare und intestine dokumentierte Code.
• Aktiv aufrechterhalten oder kürzlich poliert werden.
• Schließen Sie Bilder oder lebende Demos ein.

Sobald Sie Ihre besten Projekte ausgewählt haben, müssen Sie sie an die Spitze Ihres Profils festlegen, vorzugsweise unter dem Readme. Dazu klicken Sie auf die „Anpassungsstifte“ -Style Wählen Sie auf Ihrer Profilseite die ausgewählten Projekte aus. Sie können bis zu 6 Repositories anpassen, um hier angezeigt zu werden.

3. Schreiben Sie QualitätsreadMe -Dateien für Repositories

Jedes einzelne Projekt, das Sie haben, verdient eine hochwertige Readme-Datei. Stellen Sie sich das als Deckseite des Projekts vor – das erste, was jemand liest, um zu verstehen, was Ihr Code tut, wie er es benutzt und warum es wertvoll ist. Durch ein umfassendes ReadMe zugänglich und benutzerfreundlich, führt potenzielle Benutzer oder Mitarbeiter durch Set up, Nutzung und Funktionen zugänglich. Es verwandelt eine Sammlung von Dateien wirklich in ein verwendbares, verständliches Produkt.

Hier finden Sie, was Sie in den Abschnitt „Readme Ihres Projekts“ einbeziehen sollen:

• Titel und kurze Beschreibung
• Inhaltsverzeichnis (non-compulsory aber nützlich)
• Installationsanweisungen: Schritt-für-Schritt-Anleitung zum Einrichten.
• Verwendung: Code -Snippets oder Beispiele, um zu demonstrieren, wie das Projekt verwendet wird.
• Merkmale: Markieren Sie einzigartige oder fortschrittliche Funktionen.
• Screenshots oder GIFs: Visuals zur Verbesserung des Verständnisses.
• Verwendete Technologien: Hear Sie Frameworks, APIs, Datenbanken usw. auf.
• Lizenz: Geben Sie Nutzungsbedingungen an.
• Beitragsrichtlinien: Definieren Sie für Open-Supply-Repos, wie andere dazu beitragen können.

Hier ist ein gutes Beispiel dafür, wie das Readme Ihres Projekts aussehen sollte:

Sie können sich darauf beziehen Github -Repository Weitere Ideen zur Strukturierung der Readme -Datei für Ihr Projekt.

V.

Eine konsequente Festungsgeschichte über Github erzählt eine mächtige Geschichte. Es zeigt visuell Ihr fortlaufendes Engagement, Ihr Wachstum und Ihre Aktivität als Entwickler, wodurch Ihr Beitragsgraphen umweltfreundlich werden. Bei diesem regelmäßigen Engagement geht es nicht nur darum, aufzutauchen. Es spiegelt Disziplin, kontinuierliches Lernen und ein Engagement für Ihr Handwerk wider. Sogar kleine, aussagekräftige Aktualisierungen im Laufe der Zeit aufbauen eine starke Erzählung über konsequente Anstrengungen und Fortschritte. Es spricht auf lange Sicht Bände über Ihre Arbeitsmoral.

Hier sind einige Möglichkeiten, wie Sie den Commit -Abschnitt Ihres Github -Profils verbessern können:

• Tägliche/wöchentliche Codierungsgewohnheit: Auch kleine Updates zählen.
• Sinnvolle Festungsnachrichten: Schreiben Sie anstatt „Datei aktualisieren“ zu schreiben, „Schaltfläche“ Login -Schaltfläche behoben „oder so.
• Verwenden Sie Zweige: Arbeiten Sie an Funktionen in getrennten Zweigen und verschmelzen Sie mit Pull -Anfragen.
• Halten Sie die Grafik grün: Ihre Beitragsgrafik wird grün, wenn Sie sich aktiv verpflichten. Streben Sie Konsistenz an, um es grün zu halten, als bei der Perfektion.
• Bleiben Sie engagiert: Bauen Sie eine tägliche/wöchentliche Codierungsgewohnheit. Denken Sie daran, dass selbst kleine Updates zählen. Die Teilnahme an Herausforderungen wie #100daysofCode kann Ihnen helfen, motiviert zu bleiben.

