Awesome_Machine_Learning_Solutions
1.0.0
Une liste organisée de référentiels pour mon livre Machine Learning Solutions.
Vous aurez la chance d'apprendre à développer des applications de pointe en science des données à l'aide de diverses techniques d'apprentissage automatique (ML). Ce livre est un guide pratique qui peut vous aider à créer et optimiser vos applications de science des données. Vous pouvez accéder au code source en utilisant les liens donnés après la description du chapitre.
Chapitre 1, Modélisation du risque de crédit, dans ce chapitre, nous allons construire le modèle d'analyse prédictive qui peut nous aider à prédire si le client fera ou non défaut de paiement sur son prêt. Nous utiliserons la détection des valeurs aberrantes, la transformation des caractéristiques, des algorithmes d'apprentissage automatique d'ensemble, etc. pour obtenir la meilleure solution possible.
Chapitre 2, Prédiction du cours boursier, dans ce chapitre, nous construirons un modèle prédictif capable de prédire le prix de l'indice boursier sur la base d'un ensemble de données historiques. Nous utiliserons des réseaux de neurones pour obtenir la meilleure solution possible.
Chapitre 3, Analyse client, dans ce chapitre, nous explorerons comment construire la segmentation de la clientèle afin que les campagnes marketing puissent être réalisées de manière optimale. En utilisant divers algorithmes d'apprentissage automatique tels que le K-plus proche voisin, la forêt aléatoire, etc., nous pouvons construire l'approche de base. Afin d’obtenir la meilleure solution possible, nous utiliserons des algorithmes d’apprentissage automatique d’ensemble.
Chapitre 4, Systèmes de recommandation pour le commerce électronique, dans ce chapitre, nous créerons un moteur de recommandation pour la plate-forme de commerce électronique. Nous créerons un moteur de recommandation capable de recommander des livres similaires. Nous utiliserons des concepts tels que la corrélation, TF-IDF, la similarité cosinus pour créer l'application.
Chapitre 5, Analyse des sentiments, dans ce chapitre, nous générerons un score de sentiment pour les critiques de films. Afin d'obtenir la meilleure solution, nous utiliserons des réseaux de neurones récurrents et des unités de mémoire à long terme.
Chapitre 6, Moteur de recommandation d'emplois, dans ce chapitre, nous allons créer notre propre ensemble de données qui peut être utilisé pour créer un moteur de recommandation d'emplois. Nous utiliserons également l'ensemble de données déjà disponibles afin de créer le système de recommandation d'emploi. Nous utiliserons des techniques statistiques de base pour obtenir la meilleure solution possible.
Chapitre 7, Résumé du texte, dans ce chapitre, nous allons construire l'application qui génère le résumé extractif de la transcription médicale. Nous utiliserons les bibliothèques Python déjà disponibles pour notre approche de base. Après cela, nous utiliserons diverses techniques de vectorisation et de classement pour obtenir le résumé du document médical. Nous générerons également un résumé des critiques de produits Amazon.
Chapitre 8, Développement de chatbots, dans ce chapitre, nous développerons des chatbots en utilisant une approche basée sur des règles et une approche basée sur l'apprentissage en profondeur. Nous utiliserons TensorFlow et Keras pour créer des chatbots.
Chapitre 9, Création d'une application de reconnaissance d'objets en temps réel, dans ce chapitre, nous découvrirons l'apprentissage par transfert. Nous découvrirons les réseaux convolutifs et les algorithmes YOLO (You Only Look Once). Nous utiliserons des modèles pré-entraînés afin de développer l'application.
Chapitre 10, Reconnaissance des visages et reconnaissance des émotions des visages, dans cette première moitié du chapitre, nous allons construire l'application capable de reconnaître les visages humains. Au cours de la seconde moitié du chapitre, nous développerons une application capable de reconnaître les expressions faciales des humains. Nous utiliserons OpenCV, Keras et TensorFlow pour créer cette application.
Chapitre 11, Création de robots de jeu, dans ce chapitre, nous découvrirons l'apprentissage par renforcement. Ici, nous utiliserons une salle de sport ou une bibliothèque d'univers pour obtenir l'environnement de jeu. Nous avons d'abord compris l'algorithme Q-learning et plus tard nous le mettrons en œuvre pour former notre robot de jeu. Ici, nous construisons un bot pour les jeux Atari.
Annexe A, Liste des aide-mémoire, dans ce chapitre, nous obtiendrons la liste des aide-mémoire pour diverses bibliothèques Python que nous utilisons fréquemment dans les applications de science des données.
Annexe B, Stratégie pour gagner des hackathons, dans ce chapitre, nous découvrirons quelle peut être la stratégie possible pour gagner des hackathons. J'ai également répertorié certaines des ressources intéressantes qui peuvent vous aider à vous mettre à jour.
