Data Science

Ilmu Data ??

Daftar isi ?

• Ruang Lingkup Pembelajaran
• Tautan yang Dikerahkan dan Tautan Repo
• Ide
• Penglihatan
• Deskripsi Ide Inovatif
• Prasyarat
• LLM (Gen AI)
• Indeks Isi
• Daftar Isi
• Berkontribusi
• Lisensi

Ruang Lingkup Pembelajaran?

Repositori ini bertujuan untuk memberikan pengalaman pembelajaran langsung di bidang-bidang berikut:

• Analisis Data
• Pembelajaran Mesin
• Pembelajaran Mendalam
• LLM (Gen AI)

Tautan yang Dikerahkan dan Tautan Repo

Indeks	Proyek	Tautan yang Dikerahkan	Tautan Repositori	Alat yang digunakan
1	Prediksi Harga Mobil	Tautan yang Dikerahkan	Tautan Repo	Streamlit, Scikit-belajar, Pandas, NumPy
2	Prediksi Harga Mobil	Tautan yang Dikerahkan	Tautan Repo	Labu, Scikit-belajar, Pandas, NumPy
3	Prediksi Harga Pinjaman	Tautan yang Dikerahkan	Tautan Repo	Labu, Scikit-belajar, Pandas, NumPy
4	Analisis Penjualan Diwali	Tidak Dikerahkan	Tautan Repo	Panda, NumPy, PyPlot, Seaborn
5	Klasifikasi Gambar Kucing Vs Anjing	Tidak Dikerahkan	Tautan Repo	Tensorflow, Keras, Matplotlib
6	Sistem Pelacakan Resume Tingkat Lanjut	Tautan yang Dikerahkan	Tautan Repo	LLM, Generatif-AI, PyPDF, Streamlit

Ide?

Berikut adalah ide proyek Anda yang disajikan dalam format tabel:

Ide Proyek	Keterangan	Domain
Analisis Perekonomian India	Analisis berbagai indikator dan tren ekonomi untuk memahami keadaan saat ini dan memprediksi skenario masa depan.	Ekonomi, Analisis Data
Analisis Penjualan Diwali	Analisis data penjualan sebelum, selama, dan setelah Diwali untuk mengidentifikasi tren, pola, dan mengoptimalkan strategi pemasaran.	Ritel, Analisis Penjualan
Prediksi Harga Mobil	Kembangkan model pembelajaran mesin untuk memprediksi harga mobil berdasarkan berbagai fitur seperti jarak tempuh, merek, dll.	Pembelajaran Mesin, Otomotif
Prediksi Persetujuan Pinjaman	Membangun model pembelajaran mesin untuk memprediksi apakah permohonan pinjaman akan disetujui atau ditolak oleh lembaga keuangan.	Pembelajaran Mesin, Keuangan
Klasifikasi Kucing vs Anjing	Buat model pembelajaran mendalam untuk mengklasifikasikan gambar kucing dan anjing secara akurat.	Pembelajaran Mendalam, Visi Komputer
Sistem Pelacakan Resume Tingkat Lanjut	Menerapkan sistem komprehensif menggunakan teknik LLM untuk melacak dan menganalisis resume untuk pencocokan pekerjaan dan rekrutmen.	LLM (Gen AI), Sumber Daya Manusia

Visi ?️

Visi kami adalah memfasilitasi pembelajaran dan eksplorasi di bidang ilmu data dengan menyediakan kode, tutorial, dan sumber daya yang terdokumentasi dengan baik. Kami bertujuan untuk memberdayakan individu untuk memahami dan menerapkan teknik ilmu data pada masalah dunia nyata.

Deskripsi Ide Inovatif

Kami berusaha untuk menggabungkan pendekatan dan ide inovatif dalam proyek kami, mendorong batas-batas metodologi ilmu data tradisional. Beberapa ide inovatif yang dieksplorasi dalam repositori ini meliputi:

• Teknik rekayasa fitur baru
• Arsitektur model tingkat lanjut
• Metode visualisasi mutakhir

Prasyarat

Sebelum menjalankan kode di repositori ini, pastikan Anda telah menginstal dependensi berikut:

• panda
• numpy
• scikit-belajar (sklearn)
• yg keturunan dr laut
• matplotlib
• secara plot

Selain itu, untuk model pembelajaran mendalam, Anda memerlukan:

• Aliran Tensor
• keras

Untuk model LLM (Gen AI), Anda juga memerlukan:

• perpustakaan OpenAI
• Perpustakaan Gen AI

Anda dapat menginstal dependensi yang diperlukan menggunakan pip:

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

LLM (Gen AI) ??

LLM (Gen AI) memperluas kerangka LLM untuk menggabungkan teknik AI Generatif, memungkinkan pembuatan data baru, gambar, teks, dll., dan mengeksplorasi kemungkinan kreativitas berbasis AI.

Indeks Konten?

1. Analisis Data
2. Pembelajaran Mesin
3. Pembelajaran Mendalam

Setiap bagian berisi buku catatan terperinci, kode, dan penjelasan untuk proyek dan konsep tertentu.

