Привет! Меня зовут Грант, и это мой блог Data Science, посвященный моим интересам в этой области, моему предыдущему опыту, некоторым проектам, над которыми я работаю, и областям, в которых мне интересно работать по мере продолжения моей карьеры.
Впервые я заинтересовался наукой о данных во время стажировки в местном органе власти, где я смог использовать Google Analytics, чтобы предложить стратегии перезаписи контента, чтобы сделать веб-сайт более эффективным для предоставления муниципальных услуг. Это включало анализ не только самых популярных страниц, но и показателей вовлеченности страниц и продолжительности посещения.
Изучение этих данных выявило несоответствие между ожиданиями участников и реальностью веб-сайта. Сайт был слишком плотным. Клиенты не могли найти услуги, которые искали, и проводили значительное количество времени, прыгая по веб-сайту, прежде чем в конечном итоге появились лично в мэрии. Я организовывал встречи с руководителями городских департаментов, чтобы обсудить просмотры страниц и предложить места, где они могли бы обрезать текст и сделать муниципальные услуги более доступными.
После этого проекта я стал больше интересоваться Data Science/Analytics и стал искать другие способы взаимодействия с данными в то время, которое у меня оставалось в рамках моей программы бакалавриата. Это привело меня к основным курсам по одномерной статистике и планированию экспериментов, которые научили меня новым навыкам в R, SPSS и Python.
Примерно в то же время я начал больше понимать мир науки о данных, и у меня появилась любовь к выявлению неясных тенденций в интересных данных, таких как участие войск по регионам в данных ООН по поддержанию мира.
На последнем курсе бакалавриата я начал искать дополнительные возможности стажировки, которые позволили бы мне познакомиться с другими аспектами науки о данных, и нашел возможность поработать с стартапом в области политического консалтинга, уделяя особое внимание использованию науки о данных в отношении политики. За время работы в этой компании мне посчастливилось помочь разработать их базу данных, создать визуализацию данных с помощью R и Tableau для веб-сайта и создать модели прогнозирования поведения при голосовании. Проходя эту стажировку, я начал понимать, что в науке о данных еще так много всего, чему я не мог научиться в школе или на прошлых стажировках, и я начал изучать различные аспекты этой области, которые всегда интересовали меня.
Помимо увлечения политикой, я также всегда любил музыку. До получения высшего образования я был (самопровозглашенной) хоровой суперзвездой и вундеркиндом на гитаре. Мой опыт и любовь к музыке и данным привели к набегу на Spotify API, чтобы просто изучить и посмотреть, что я могу сделать с моими данными Spotify.
Теперь, помимо музыки и данных, я также люблю тренироваться, и мне постоянно приходится искать подходящие плейлисты, под которые я могу тренироваться. Spotify предлагает множество плейлистов для кардиотренировок, но я обнаружил, что они либо не охватывают интересующие меня жанры, либо не имеют правильного количества ударов в минуту (BPM), чтобы правильно сочетаться с моими различными видами тренировок. (спринт против стабильного состояния). Это была проблема. Как я могу исправить это с помощью Spotify API?
Что ж, Spotify позволяет вам анализировать ваши данные о прослушивании и будет извлекать ваши лучшие треки в течение установленного периода времени. Просматривая свои лучшие треки, я смог определить типы песен и жанры, которые мне нравятся больше всего, и использовал эти треки в качестве основы для «Плейлиста рекомендаций». Идеально! Теперь у меня был список песен, которые мне, вероятно, понравились бы, основанный на песнях, которые я любил в прошлом. Это решило часть проблемы, но BPM по-прежнему не работал. Что ж, оказывается, Spotify, в дополнение к своему отчету об истории прослушивания, также сообщает различную информацию о треках, включая Energy, Danceability и Tempo. Эти показатели помогли мне отсортировать рекомендации в зависимости от того, какие треки лучше подходят для моих тренировок. Немного отредактировав код, мне удалось создать списки воспроизведения как для спринтерских тренировок, так и для тренировок в стабильном состоянии.
Мой интерес к данным подтолкнул меня к получению большего образования, чтобы расширить свои знания в области науки о данных и позволить мне лучше выполнять проекты, ориентированные на данные, такие как мой проект плейлиста. Это привело меня к программе General Assembly Immersive Data Science, где я надеюсь продолжить развивать эти навыки и применять их в будущих потенциальных проектах, включая рекомендации по персонализированным плейлистам и прогнозирование поведения при голосовании в законодательных органах.
