Data Science

Datenwissenschaft ??

Inhaltsverzeichnis ?

• Umfang des Lernens
• Bereitgestellter Link und Repo-Link
• Ideen
• Vision
• Beschreibung innovativer Ideen
• Voraussetzungen
• LLM (Gen AI)
• Inhaltsverzeichnis
• Inhaltsverzeichnis
• Mitwirken
• Lizenz

Umfang des Lernens?

Dieses Repository zielt darauf ab, praktische Lernerfahrungen in den folgenden Bereichen bereitzustellen:

• Datenanalyse
• Maschinelles Lernen
• Tiefes Lernen
• LLM (Gen AI)

Bereitgestellter Link und Repo-Link

Index	Projekt	Bereitgestellter Link	Repository-Link	Verwendete Werkzeuge
1	Autopreisvorhersage	Bereitgestellter Link	Repo-Link	Streamlit, Scikit-learn, Pandas, NumPy
2	Autopreisvorhersage	Bereitgestellter Link	Repo-Link	Flask, Scikit-learn, Pandas, NumPy
3	Kreditpreisvorhersage	Bereitgestellter Link	Repo-Link	Flask, Scikit-learn, Pandas, NumPy
4	Diwali-Verkaufsanalyse	Nicht bereitgestellt	Repo-Link	Pandas, NumPy, PyPlot, Seaborn
5	Bildklassifizierung Katze vs. Hund	Nicht bereitgestellt	Repo-Link	Tensorflow, Keras, Matplotlib
6	Erweitertes Lebenslauf-Tracking-System	Bereitgestellter Link	Repo-Link	LLM, Generative-KI, PyPDF, Streamlit

Ideen?

Hier finden Sie Ihre Projektideen tabellarisch dargestellt:

Projektidee	Beschreibung	Domain
Analyse der indischen Wirtschaft	Analysieren Sie verschiedene Wirtschaftsindikatoren und Trends, um den aktuellen Zustand zu verstehen und zukünftige Szenarien vorherzusagen.	Wirtschaftswissenschaften, Datenanalyse
Diwali-Verkaufsanalyse	Analysieren Sie Verkaufsdaten vor, während und nach Diwali, um Trends und Muster zu erkennen und Marketingstrategien zu optimieren.	Einzelhandel, Verkaufsanalyse
Autopreisvorhersage	Entwickeln Sie ein Modell für maschinelles Lernen, um den Preis von Autos basierend auf verschiedenen Merkmalen wie Kilometerstand, Marke usw. vorherzusagen.	Maschinelles Lernen, Automobil
Vorhersage der Kreditgenehmigung	Erstellen Sie ein Modell für maschinelles Lernen, um vorherzusagen, ob ein Kreditantrag von einem Finanzinstitut genehmigt oder abgelehnt wird.	Maschinelles Lernen, Finanzen
Klassifizierung Katze vs. Hund	Erstellen Sie ein Deep-Learning-Modell, um Bilder von Katzen und Hunden genau zu klassifizieren.	Deep Learning, Computer Vision
Erweitertes Lebenslauf-Tracking-System	Implementieren Sie ein umfassendes System mit LLM-Techniken zur Verfolgung und Analyse von Lebensläufen für den Jobabgleich und die Personalbeschaffung.	LLM (Gen AI), Personalwesen

Vision ?️

Unsere Vision ist es, das Lernen und Erforschen im Bereich der Datenwissenschaft durch die Bereitstellung von gut dokumentiertem Code, Tutorials und Ressourcen zu erleichtern. Unser Ziel ist es, Einzelpersonen in die Lage zu versetzen, datenwissenschaftliche Techniken zu verstehen und auf reale Probleme anzuwenden.

Beschreibung innovativer Ideen

Wir sind bestrebt, innovative Ansätze und Ideen in unsere Projekte zu integrieren und so die Grenzen traditioneller Data-Science-Methoden zu erweitern. Zu den innovativen Ideen, die in diesem Repository untersucht werden, gehören:

• Neuartige Feature-Engineering-Techniken
• Erweiterte Modellarchitekturen
• Modernste Visualisierungsmethoden

Voraussetzungen

Bevor Sie den Code in diesem Repository ausführen, stellen Sie sicher, dass die folgenden Abhängigkeiten installiert sind:

• Pandas
• Numpy
• scikit-learn (sklearn)
• seegeboren
• matplotlib
• verschwörerisch

Darüber hinaus benötigen Sie für Deep-Learning-Modelle:

• TensorFlow
• Keras

Für LLM-Modelle (Gen AI) benötigen Sie außerdem:

• OpenAI-Bibliothek
• Gen AI-Bibliotheken

Sie können die erforderlichen Abhängigkeiten mit pip installieren:

pip install pandas numpy scikit-learn seaborn matplotlib plotly tensorflow keras openai gen_ai

LLM (Gen AI)??

LLM (Gen AI) erweitert das LLM-Framework um generative KI-Techniken, die die Generierung neuartiger Daten, Bilder, Texte usw. ermöglichen und die Möglichkeiten KI-gesteuerter Kreativität erkunden.

Inhaltsverzeichnis ?

1. Datenanalyse
2. Maschinelles Lernen
3. Tiefes Lernen

Jeder Abschnitt enthält detaillierte Notizbücher, Code und Erklärungen für bestimmte Projekte und Konzepte.