Daftar Isi?

• data_analysis : Berisi buku catatan dan kode untuk proyek analisis data.
• machine_learning : Termasuk buku catatan dan kode untuk proyek pembelajaran mesin.
• deep_learning : Terdiri dari buku catatan dan kode untuk proyek pembelajaran mendalam.
• LLM : Termasuk buku catatan dan kode untuk proyek yang terkait dengan kerangka LLM (Analisis Data, Pembelajaran Mesin, Pembelajaran Mendalam).

Jangan ragu untuk menjelajahi setiap bagian dan mendalami proyek untuk meningkatkan pemahaman Anda tentang konsep ilmu data.

Kredit

Saya ingin mengucapkan terima kasih kepada para pengembang berbagai alat, perpustakaan, dan model ilmu data yang telah berperan dalam pembuatan repositori ini:

Alat dan Perpustakaan

• pandas: Dikembangkan oleh Wes McKinney dan kontributor, pandas adalah pustaka manipulasi dan analisis data yang kuat untuk Python.
• NumPy: Dibuat oleh Travis Oliphant, NumPy adalah paket dasar untuk komputasi ilmiah dengan Python.
• scikit-learn: Dikembangkan oleh komunitas kontributor, scikit-learn adalah perpustakaan pembelajaran mesin serbaguna untuk Python.
• seaborn: Dikembangkan oleh Michael Waskom dan kontributor, seaborn adalah perpustakaan visualisasi Python berdasarkan matplotlib untuk grafik statistik.
• matplotlib: Dikembangkan oleh John D. Hunter (dan kemudian Michael Droettboom dan kontributor), matplotlib adalah perpustakaan komprehensif untuk membuat visualisasi statis, animasi, dan interaktif dengan Python.
• plotly: Dikembangkan oleh Plotly Technologies, plotly adalah pustaka grafik untuk Python yang membuat grafik interaktif dan berkualitas publikasi secara online.
• TensorFlow: Dikembangkan oleh tim dan kontributor Google Brain, TensorFlow adalah platform sumber terbuka untuk pembelajaran mesin dan pembelajaran mendalam.
• Keras: Dikembangkan oleh François Chollet dan kontributor, Keras adalah pustaka jaringan saraf sumber terbuka yang ditulis dengan Python yang berfungsi sebagai API tingkat tinggi untuk TensorFlow.
• OpenAI: Dikembangkan oleh OpenAI, OpenAI adalah laboratorium penelitian kecerdasan buatan yang terdiri dari perusahaan nirlaba OpenAI LP dan perusahaan induknya, organisasi nirlaba OpenAI Inc.
• Perpustakaan Gen AI: Dikembangkan oleh Gen AI, Perpustakaan Gen AI menyediakan alat dan kerangka kerja untuk teknik AI Generatif, yang memungkinkan pembuatan data baru, gambar, teks, dll.

Model Pembelajaran Mesin

• XGBoost: Dikembangkan oleh komunitas kontributor, XGBoost adalah pustaka peningkat gradien terdistribusi yang dioptimalkan dan dirancang untuk kecepatan dan kinerja.
• LightGBM: Dikembangkan oleh Microsoft, LightGBM adalah kerangka kerja peningkatan gradien yang menggunakan algoritma pembelajaran berbasis pohon.
• CatBoost: Dikembangkan oleh Yandex, CatBoost adalah pustaka peningkat gradien sumber terbuka yang memberikan hasil canggih.
• SciPy: Dikembangkan oleh komunitas kontributor, SciPy adalah perpustakaan komputasi ilmiah yang dibangun di atas NumPy dan menyediakan fungsionalitas tambahan.
• StatsModels: Dikembangkan oleh komunitas kontributor, StatsModels adalah modul Python yang menyediakan kelas dan fungsi untuk estimasi berbagai model statistik.

Model Pembelajaran Mendalam

• PyTorch: Dikembangkan oleh lab Penelitian AI Facebook (FAIR) dan kontributor, PyTorch adalah perpustakaan pembelajaran mesin sumber terbuka berdasarkan perpustakaan Torch.
• fastai: Dikembangkan oleh fast.ai, fastai adalah perpustakaan pembelajaran mendalam yang dibangun di atas PyTorch yang menyediakan abstraksi tingkat tinggi untuk pelatihan dan penerapan model pembelajaran mendalam.

Kami menyampaikan penghargaan tulus kami kepada para pengembang ini dan komunitas sumber terbuka yang lebih luas atas kontribusi mereka yang sangat berharga dalam bidang ilmu data.

Berkontribusi?

Kontribusi pada repositori ini dipersilakan! Baik itu memperbaiki bug, menambahkan proyek baru, atau menyempurnakan dokumentasi, kontribusi Anda membantu menjadikan sumber daya ini lebih baik bagi semua orang.

Silakan merujuk pada pedoman kontribusi sebelum mengirimkan kontribusi Anda.

Lisensi

Repositori ini dilisensikan di bawah Lisensi MIT. Lihat file LISENSI untuk detailnya.