Data Science

Ciência de Dados ??

Índice ?

• Escopo de Aprendizagem
• Link implantado e link de repositório
• Ideias
• Visão
• Descrição de ideias inovadoras
• Pré-requisitos
• LLM (Geração IA)
• Índice de conteúdo
• Lista de conteúdos
• Contribuindo
• Licença

Escopo de aprendizagem?

Este repositório tem como objetivo fornecer experiências de aprendizagem práticas nas seguintes áreas:

• Análise de dados
• Aprendizado de máquina
• Aprendizado profundo
• LLM (Geração IA)

Link implantado e link de repositório

Índice	Projeto	Link implantado	Link do repositório	Ferramentas usadas
1	Previsão de preço de carro	Link implantado	Link do repositório	Streamlit, Scikit-learn, Pandas, NumPy
2	Previsão de preço de carro	Link implantado	Link do repositório	Frasco, Scikit-learn, Pandas, NumPy
3	Previsão do preço do empréstimo	Link implantado	Link do repositório	Frasco, Scikit-learn, Pandas, NumPy
4	Análise de vendas de Diwali	Não implantado	Link do repositório	Pandas, NumPy, PyPlot, Seaborn
5	Classificação de imagens de gato x cachorro	Não implantado	Link do repositório	Tensorflow, Keras, Matplotlib
6	Sistema avançado de rastreamento de currículo	Link implantado	Link do repositório	LLM, IA generativa, PyPDF, Streamlit

Idéias?

Aqui estão suas ideias de projeto apresentadas em formato tabular:

Ideia de Projeto	Descrição	Domínio
Análise da Economia Indiana	Analise vários indicadores e tendências econômicas para compreender o estado atual e prever cenários futuros.	Economia, Análise de Dados
Análise de vendas de Diwali	Analise os dados de vendas antes, durante e depois do Diwali para identificar tendências, padrões e otimizar estratégias de marketing.	Varejo, Análise de Vendas
Previsão de preço de carro	Desenvolva um modelo de aprendizado de máquina para prever o preço dos carros com base em vários recursos, como quilometragem, marca, etc.	Aprendizado de máquina automotivo
Previsão de aprovação de empréstimo	Crie um modelo de aprendizado de máquina para prever se um pedido de empréstimo será aprovado ou rejeitado por uma instituição financeira.	Aprendizado de máquina, finanças
Classificação de gato vs cachorro	Crie um modelo de aprendizado profundo para classificar imagens de cães e gatos com precisão.	Aprendizado profundo, visão computacional
Sistema avançado de rastreamento de currículo	Implemente um sistema abrangente usando técnicas de LLM para rastrear e analisar currículos para correspondência e recrutamento de empregos.	LLM (Geração IA), Recursos Humanos

Visão ?️

Nossa visão é facilitar o aprendizado e a exploração no campo da ciência de dados, fornecendo códigos, tutoriais e recursos bem documentados. Nosso objetivo é capacitar os indivíduos a compreender e aplicar técnicas de ciência de dados a problemas do mundo real.

Descrição de ideias inovadoras

Nós nos esforçamos para incorporar abordagens e ideias inovadoras em nossos projetos, ultrapassando os limites das metodologias tradicionais de ciência de dados. Algumas das ideias inovadoras exploradas neste repositório incluem:

• Novas técnicas de engenharia de recursos
• Arquiteturas de modelos avançados
• Métodos de visualização de ponta

Pré-requisitos

Antes de executar o código neste repositório, certifique-se de ter as seguintes dependências instaladas:

• pandas
• entorpecido
• scikit-learn (sklearn)
• nascido no mar
• matplotlib
• tramadamente

Além disso, para modelos de aprendizagem profunda, você precisará de:

• TensorFlow
• Keras

Para modelos LLM (Gen AI), você também precisará de:

• Biblioteca OpenAI
• Bibliotecas Gen AI

Você pode instalar as dependências necessárias usando pip:

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

LLM (Geração AI) ??

LLM (Gen AI) estende a estrutura LLM para incorporar técnicas de IA generativa, permitindo a geração de novos dados, imagens, texto, etc., e explorando as possibilidades de criatividade orientada por IA.

Índice de conteúdo?

1. Análise de dados
2. Aprendizado de máquina
3. Aprendizado profundo

Cada seção contém cadernos detalhados, códigos e explicações para projetos e conceitos específicos.

Lista de conteúdos?

