Data Science

Наука о данных ??

Оглавление ?

• Объем обучения
• Развернутая ссылка и ссылка на репо
• Идеи
• Зрение
• Описание инновационных идей
• Предварительные условия
• LLM (поколение AI)
• Указатель содержания
• Список содержания
• Содействие
• Лицензия

Объем обучения?

Этот репозиторий предназначен для предоставления практического опыта обучения в следующих областях:

• Анализ данных
• Машинное обучение
• Глубокое обучение
• LLM (поколение AI)

Развернутая ссылка и ссылка на репо

Индекс	Проект	Развернутая ссылка	Ссылка на репозиторий	Используемые инструменты
1	Прогноз цен на автомобили	Развернутая ссылка	Ссылка на репо	Streamlit, Scikit-learn, Pandas, NumPy
2	Прогноз цен на автомобили	Развернутая ссылка	Ссылка на репо	Flask, Scikit-learn, Pandas, NumPy
3	Прогноз цены кредита	Развернутая ссылка	Ссылка на репо	Flask, Scikit-learn, Pandas, NumPy
4	Анализ продаж Дивали	Не развернуто	Ссылка на репо	Панды, NumPy, PyPlot, Сиборн
5	Классификация изображений кошек и собак	Не развернуто	Ссылка на репо	Тензорный поток, Керас, Matplotlib
6	Расширенная система отслеживания резюме	Развернутая ссылка	Ссылка на репо	LLM, Генеративный искусственный интеллект, PyPDF, Streamlit

Идеи?

Вот идеи вашего проекта, представленные в табличном формате:

Идея проекта	Описание	Домен
Анализ индийской экономики	Анализируйте различные экономические показатели и тенденции, чтобы понять текущее состояние и спрогнозировать будущие сценарии.	Экономика, Анализ данных
Анализ продаж Дивали	Анализируйте данные о продажах до, во время и после Дивали, чтобы выявить тенденции, закономерности и оптимизировать маркетинговые стратегии.	Розничная торговля, Анализ продаж
Прогноз цен на автомобили	Разработайте модель машинного обучения для прогнозирования цен на автомобили на основе различных характеристик, таких как пробег, марка и т. д.	Машинное обучение, Автомобильная промышленность
Прогноз одобрения кредита	Создайте модель машинного обучения, чтобы предсказать, будет ли кредитная заявка одобрена или отклонена финансовым учреждением.	Машинное обучение, Финансы
Классификация кошек и собак	Создайте модель глубокого обучения для точной классификации изображений кошек и собак.	Глубокое обучение, Компьютерное зрение
Расширенная система отслеживания резюме	Внедрите комплексную систему с использованием методов LLM для отслеживания и анализа резюме для подбора и подбора вакансий.	LLM (Gen AI), Человеческие ресурсы

Видение ?️

Наше видение состоит в том, чтобы облегчить обучение и исследования в области науки о данных, предоставляя хорошо документированный код, учебные пособия и ресурсы. Мы стремимся дать людям возможность понимать и применять методы науки о данных для решения реальных проблем.

Описание инновационных идей

Мы стремимся включать инновационные подходы и идеи в наши проекты, расширяя границы традиционных методологий обработки данных. Некоторые из инновационных идей, рассмотренных в этом репозитории, включают:

• Новые методы проектирования функций
• Расширенная архитектура моделей
• Передовые методы визуализации

Предварительные условия

Прежде чем запускать код в этом репозитории, убедитесь, что у вас установлены следующие зависимости:

• панды
• бестолковый
• scikit-learn (склеарн)
• рожденный в море
• matplotlib
• заговор

Кроме того, для моделей глубокого обучения вам понадобится:

• Тензорфлоу
• Керас

Для моделей LLM (Gen AI) вам также понадобится:

• библиотека OpenAI
• Библиотеки поколения ИИ

Вы можете установить необходимые зависимости с помощью pip:

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

LLM (Gen AI) ??

LLM (Gen AI) расширяет структуру LLM, включив в нее методы генеративного искусственного интеллекта, позволяющие генерировать новые данные, изображения, текст и т. д., а также исследовать возможности творчества, основанного на искусственном интеллекте.

Указатель содержания?

1. Анализ данных
2. Машинное обучение
3. Глубокое обучение

Каждый раздел содержит подробные блокноты, код и пояснения для конкретных проектов и концепций.

Список содержания?

