Awesome_Machine_Learning_Solutions
1.0.0
Uma lista selecionada de repositórios para meu livro Machine Learning Solutions.
Você terá a oportunidade de aprender como desenvolver aplicativos de ciência de dados de ponta usando várias técnicas de aprendizado de máquina (ML). Este livro é um guia prático que pode ajudá-lo a construir e otimizar seus aplicativos de ciência de dados. Você pode acessar o código-fonte usando os links fornecidos após a descrição do capítulo.
Capítulo 1, Modelagem de risco de crédito, neste capítulo construiremos o modelo de análise preditiva que pode nos ajudar a prever se o cliente deixará de pagar o empréstimo ou não. Estaremos usando detecção de outliers, transformação de recursos, algoritmos de aprendizado de máquina de conjunto e assim por diante para obter a melhor solução possível.
Capítulo 2, Previsão do preço do mercado de ações, neste capítulo construiremos um modelo preditivo que pode prever o preço do índice de ações com base no conjunto de dados históricos. Usaremos redes neurais para obter a melhor solução possível.
Capítulo 3, Análise de clientes, neste capítulo exploraremos como construir a segmentação de clientes para que as campanhas de marketing possam ser feitas de maneira otimizada. Usando vários algoritmos de aprendizado de máquina, como K-vizinho mais próximo, floresta aleatória e assim por diante, podemos construir a abordagem de linha de base. Para obter a melhor solução possível, usaremos algoritmos de aprendizado de máquina conjunto.
Capítulo 4, Sistemas de recomendação para início eletrônico, neste capítulo estaremos construindo um mecanismo de recomendação para plataforma de comércio eletrônico. Criaremos um mecanismo de recomendação que poderá recomendar livros semelhantes. Usaremos conceitos como correlação, TF-IDF e similaridade de cosseno para construir o aplicativo.
Capítulo 5, Análise de sentimento, neste capítulo geraremos pontuação de sentimento para resenhas de filmes. Para obter a melhor solução, utilizaremos redes neurais recorrentes e unidades de memória de longo e curto prazo.
Capítulo 6, Mecanismo de recomendação de empregos, neste capítulo construiremos nosso próprio conjunto de dados que pode ser usado para criar um mecanismo de recomendação de empregos. Também usaremos o conjunto de dados já disponível para construir o sistema de recomendação de empregos. Estaremos usando técnicas estatísticas básicas para obter a melhor solução possível.
Capítulo 7, Resumo de texto, neste capítulo construiremos o aplicativo que gera o resumo extrativo da transcrição médica. Estaremos usando bibliotecas python já disponíveis para nossa abordagem de linha de base. Depois disso utilizaremos diversas técnicas de vetorização e classificação para obter o resumo do documento médico. Também geraremos um resumo das análises de produtos da Amazon.
Capítulo 8, Desenvolvendo chatbots, neste capítulo desenvolveremos chatbot usando abordagem baseada em regras e abordagem baseada em aprendizagem profunda. Usaremos TensorFlow e Keras para construir chatbots.
Capítulo 9, Construindo um aplicativo de reconhecimento de objetos em tempo real, neste capítulo aprenderemos sobre aprendizagem por transferência. Aprenderemos sobre redes convolucionais e algoritmos YOLO (You Only Look Once). Usaremos modelos pré-treinados para desenvolver a aplicação.
Capítulo 10, Reconhecimento facial e reconhecimento de emoções faciais, nesta primeira metade do capítulo construiremos o aplicativo que pode reconhecer os rostos humanos. Durante a segunda metade do capítulo estaremos desenvolvendo um aplicativo que pode reconhecer expressões faciais humanas. Usaremos OpenCV, Keras e TensorFlow para construir este aplicativo.
Capítulo 11, Construindo bots de jogos, neste capítulo aprenderemos sobre Aprendizado por Reforço. Aqui usaremos a academia ou a biblioteca do universo para obter o ambiente de jogo. Primeiro entendemos o algoritmo Q-learning e mais tarde iremos implementá-lo para treinar nosso bot de jogos. Aqui estamos construindo um bot para jogos de Atari.
Apêndice A, Lista de folhas de dicas, neste capítulo obteremos a lista de folhas de dicas para várias bibliotecas Python que usamos com frequência em aplicativos de ciência de dados.
Apêndice B, Estratégia para vencer hackathons, neste capítulo conheceremos qual pode ser a estratégia possível para vencer hackathons. Também listei alguns dos recursos interessantes que podem ajudá-lo a se atualizar.
