Data Science

Science des données ??

Table des matières ?

• Portée de l'apprentissage
• Lien déployé et lien de dépôt
• Idées
• Vision
• Description des idées innovantes
• Conditions préalables
• LLM (génération IA)
• Index du contenu
• Liste des matières
• Contribuer
• Licence

Portée de l'apprentissage ?

Ce référentiel vise à fournir des expériences d'apprentissage pratiques dans les domaines suivants :

• Analyse des données
• Apprentissage automatique
• Apprentissage profond
• LLM (génération IA)

Lien déployé et lien de dépôt

Indice	Projet	Lien déployé	Lien vers le référentiel	Outils utilisés
1	Prévision du prix de la voiture	Lien déployé	Lien de dépôt	Streamlit, Scikit-learn, Pandas, NumPy
2	Prévision du prix de la voiture	Lien déployé	Lien de dépôt	Flacon, Scikit-learn, Pandas, NumPy
3	Prévision du prix du prêt	Lien déployé	Lien de dépôt	Flacon, Scikit-learn, Pandas, NumPy
4	Analyse des ventes de Diwali	Non déployé	Lien de dépôt	Pandas, NumPy, PyPlot, Seaborn
5	Classification des images de chat contre chien	Non déployé	Lien de dépôt	Tensorflow, Keras, Matplotlib
6	Système avancé de suivi des CV	Lien déployé	Lien de dépôt	LLM , IA générative , PyPDF , Streamlit

Des idées ?

Voici vos idées de projets présentées sous forme de tableau :

Idée de projet	Description	Domaine
Analyse de l'économie indienne	Analysez divers indicateurs et tendances économiques pour comprendre l’état actuel et prédire les scénarios futurs.	Économie, analyse de données
Analyse des ventes de Diwali	Analysez les données de vente avant, pendant et après Diwali pour identifier les tendances, les modèles et optimiser les stratégies marketing.	Vente au détail, analyse des ventes
Prévision du prix de la voiture	Développer un modèle d'apprentissage automatique pour prédire le prix des voitures en fonction de diverses caractéristiques telles que le kilométrage, la marque, etc.	Apprentissage automatique, automobile
Prédiction d’approbation de prêt	Créez un modèle d'apprentissage automatique pour prédire si une demande de prêt sera approuvée ou rejetée par une institution financière.	Apprentissage automatique, Finance
Classification chat ou chien	Créez un modèle d'apprentissage profond pour classer avec précision les images de chats et de chiens.	Apprentissage profond, vision par ordinateur
Système avancé de suivi des CV	Mettez en œuvre un système complet utilisant des techniques LLM pour suivre et analyser les CV à des fins d'adéquation à l'emploi et de recrutement.	LLM (Gen AI), Ressources Humaines

Vision ?️

Notre vision est de faciliter l'apprentissage et l'exploration dans le domaine de la science des données en fournissant du code, des didacticiels et des ressources bien documentés. Notre objectif est de permettre aux individus de comprendre et d'appliquer les techniques de science des données à des problèmes du monde réel.

Description des idées innovantes

Nous nous efforçons d'incorporer des approches et des idées innovantes dans nos projets, repoussant les limites des méthodologies traditionnelles de science des données. Certaines des idées innovantes explorées dans ce référentiel incluent :

• Nouvelles techniques d’ingénierie des fonctionnalités
• Architectures de modèles avancées
• Méthodes de visualisation de pointe

Conditions préalables

Avant d'exécuter le code dans ce référentiel, assurez-vous que les dépendances suivantes sont installées :

• pandas
• numpy
• scikit-learn (sklearn)
• né de la mer
• matplotlib
• comploter

De plus, pour les modèles d’apprentissage profond, vous aurez besoin de :

• TensorFlow
• Kéras

Pour les modèles LLM (Gen AI), vous aurez également besoin de :

• Bibliothèque OpenAI
• Bibliothèques Gen AI

Vous pouvez installer les dépendances requises en utilisant pip :

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

LLM (Gen AI) ??

LLM (Gen AI) étend le cadre LLM pour incorporer des techniques d'IA générative, permettant la génération de nouvelles données, images, textes, etc., et explorant les possibilités de créativité basée sur l'IA.

Index du contenu ?

1. Analyse des données
2. Apprentissage automatique
3. Apprentissage profond

Chaque section contient des cahiers détaillés, du code et des explications pour des projets et des concepts spécifiques.

Liste des matières ?