Inhaltsverzeichnis ?

• data_analysis : Enthält Notebooks und Code für Datenanalyseprojekte.
• machine_learning : Enthält Notebooks und Code für maschinelle Lernprojekte.
• deep_learning : Besteht aus Notebooks und Code für Deep-Learning-Projekte.
• LLM : Enthält Notebooks und Code für Projekte im Zusammenhang mit dem LLM-Framework (Datenanalyse, maschinelles Lernen, Deep Learning).

Erkunden Sie jeden Abschnitt und tauchen Sie in die Projekte ein, um Ihr Verständnis für datenwissenschaftliche Konzepte zu verbessern.

Credits

Ich möchte den Entwicklern der verschiedenen datenwissenschaftlichen Tools, Bibliotheken und Modelle meinen Dank aussprechen, die maßgeblich zur Erstellung dieses Repositorys beigetragen haben:

Werkzeuge und Bibliotheken

• Pandas: Pandas wurde von Wes McKinney und Mitwirkenden entwickelt und ist eine leistungsstarke Datenmanipulations- und Analysebibliothek für Python.
• NumPy: NumPy wurde von Travis Oliphant entwickelt und ist das grundlegende Paket für wissenschaftliches Rechnen mit Python.
• scikit-learn: scikit-learn wurde von einer Community von Mitwirkenden entwickelt und ist eine vielseitige Bibliothek für maschinelles Lernen für Python.
• seaborn: Seaborn wurde von Michael Waskom und Mitwirkenden entwickelt und ist eine Python-Visualisierungsbibliothek basierend auf Matplotlib für statistische Grafiken.
• matplotlib: Matplotlib wurde von John D. Hunter (und später Michael Droettboom und Mitwirkenden) entwickelt und ist eine umfassende Bibliothek zum Erstellen statischer, animierter und interaktiver Visualisierungen in Python.
• plotly: Plotly wurde von Plotly Technologies entwickelt und ist eine Grafikbibliothek für Python, die online interaktive Grafiken in Publikationsqualität erstellt.
• TensorFlow: TensorFlow wurde vom Google Brain-Team und Mitwirkenden entwickelt und ist eine Open-Source-Plattform für maschinelles Lernen und Deep Learning.
• Keras: Keras wurde von François Chollet und Mitwirkenden entwickelt und ist eine in Python geschriebene Open-Source-Bibliothek für neuronale Netzwerke, die als High-Level-API für TensorFlow dient.
• OpenAI: OpenAI wurde von OpenAI entwickelt und ist ein Forschungslabor für künstliche Intelligenz, das aus dem gewinnorientierten Unternehmen OpenAI LP und seiner Muttergesellschaft, der gemeinnützigen OpenAI Inc., besteht.
• Gen AI-Bibliotheken: Gen AI-Bibliotheken wurden von Gen AI entwickelt und bieten Tools und Frameworks für generative KI-Techniken, die die Generierung neuartiger Daten, Bilder, Texte usw. ermöglichen.

Modelle für maschinelles Lernen

• XGBoost: XGBoost wurde von einer Community von Mitwirkenden entwickelt und ist eine optimierte verteilte Gradient-Boosting-Bibliothek, die auf Geschwindigkeit und Leistung ausgelegt ist.
• LightGBM: LightGBM wurde von Microsoft entwickelt und ist ein Framework zur Gradientenverstärkung, das baumbasierte Lernalgorithmen verwendet.
• CatBoost: CatBoost wurde von Yandex entwickelt und ist eine Open-Source-Bibliothek zur Gradientenverstärkung, die sofort einsatzbereite Ergebnisse auf dem neuesten Stand der Technik liefert.
• SciPy: SciPy wurde von einer Community von Mitwirkenden entwickelt und ist eine wissenschaftliche Computerbibliothek, die auf NumPy aufbaut und zusätzliche Funktionen bietet.
• StatsModels: StatsModels wurde von einer Community von Mitwirkenden entwickelt und ist ein Python-Modul, das Klassen und Funktionen für die Schätzung vieler verschiedener statistischer Modelle bereitstellt.

Deep-Learning-Modelle

• PyTorch: PyTorch wurde vom Facebook AI Research Lab (FAIR) und Mitwirkenden entwickelt und ist eine Open-Source-Bibliothek für maschinelles Lernen, die auf der Torch-Bibliothek basiert.
• fastai: Fastai wurde von fast.ai entwickelt und ist eine auf PyTorch basierende Deep-Learning-Bibliothek, die Abstraktionen auf hoher Ebene für das Training und die Bereitstellung von Deep-Learning-Modellen bereitstellt.

Wir sprechen diesen Entwicklern und der breiteren Open-Source-Community unseren aufrichtigen Dank für ihre unschätzbaren Beiträge auf dem Gebiet der Datenwissenschaft aus.

Mitwirken?

Beiträge zu diesem Repository sind willkommen! Ganz gleich, ob Sie einen Fehler beheben, ein neues Projekt hinzufügen oder die Dokumentation verbessern, Ihre Beiträge tragen dazu bei, diese Ressource für alle besser zu machen.

Bitte beachten Sie die Beitragsrichtlinien, bevor Sie Ihre Beiträge einreichen.

Lizenz

Dieses Repository ist unter der MIT-Lizenz lizenziert. Einzelheiten finden Sie in der LICENSE-Datei.