Awesome_Machine_Learning_Solutions
1.0.0
Eine kuratierte Liste von Repositories für mein Buch Machine Learning Solutions.
Sie erhalten die Möglichkeit zu lernen, wie Sie mithilfe verschiedener Techniken des maschinellen Lernens (ML) modernste Data-Science-Anwendungen entwickeln. Dieses Buch ist ein praktischer Leitfaden, der Ihnen beim Aufbau und der Optimierung Ihrer Data-Science-Anwendungen helfen kann. Sie können auf den Quellcode zugreifen, indem Sie die Links verwenden, die nach der Kapitelbeschreibung angegeben sind.
Kapitel 1, Kreditrisikomodellierung. In diesem Kapitel erstellen wir das prädiktive Analysemodell, das uns dabei helfen kann, vorherzusagen, ob der Kunde mit dem Kredit in Verzug gerät oder nicht. Wir werden Ausreißererkennung, Merkmalstransformation, Ensemble-Algorithmen für maschinelles Lernen usw. verwenden, um die bestmögliche Lösung zu erhalten.
Kapitel 2, Börsenpreisvorhersage: In diesem Kapitel erstellen wir ein Vorhersagemodell, das den Aktienindexpreis auf der Grundlage historischer Datensätze vorhersagen kann. Wir werden neuronale Netze nutzen, um die bestmögliche Lösung zu erhalten.
Kapitel 3, Kundenanalyse. In diesem Kapitel werden wir untersuchen, wie die Kundensegmentierung aufgebaut wird, damit Marketingkampagnen optimal durchgeführt werden können. Mithilfe verschiedener Algorithmen für maschinelles Lernen wie K-Nearest Neighbor, Random Forest usw. können wir den Basisansatz erstellen. Um die bestmögliche Lösung zu erhalten, werden wir Ensemble-Algorithmen für maschinelles Lernen verwenden.
Kapitel 4, Empfehlungssysteme für den E-Commerce. In diesem Kapitel werden wir eine Empfehlungsmaschine für die E-Commerce-Plattform erstellen. Wir werden eine Empfehlungsmaschine erstellen, die ähnliche Bücher empfehlen kann. Wir werden Konzepte wie Korrelation, TF-IDF und Kosinusähnlichkeit verwenden, um die Anwendung zu erstellen.
Kapitel 5, Stimmungsanalyse. In diesem Kapitel erstellen wir eine Stimmungsbewertung für Filmrezensionen. Um die beste Lösung zu erhalten, werden wir wiederkehrende neuronale Netze und Einheiten des Langzeit-Kurzzeitgedächtnisses verwenden.
Kapitel 6, Job-Empfehlungs-Engine. In diesem Kapitel erstellen wir unseren eigenen Datensatz, der zur Erstellung einer Job-Empfehlungs-Engine verwendet werden kann. Wir werden auch bereits verfügbare Datensätze verwenden, um das Jobempfehlungssystem aufzubauen. Wir werden grundlegende statistische Techniken verwenden, um die bestmögliche Lösung zu erhalten.
Kapitel 7, Textzusammenfassung: In diesem Kapitel erstellen wir die Anwendung, die die extraktive Zusammenfassung der medizinischen Transkription generiert. Für unseren Basisansatz werden wir bereits verfügbare Python-Bibliotheken verwenden. Danach werden wir verschiedene Vektorisierungs- und Rankingtechniken verwenden, um die Zusammenfassung für medizinische Dokumente zu erhalten. Wir erstellen auch Zusammenfassungen für die Produktbewertungen von Amazon.
Kapitel 8, Entwicklung von Chatbots. In diesem Kapitel werden wir Chatbots mithilfe eines regelbasierten Ansatzes und eines Deep-Learning-basierten Ansatzes entwickeln. Wir werden TensorFlow und Keras verwenden, um Chatbots zu erstellen.
Kapitel 9, Erstellen einer Echtzeit-Objekterkennungs-App. In diesem Kapitel erfahren Sie mehr über Transferlernen. Wir lernen etwas über Faltungsnetzwerke und YOLO-Algorithmen (You Only Look Once). Wir werden vorab trainierte Modelle verwenden, um die Anwendung zu entwickeln.
Kapitel 10, Gesichtserkennung und Erkennung von Gesichtsemotionen. In dieser ersten Hälfte des Kapitels werden wir die Anwendung erstellen, die menschliche Gesichter erkennen kann. In der zweiten Hälfte des Kapitels werden wir eine Anwendung entwickeln, die den Gesichtsausdruck von Menschen erkennen kann. Wir werden OpenCV, Keras und TensorFlow verwenden, um diese Anwendung zu erstellen.
Kapitel 11, Gaming-Bots bauen, in diesem Kapitel lernen wir etwas über Reinforcement Learning. Hier werden wir das Fitnessstudio oder die Universumsbibliothek nutzen, um die Spielumgebung zu schaffen. Wir haben zuerst den Q-Learning-Algorithmus verstanden und werden ihn später implementieren, um unseren Gaming-Bot zu trainieren. Hier bauen wir Bots für Atari-Spiele.
Anhang A, Liste der Spickzettel. In diesem Kapitel erhalten wir eine Liste der Spickzettel für verschiedene Python-Bibliotheken, die wir häufig in datenwissenschaftlichen Anwendungen verwenden.
Anhang B, Strategie zum Gewinnen von Hackathons. In diesem Kapitel erfahren Sie, wie die mögliche Strategie zum Gewinnen von Hackathons aussehen kann. Ich habe auch einige der coolen Ressourcen aufgelistet, die Ihnen dabei helfen können, sich auf den neuesten Stand zu bringen.