• data_analysis : Contient des notebooks et du code pour les projets d'analyse de données.
• machine_learning : comprend des blocs-notes et du code pour les projets d'apprentissage automatique.
• deep_learning : se compose de blocs-notes et de code pour les projets d'apprentissage en profondeur.
• LLM : Comprend des cahiers et du code pour les projets liés au framework LLM (Data Analysis, Machine Learning, Deep Learning).

N'hésitez pas à explorer chaque section et à vous plonger dans les projets pour améliorer votre compréhension des concepts de la science des données.

Crédits

Je tiens à exprimer ma gratitude aux développeurs des différents outils, bibliothèques et modèles de science des données qui ont joué un rôle déterminant dans la création de ce référentiel :

Outils et bibliothèques

• pandas : Développé par Wes McKinney et ses contributeurs, pandas est une puissante bibliothèque de manipulation et d'analyse de données pour Python.
• NumPy : Créé par Travis Oliphant, NumPy est le package fondamental pour le calcul scientifique avec Python.
• scikit-learn : Développée par une communauté de contributeurs, scikit-learn est une bibliothèque polyvalente d'apprentissage automatique pour Python.
• seaborn : Développé par Michael Waskom et ses contributeurs, seaborn est une bibliothèque de visualisation Python basée sur matplotlib pour les graphiques statistiques.
• matplotlib : Développé par John D. Hunter (et plus tard Michael Droettboom et ses contributeurs), matplotlib est une bibliothèque complète permettant de créer des visualisations statiques, animées et interactives en Python.
• plotly : Développé par Plotly Technologies, plotly est une bibliothèque graphique pour Python qui crée des graphiques interactifs de qualité publication en ligne.
• TensorFlow : développé par l'équipe et les contributeurs de Google Brain, TensorFlow est une plateforme open source pour l'apprentissage automatique et l'apprentissage profond.
• Keras : Développée par François Chollet et des contributeurs, Keras est une bibliothèque de réseaux neuronaux open source écrite en Python qui sert d'API de haut niveau pour TensorFlow.
• OpenAI : Développé par OpenAI, OpenAI est un laboratoire de recherche en intelligence artificielle composé de la société à but lucratif OpenAI LP et de sa société mère, l'organisation à but non lucratif OpenAI Inc.
• Bibliothèques Gen AI : développées par Gen AI, les bibliothèques Gen AI fournissent des outils et des cadres pour les techniques d'IA générative, permettant la génération de nouvelles données, images, textes, etc.

Modèles d'apprentissage automatique

• XGBoost : Développée par une communauté de contributeurs, XGBoost est une bibliothèque distribuée optimisée d'amélioration de dégradé conçue pour la vitesse et les performances.
• LightGBM : Développé par Microsoft, LightGBM est un framework d'amélioration de gradient qui utilise des algorithmes d'apprentissage basés sur des arbres.
• CatBoost : Développée par Yandex, CatBoost est une bibliothèque open source d'amélioration des dégradés qui fournit des résultats de pointe prêts à l'emploi.
• SciPy : Développée par une communauté de contributeurs, SciPy est une bibliothèque de calcul scientifique qui s'appuie sur NumPy et fournit des fonctionnalités supplémentaires.
• StatsModels : Développé par une communauté de contributeurs, StatsModels est un module Python qui fournit des classes et des fonctions pour l'estimation de nombreux modèles statistiques différents.

Modèles d'apprentissage profond

• PyTorch : Développée par le laboratoire de recherche sur l'IA de Facebook (FAIR) et des contributeurs, PyTorch est une bibliothèque d'apprentissage automatique open source basée sur la bibliothèque Torch.
• fastai : Développé par fast.ai, fastai est une bibliothèque d'apprentissage en profondeur construite sur PyTorch qui fournit des abstractions de haut niveau pour la formation et le déploiement de modèles d'apprentissage en profondeur.

Nous exprimons notre sincère gratitude à ces développeurs et à la communauté open source au sens large pour leurs contributions inestimables au domaine de la science des données.

Contribuer ?

Les contributions à ce référentiel sont les bienvenues ! Qu'il s'agisse de corriger un bug, d'ajouter un nouveau projet ou d'améliorer la documentation, vos contributions contribuent à rendre cette ressource meilleure pour tout le monde.

Veuillez vous référer aux directives de contribution avant de soumettre vos contributions.

Licence

Ce référentiel est sous licence MIT. Voir le fichier LICENSE pour plus de détails.