• data_analysis : Содержит блокноты и код для проектов анализа данных.
• machine_learning : включает блокноты и код для проектов машинного обучения.
• deep_learning : Состоит из блокнотов и кода для проектов глубокого обучения.
• LLM : включает блокноты и код для проектов, связанных с структурой LLM (анализ данных, машинное обучение, глубокое обучение).

Не стесняйтесь изучать каждый раздел и погружаться в проекты, чтобы улучшить свое понимание концепций науки о данных.

Кредиты

Я хотел бы выразить благодарность разработчикам различных инструментов, библиотек и моделей обработки данных, которые сыграли важную роль в создании этого репозитория:

Инструменты и библиотеки

• pandas: Разработанная Уэсом МакКинни и его участниками, pandas представляет собой мощную библиотеку для манипулирования и анализа данных для Python.
• NumPy: NumPy, созданный Трэвисом Олифантом, представляет собой фундаментальный пакет для научных вычислений на Python.
• scikit-learn: scikit-learn, разработанная сообществом участников, представляет собой универсальную библиотеку машинного обучения для Python.
• seaborn: Seaborn, разработанная Майклом Васкомом и его участниками, представляет собой библиотеку визуализации Python, основанную на matplotlib для статистической графики.
• matplotlib: разработанная Джоном Д. Хантером (а позже Майклом Дреттбумом и его участниками), matplotlib представляет собой комплексную библиотеку для создания статических, анимированных и интерактивных визуализаций на Python.
• plotly:plotly, разработанная Plotly Technologies, представляет собой графическую библиотеку для Python, которая создает в Интернете интерактивные графики публикационного качества.
• TensorFlow: TensorFlow, разработанная командой Google Brain и ее участниками, представляет собой платформу с открытым исходным кодом для машинного и глубокого обучения.
• Keras: Keras, разработанная Франсуа Шолле и его участниками, представляет собой библиотеку нейронных сетей с открытым исходным кодом, написанную на Python и служащую API высокого уровня для TensorFlow.
• OpenAI: OpenAI, разработанная OpenAI, представляет собой исследовательскую лабораторию искусственного интеллекта, состоящую из коммерческой корпорации OpenAI LP и ее материнской компании, некоммерческой организации OpenAI Inc.
• Библиотеки Gen AI: библиотеки Gen AI, разработанные Gen AI, предоставляют инструменты и платформы для методов генеративного искусственного интеллекта, позволяющие генерировать новые данные, изображения, текст и т. д.

Модели машинного обучения

• XGBoost: XGBoost, разработанная сообществом участников, представляет собой оптимизированную распределенную библиотеку повышения градиента, предназначенную для скорости и производительности.
• LightGBM: LightGBM, разработанный Microsoft, представляет собой среду повышения градиента, использующую древовидные алгоритмы обучения.
• CatBoost: CatBoost, разработанная Яндексом, представляет собой библиотеку повышения градиента с открытым исходным кодом, которая сразу же обеспечивает самые современные результаты.
• SciPy: SciPy, разработанная сообществом участников, представляет собой библиотеку научных вычислений, основанную на NumPy и предоставляющую дополнительные функции.
• StatsModels: StatsModels, разработанный сообществом участников, представляет собой модуль Python, который предоставляет классы и функции для оценки множества различных статистических моделей.

Модели глубокого обучения

• PyTorch: PyTorch, разработанная исследовательской лабораторией Facebook AI Research (FAIR) и ее участниками, представляет собой библиотеку машинного обучения с открытым исходным кодом, основанную на библиотеке Torch.
• fastai: Fastai, разработанная fast.ai, представляет собой библиотеку глубокого обучения, построенную на базе PyTorch и предоставляющую высокоуровневые абстракции для обучения и развертывания моделей глубокого обучения.

Мы выражаем искреннюю признательность этим разработчикам и более широкому сообществу разработчиков программного обеспечения с открытым исходным кодом за их неоценимый вклад в область науки о данных.

Содействие?

Вклады в этот репозиторий приветствуются! Будь то исправление ошибки, добавление нового проекта или улучшение документации, ваш вклад поможет сделать этот ресурс лучше для всех.

Прежде чем отправлять свои материалы, ознакомьтесь с правилами внесения вкладов.

Лицензия

Этот репозиторий лицензируется по лицензии MIT. Подробности смотрите в файле ЛИЦЕНЗИИ.