• data_analysis : Contém notebooks e código para projetos de análise de dados.
• machine_learning : inclui notebooks e código para projetos de aprendizado de máquina.
• deep_learning : Consiste em notebooks e código para projetos de aprendizagem profunda.
• LLM : Inclui notebooks e código para projetos relacionados ao framework LLM (Data Analysis, Machine Learning, Deep Learning).

Sinta-se à vontade para explorar cada seção e mergulhar nos projetos para aprimorar sua compreensão dos conceitos de ciência de dados.

Créditos

Gostaria de expressar minha gratidão aos desenvolvedores das diversas ferramentas, bibliotecas e modelos de ciência de dados que foram fundamentais na criação deste repositório:

Ferramentas e bibliotecas

• pandas: Desenvolvido por Wes McKinney e colaboradores, pandas é uma poderosa biblioteca de manipulação e análise de dados para Python.
• NumPy: Criado por Travis Oliphant, NumPy é o pacote fundamental para computação científica com Python.
• scikit-learn: Desenvolvido por uma comunidade de colaboradores, scikit-learn é uma biblioteca versátil de aprendizado de máquina para Python.
• seaborn: Desenvolvido por Michael Waskom e colaboradores, seaborn é uma biblioteca de visualização Python baseada em matplotlib para gráficos estatísticos.
• matplotlib: Desenvolvido por John D. Hunter (e posteriormente Michael Droettboom e colaboradores), matplotlib é uma biblioteca abrangente para criar visualizações estáticas, animadas e interativas em Python.
• plotly: Desenvolvido pela Plotly Technologies, plotly é uma biblioteca gráfica para Python que cria gráficos interativos com qualidade de publicação online.
• TensorFlow: Desenvolvido pela equipe e colaboradores do Google Brain, o TensorFlow é uma plataforma de código aberto para aprendizado de máquina e aprendizado profundo.
• Keras: Desenvolvido por François Chollet e colaboradores, Keras é uma biblioteca de rede neural de código aberto escrita em Python que serve como uma API de alto nível para TensorFlow.
• OpenAI: Desenvolvido pela OpenAI, o OpenAI é um laboratório de pesquisa de inteligência artificial que consiste na corporação com fins lucrativos OpenAI LP e sua empresa-mãe, a organização sem fins lucrativos OpenAI Inc.
• Bibliotecas Gen AI: Desenvolvidas pela Gen AI, as Bibliotecas Gen AI fornecem ferramentas e estruturas para técnicas de IA generativa, permitindo a geração de novos dados, imagens, texto, etc.

Modelos de aprendizado de máquina

• XGBoost: Desenvolvido por uma comunidade de colaboradores, o XGBoost é uma biblioteca otimizada de aumento de gradiente distribuída, projetada para velocidade e desempenho.
• LightGBM: Desenvolvido pela Microsoft, LightGBM é uma estrutura de aumento de gradiente que usa algoritmos de aprendizagem baseados em árvore.
• CatBoost: Desenvolvido por Yandex, CatBoost é uma biblioteca de aumento de gradiente de código aberto que fornece resultados de última geração prontos para uso.
• SciPy: Desenvolvido por uma comunidade de colaboradores, SciPy é uma biblioteca de computação científica que se baseia no NumPy e fornece funcionalidades adicionais.
• StatsModels: Desenvolvido por uma comunidade de colaboradores, StatsModels é um módulo Python que fornece classes e funções para estimativa de diversos modelos estatísticos.

Modelos de aprendizagem profunda

• PyTorch: Desenvolvido pelo laboratório de pesquisa de IA do Facebook (FAIR) e colaboradores, PyTorch é uma biblioteca de aprendizado de máquina de código aberto baseada na biblioteca Torch.
• fastai: Desenvolvido por fast.ai, fastai é uma biblioteca de aprendizado profundo construída sobre PyTorch que fornece abstrações de alto nível para treinamento e implantação de modelos de aprendizado profundo.

Estendemos nosso sincero agradecimento a esses desenvolvedores e à comunidade de código aberto em geral por suas contribuições inestimáveis ​​ao campo da ciência de dados.

Contribuindo?

Contribuições para este repositório são bem-vindas! Seja corrigindo um bug, adicionando um novo projeto ou melhorando a documentação, suas contribuições ajudam a tornar este recurso melhor para todos.

Consulte as diretrizes de contribuição antes de enviar suas contribuições.

Licença

Este repositório está licenciado sob a licença MIT. Consulte o arquivo LICENSE para obter detalhes.