Awesome_Machine_Learning_Solutions

Потрясающие решения для машинного обучения

Кураторский список репозиториев для моей книги «Решения для машинного обучения».

Вы получите возможность научиться разрабатывать передовые приложения для обработки данных с использованием различных методов машинного обучения (ML). Эта книга представляет собой практическое руководство, которое поможет вам создавать и оптимизировать приложения для обработки данных. Вы можете получить доступ к исходному коду, используя ссылки, указанные после описания главы.

• Глава 1 «Моделирование кредитного риска». В этой главе мы построим модель прогнозной аналитики, которая поможет нам предсказать, когда клиент не выполнит обязательства по кредиту или нет. Мы будем использовать обнаружение выбросов, преобразование признаков, алгоритмы ансамблевого машинного обучения и т. д., чтобы получить наилучшее возможное решение.

  • Моделирование кредитного риска

• Глава 2 «Прогнозирование цен на фондовом рынке». В этой главе мы построим прогнозирующую модель, которая сможет предсказать цену фондового индекса на основе набора исторических данных. Мы будем использовать нейронные сети, чтобы получить наилучшее возможное решение.

  • Прогноз фондового индекса

• Глава 3, Аналитика клиентов. В этой главе мы рассмотрим, как построить сегментацию клиентов, чтобы маркетинговые кампании можно было проводить оптимально. Используя различные алгоритмы машинного обучения, такие как K-ближайший сосед, случайный лес и т. д., мы можем построить базовый подход. Чтобы получить наилучшее возможное решение, мы будем использовать ансамблевые алгоритмы машинного обучения.

  • Сегментация клиентов
  • Анализ пожизненной ценности клиента
  • Анализ оттока клиентов

• Глава 4, «Системы рекомендаций для электронного запуска». В этой главе мы создадим механизм рекомендаций для платформы электронной коммерции. Мы создадим рекомендательный механизм, который будет рекомендовать похожие книги. Для создания приложения мы будем использовать такие концепции, как корреляция, TF-IDF, косинусное сходство.

  • Механизм рекомендаций для продуктов электронной коммерции
  • Система рекомендаций книг

• Глава 5 «Анализ настроений». В этой главе мы будем генерировать оценку настроений для рецензий на фильмы. Чтобы получить лучшее решение, мы будем использовать рекуррентные нейронные сети и блоки долговременной памяти.

  • Анализ настроений

• Глава 6, Механизм рекомендаций вакансий. В этой главе мы создадим собственный набор данных, который можно использовать для создания механизма рекомендаций вакансий. Мы также будем использовать уже доступный набор данных для создания системы рекомендаций по вакансиям. Мы будем использовать основные статистические методы, чтобы получить наилучшее возможное решение.

  • Базовый механизм рекомендаций вакансий с использованием TF-IDF и косинусного сходства.
  • Система рекомендаций по вакансиям

• Глава 7, Обобщение текста. В этой главе мы создадим приложение, которое будет генерировать краткое изложение медицинской транскрипции. Для нашего базового подхода мы будем использовать уже доступные библиотеки Python. После этого мы будем использовать различные методы векторизации и ранжирования, чтобы получить резюме медицинского документа. Мы также подготовим сводку обзоров продуктов Amazon.

  • Экстрактивное обобщение медицинской транскрипции
  • обобщение обзоров продуктов Amazon

• Глава 8, Разработка чат-ботов. В этой главе мы разработаем чат-бот, используя подход, основанный на правилах, и подход, основанный на глубоком обучении. Мы будем использовать TensorFlow и Keras для создания чат-ботов.

  • Чат-боты, основанные на правилах
  • Создайте чат-бота с помощью TensorFlow.
  • Создайте чат-бота, используя Keras. Этот бот обладает способностью рассуждать...!

• Глава 9 «Создание приложения для распознавания объектов в реальном времени». В этой главе мы узнаем о трансферном обучении. Мы узнаем о сверточных сетях и алгоритмах YOLO (You Only Look Once). Для разработки приложения мы будем использовать предварительно обученные модели.

  • Обнаружение объектов в реальном времени с использованием OpenCV
  • Обнаружение объектов в реальном времени с помощью YOLO

• Глава 10, Распознавание лиц и распознавание эмоций лица. В этой первой половине главы мы создадим приложение, которое сможет распознавать человеческие лица. Во второй половине главы мы будем разрабатывать приложение, которое сможет распознавать выражение лица человека. Для создания этого приложения мы будем использовать OpenCV, Keras и TensorFlow.

  • Простое распознавание лиц
  • Распознавание эмоций по лицу с помощью TensorFlow
  • Распознавание эмоций по лицу с помощью Keras

• Глава 11 «Создание игровых ботов». В этой главе мы познакомимся с обучением с подкреплением. Здесь мы будем использовать тренажерный зал или библиотеку вселенных, чтобы создать игровую среду. Сначала мы поняли алгоритм Q-обучения, а позже реализуем его для обучения нашего игрового бота. Здесь мы создаем бота для игр Atari.

  • Q-Learning для простых игр Atari
  • Игровой бот Space Invaders
  • Игровой бот для пинг-понга
  • Игровой бот Flappy Bird

• Приложение A, Список шпаргалок. В этой главе мы получим список шпаргалок для различных библиотек Python, которые мы часто используем в приложениях для обработки данных.

  • Шпаргалки по библиотекам Python
  • Список потрясающих фреймворков, библиотек, программного обеспечения и ресурсов Python

• Приложение B, Стратегия победы на хакатоне. В этой главе мы узнаем, какой может быть возможная стратегия победы на хакатоне. Я также перечислил некоторые интересные ресурсы, которые могут помочь вам обновить себя.

Вы можете присоединиться к данной комнате для дальнейшего обсуждения.