Awesome_Machine_Learning_Solutions
1.0.0
Una lista seleccionada de repositorios para mi libro Machine Learning Solutions.
Tendrá la oportunidad de aprender a desarrollar aplicaciones de ciencia de datos de vanguardia utilizando diversas técnicas de aprendizaje automático (ML). Este libro es una guía práctica que puede ayudarle a crear y optimizar sus aplicaciones de ciencia de datos. Puede acceder al código fuente utilizando los enlaces que aparecen después de la descripción del capítulo.
Capítulo 1, Modelado de riesgo crediticio, en este capítulo construiremos el modelo de análisis predictivo que puede ayudarnos a predecir si el cliente incumplirá o no el préstamo. Usaremos detección de valores atípicos, transformación de características, algoritmos de aprendizaje automático conjunto, etc. para obtener la mejor solución posible.
Capítulo 2, Predicción del precio del mercado de valores, en este capítulo construiremos un modelo predictivo que puede predecir el precio del índice bursátil basándose en un conjunto de datos históricos. Usaremos redes neuronales para obtener la mejor solución posible.
Capítulo 3, Análisis de clientes, en este capítulo exploraremos cómo construir la segmentación de clientes para que las campañas de marketing se puedan realizar de manera óptima. Utilizando varios algoritmos de aprendizaje automático, como K-vecino más cercano, bosque aleatorio, etc., podemos construir el enfoque de línea base. Para obtener la mejor solución posible, utilizaremos algoritmos conjuntos de aprendizaje automático.
Capítulo 4, Sistemas de recomendación para el comercio electrónico, en este capítulo crearemos un motor de recomendación para la plataforma de comercio electrónico. Construiremos un motor de recomendación que pueda recomendar libros similares. Usaremos conceptos como correlación, TF-IDF y similitud de coseno para construir la aplicación.
Capítulo 5, Análisis de sentimiento, en este capítulo generaremos puntuación de sentimiento para reseñas de películas. Para obtener la mejor solución, utilizaremos redes neuronales recurrentes y unidades de memoria a corto plazo.
Capítulo 6, Motor de recomendación de trabajos, en este capítulo crearemos nuestro propio conjunto de datos que se puede utilizar para crear un motor de recomendación de trabajos. También utilizaremos el conjunto de datos ya disponible para construir el sistema de recomendación de empleo. Utilizaremos técnicas estadísticas básicas para obtener la mejor solución posible.
Capítulo 7, Resumen de texto, en este capítulo construiremos la aplicación que genera el resumen extractivo de la transcripción médica. Usaremos bibliotecas de Python ya disponibles para nuestro enfoque básico. Después de eso, usaremos varias técnicas de vectorización y clasificación para obtener el resumen del documento médico. También generaremos un resumen de las reseñas de productos de Amazon.
Capítulo 8, Desarrollo de chatbots, en este capítulo desarrollaremos chatbot utilizando un enfoque basado en reglas y un enfoque basado en aprendizaje profundo. Usaremos TensorFlow y Keras para crear chatbots.
Capítulo 9, Creación de una aplicación de reconocimiento de objetos en tiempo real, en este capítulo aprenderemos sobre el aprendizaje por transferencia. Aprenderemos sobre redes convolucionales y algoritmos YOLO (You Only Look Once). Usaremos modelos previamente entrenados para desarrollar la aplicación.
Capítulo 10, Reconocimiento facial y reconocimiento de emociones faciales, en esta primera mitad del capítulo crearemos la aplicación que puede reconocer rostros humanos. Durante la segunda mitad del capítulo desarrollaremos una aplicación que pueda reconocer la expresión facial de los humanos. Usaremos OpenCV, Keras y TensorFlow para crear esta aplicación.
Capítulo 11, Creación de robots de juegos, en este capítulo aprenderemos sobre el aprendizaje por refuerzo. Aquí usaremos el gimnasio o la biblioteca del universo para obtener el entorno de juego. Primero entendimos el algoritmo Q-learning y luego implementaremos el mismo para entrenar nuestro robot de juego. Aquí estamos construyendo un bot para juegos de Atari.
Apéndice A, Lista de hojas de trucos, en este capítulo obtendremos la lista de hojas de trucos para varias bibliotecas de Python que utilizamos con frecuencia en aplicaciones de ciencia de datos.
Apéndice B, Estrategia para ganar hackathons, en este capítulo conoceremos cuál puede ser la posible estrategia para ganar hackathons. También he enumerado algunos de los recursos interesantes que pueden ayudarte a actualizarte.