5. Mit Open-Supply-Projekten beitragen

Der Beitrag zu Open-Supply-Projekten ist eine unglaubliche Möglichkeit, Ihren Horizont über Ihren persönlichen Code hinaus zu erweitern. Es geht nicht nur darum, Funktionen hinzuzufügen oder Fehler zu beheben. Es ist eine Likelihood, von erfahrenen Entwicklern zu lernen, mit realen Herausforderungen zusammenzuarbeiten und der Neighborhood zurückzugeben, die uns alle unterstützt. Diese Beiträge steigern Ihre Glaubwürdigkeit erheblich. Sie demonstrieren Ihre Fähigkeit, in größeren, gemeinsam genutzten Codebasen effektiv zu arbeiten und Ihr Profil wirklich hervorzuheben.

Es gibt verschiedene Möglichkeiten, wie Sie zu Open-Supply-Projekten beitragen können, z. B.:

• Code -Korrekturen: Fehlerbehebungen, neue Funktionen.
• Dokumentation: Readme -Dateien verbessern oder übersetzen.
• Testen: Testfälle schreiben oder Fehler reproduzieren.
• PRS überprüfen: Suggestions zu offenen Pull -Anfragen.

Sie können mit e beginnenXploring -Probleme, die als „gute erste Ausgabe“, „Hilfe gesucht“ oder „Dokumentation“ bezeichnet werden. Sie können sogar J.oin Occasions wie Hacktoberfest und bRowse -Plattformen wie UP für Grabs, Codetriden oder First Timerum Open-Supply-Projekte zu finden. Solche kollaborativen Projekte tragen nicht nur dazu bei, Ihr Github -Profil zu verbessern, sondern auch aufzudecken Sie zu Finest Practices und großen Codebasen.

Lesen Sie auch: 7 Knowledge Science -Projekte auf GitHub, um Ihre Fähigkeiten zu präsentieren!

6. Folgen Sie GitHub Finest Practices

Das Befolgen von GitHub Finest Practices zeigt, dass Sie mehr als nur ein Coder sind. Sie sind ein Profi, der die richtige Versionskontrolle und das Repository -Administration versteht. ‚Github Hygiene‘ enthält wesentliche Schritte wie die Verwendung a .gitignore Datei, hinzuzufügen a LICENSEund eindeutige Richtlinien einrichten. Die Umarmung dieser Konventionen zeigt Ihre Liebe zum Element und den Respekt für kollaborative Workflows. Es stellt auch sicher, dass Ihre Projekte intestine gepflegt und für andere einfach sind, mit denen sie sich beschäftigen können.

Zu den Finest Practices von Github gehören:

• .Gitignore -Datei: Ohne unnötige Dateien von der Versionskontrolle.
• Lizenzdatei: Angabe von Wiederverwendung Begriffen.
• Richtlinien beitragen: Zu definieren, wie andere dazu beitragen können.
• Semantische Begehörigkeitsnachrichten: Nach einem konsistenten Format (z. B. feat: fügen Sie New Navbar hinzu).
• Anforderungsvorlagen ziehen: Helfen Sie, Mitwirkenden einem konsistenten Einreichungsmuster zu befolgen.

7. Verwenden Sie GitHub -Aktionen und Workflows

Github -Aktionen sind Ihre Persönliche Automatisierungsassistenten. Sie ermöglichen es Ihnen, allgemeine Entwicklungsaufgaben direkt in Ihren Repositorys zu optimieren. Durch das Einrichten automatisierter Workflows können Sie mühelos Dinge wie das Ausführen von Exams, das Analysieren von Code oder die Bereitstellung Ihrer Anwendungen abwickeln. Dies spart Ihnen nicht nur Zeit und reduziert manuelle Fehler, sondern zeigt auch Ihre Kenntnisse in modernen CI/CD -Praktiken. Es macht Ihre Projekte robuster und zeigt fortgeschrittene Fähigkeiten.

Um GitHub -Aktionen zu verwenden, müssen Sie zuerst erstellen A .github/workflows Verzeichnis. Dann, hinzufügen .yml Dateien, die Ihre Automatisierungslogik definieren Aufgaben erledigen. Sie können es verwenden, um automatische Exams bei jedem Vorstoß oder Auto-Deploy Ihre Projekte auf Plattformen wie Netlify, Heroku oder AWS. Darüber hinaus können Sie geplante Aktionen verwenden, um Ihre Readme mit dynamischen Inhalten zu aktualisieren Und Verbessern Sie Ihr Github -Profil.

8. Verdienen Sie Github -Erfolge und Abzeichen

GitHub hat Erfolge und Abzeichen als unterhaltsame Möglichkeit eingeführt, Ihre Reise zu spielen und Ihre Meilensteine ​​zu feiern. Diese kleinen digitalen Trophäen erscheinen direkt in Ihrem Profil und zeigen öffentlich Ihr Engagement und Ihre Beiträge. Unabhängig davon, ob es darum geht, mehrere Pull -Anfragen einzureichen oder aktiv an Diskussionen teilzunehmen, diese Abzeichen verleihen einen Hauch von Persönlichkeit und visueller Anziehungskraft. Sie sind eine gute Möglichkeit, Ihr Neighborhood -Engagement und Ihr Engagement hervorzuheben.

9. Hyperlink GitHub mit Ihrer breiteren On-line -Präsenz

Ihr Github -Profil sollte nicht isoliert existieren, da es ein kritischer Bestandteil Ihrer gesamten beruflichen Identität ist. Verknüpfen Sie Ihren GitHub mit Ihrem Konto über verschiedene On-line -Plattformen hinweg -wie LinkedIn, Ihren Lebenslauf, Ihre persönliche Web site usw. -maximiert seine Sichtbarkeit und Reichweite. Indem Sie Ihren GitHub nahtlos in Ihr digitales Ökosystem integrieren, stellen Sie sicher, dass potenzielle Arbeitgeber, Mitarbeiter und Kollegen Ihre Kodierungskenntnisse leicht entdecken können. Dies würde Ihnen helfen, eine zusammenhängende und beeindruckende On-line -Präsenz zu erstellen.

Sie können Ihren GitHub -Hyperlink zu Ihrem hinzufügen LinkedIn -ProfilREsume oder Portfolio, Twitter (x) Bio und E -Mail -Signatur. Sie können es sogar Ihrem Profil zu Kaggle, DevPost, Hashhnode und anderen Hackathon-/Entwicklerplattformen hinzufügen. Darüber hinaus können Sie Ihre anderen Profile auch mit GitHub verknüpfen, indem Sie Symbole/Abzeichen mit Hyperlinks zum Abschnitt „ReadMe“ hinzufügen.

Lesen Sie auch: 5 Möglichkeiten zur Optimierung von LinkedIn für Datenfachleute

10. Organisieren Sie Ihre Repositorys

Ein überfülltes Github -Profil kann es anderen schwer machen, Ihre beste Arbeit und Beiträge zu finden. Das Organisieren Ihrer Repositorys, indem Sie sie klar benennen, Themen hinzufügen und kurze Beschreibungen bereitstellen, hilft den Besuchern, Ihre Fachgebiete schnell zu erfassen. Das Archivieren von alten oder inaktiven Projekten hält auch Ihre Hauptansicht ordentlich und fokussiert. Ein intestine strukturiertes Profil ist benutzerfreundlich, professionell und wirkungsvoll, um sicherzustellen, dass Ihre wichtigsten Beiträge leicht auffindbar sind.

So können Sie Ihre Github -Repositories organisieren:

• Archiv alte Projekte: Inaktive oder veraltete Repos verstecken.
• Nennen Sie Repos klar: Verwenden Sie beschreibende, Kleinbuchstaben mit Bindestrichen (z. B. Wetter-Diashboard, nicht proj123).
• Verwenden Sie Themen und Tags: Tag-Repos mit Schlüsselwörtern wie Python, React, Maschinenlern.
• Gruppe ähnliche Projekte: Organisieren nach Area (z. B. Net Dev, Knowledge Science).
• Fügen Sie kurze Beschreibungen hinzu: Jedes Repo sollte eine Einzeilenzusammenfassung haben.

Abgesehen davon müssen Sie auch sicherstellen, dass jeder Ihrer Repositories intestine organisiert ist. Hier ist eine Beispielstruktur, die Ihr Repository folgen kann, um sauber und organisiert auszusehen:

/project-root
  |- src/
  |- docs/
  |- exams/
  |- README.md
  |- .gitignore
  |- LICENSE

Abschluss

Ihr GitHub -Profil ist mehr als nur eine Sammlung von Repositories. Es ist ein Spiegelbild Ihrer Identität als Entwickler. Es ist ein Dwell -Dokument Ihrer Reise. Halten Sie es additionally aktiv, authentisch und mit Ihren Zielen aus. Beginnen Sie mit einem Schritt auf einmal. Beginnen Sie mit Ihrem Profil Readme. Dann stecken Sie Ihre Prime -Projekte an und sund ein Zeitplan, um regelmäßig zu verpflichten. Letztlich, Tragen Sie zu Open-Supply-Projekten bei und erkunden Sie Github-Aktionen. Wenn Sie Zeit in das Polieren und Aufrechterhalten Ihrer Präsenz in Github investieren, können Sie sich potenzielle Arbeitgeber, Mitarbeiter und Kollegen abheben.