Data Science

วิทยาการข้อมูล ??

สารบัญ ?

• ขอบเขตการเรียนรู้
• ลิงก์ที่ปรับใช้และลิงก์ Repo
• ไอเดีย
• วิสัยทัศน์
• คำอธิบายแนวคิดที่เป็นนวัตกรรม
• ข้อกำหนดเบื้องต้น
• LLM (เจนเอไอ)
• ดัชนีเนื้อหา
• รายการเนื้อหา
• มีส่วนร่วม
• ใบอนุญาต

ขอบเขตการเรียนรู้ ?

พื้นที่เก็บข้อมูลนี้มีวัตถุประสงค์เพื่อให้ประสบการณ์การเรียนรู้แบบลงมือปฏิบัติในพื้นที่ต่อไปนี้:

• การวิเคราะห์ข้อมูล
• การเรียนรู้ของเครื่อง
• การเรียนรู้เชิงลึก
• LLM (เจนเอไอ)

ลิงก์ที่ปรับใช้และลิงก์ Repo

ดัชนี	โครงการ	ลิงก์ที่ปรับใช้แล้ว	ลิงค์พื้นที่เก็บข้อมูล	เครื่องมือที่ใช้
1	การทำนายราคารถยนต์	ลิงก์ที่ปรับใช้แล้ว	ลิงค์รีโป	Streamlit, Scikit-learn, Pandas, NumPy
2	การทำนายราคารถยนต์	ลิงก์ที่ปรับใช้แล้ว	ลิงค์รีโป	Flask, Scikit-learn, Pandas, NumPy
3	การคาดการณ์ราคาสินเชื่อ	ลิงก์ที่ปรับใช้แล้ว	ลิงค์รีโป	Flask, Scikit-learn, Pandas, NumPy
4	การวิเคราะห์การขายดิวาลี	ไม่ได้ปรับใช้	ลิงค์รีโป	นุ่น, NumPy, PyPlot, ซีบอร์น
5	การจำแนกประเภทรูปภาพแมวและสุนัข	ไม่ได้ปรับใช้	ลิงค์รีโป	เทนเซอร์โฟลว์ , Keras , Matplotlib
6	ระบบติดตามเรซูเม่ขั้นสูง	ลิงก์ที่ปรับใช้แล้ว	ลิงค์รีโป	LLM , Generative-AI , PyPDF , Streamlit

ไอเดีย ?

ต่อไปนี้เป็นแนวคิดโครงการของคุณที่นำเสนอในรูปแบบตาราง:

แนวคิดโครงการ	คำอธิบาย	โดเมน
การวิเคราะห์เศรษฐกิจอินเดีย	วิเคราะห์ตัวชี้วัดและแนวโน้มทางเศรษฐกิจต่างๆ เพื่อทำความเข้าใจสถานะปัจจุบันและคาดการณ์สถานการณ์ในอนาคต	เศรษฐศาสตร์ การวิเคราะห์ข้อมูล
การวิเคราะห์การขายดิวาลี	วิเคราะห์ข้อมูลการขายก่อน ระหว่าง และหลังดิวาลีเพื่อระบุแนวโน้ม รูปแบบ และเพิ่มประสิทธิภาพกลยุทธ์การตลาด	การค้าปลีกการวิเคราะห์การขาย
การทำนายราคารถยนต์	พัฒนาโมเดล Machine Learning เพื่อคาดการณ์ราคารถยนต์ตามฟีเจอร์ต่างๆ เช่น ระยะทาง ยี่ห้อ เป็นต้น	การเรียนรู้ของเครื่อง, ยานยนต์
การคาดการณ์การอนุมัติสินเชื่อ	สร้างโมเดลแมชชีนเลิร์นนิงเพื่อคาดการณ์ว่าใบสมัครขอสินเชื่อจะได้รับการอนุมัติหรือปฏิเสธจากสถาบันการเงิน	การเรียนรู้ของเครื่องการเงิน
การจำแนกประเภทแมวและสุนัข	สร้างโมเดลการเรียนรู้เชิงลึกเพื่อจำแนกภาพแมวและสุนัขได้อย่างถูกต้อง	การเรียนรู้เชิงลึก คอมพิวเตอร์วิทัศน์
ระบบติดตามเรซูเม่ขั้นสูง	ใช้ระบบที่ครอบคลุมโดยใช้เทคนิค LLM เพื่อติดตามและวิเคราะห์เรซูเม่สำหรับการจับคู่งานและการสรรหาบุคลากร	LLM (Gen AI) ทรัพยากรบุคคล

วิสัยทัศน์ ⁉️

วิสัยทัศน์ของเราคือการอำนวยความสะดวกในการเรียนรู้และการสำรวจในสาขาวิทยาศาสตร์ข้อมูลโดยการจัดเตรียมโค้ด บทช่วยสอน และทรัพยากรที่มีเอกสารประกอบอย่างดี เรามุ่งหวังที่จะส่งเสริมให้บุคคลเข้าใจและใช้เทคนิควิทยาศาสตร์ข้อมูลกับปัญหาในโลกแห่งความเป็นจริง

คำอธิบายแนวคิดที่เป็นนวัตกรรม

เรามุ่งมั่นที่จะรวมแนวทางและแนวคิดที่เป็นนวัตกรรมเข้าไว้ในโครงการของเรา เพื่อผลักดันขอบเขตของวิธีการทางวิทยาศาสตร์ข้อมูลแบบดั้งเดิม แนวคิดเชิงนวัตกรรมบางส่วนที่ได้รับการสำรวจในพื้นที่เก็บข้อมูลนี้ ได้แก่:

• นวนิยายมีเทคนิคทางวิศวกรรม
• สถาปัตยกรรมแบบจำลองขั้นสูง
• วิธีการแสดงภาพที่ทันสมัย

ข้อกำหนดเบื้องต้น

ก่อนที่จะรันโค้ดในที่เก็บนี้ ตรวจสอบให้แน่ใจว่าคุณได้ติดตั้งการขึ้นต่อกันต่อไปนี้:

• หมีแพนด้า
• มากมาย
• scikit-learn (สกิทเลิร์น)
• เกิดในทะเล
• matplotlib
• พล็อต

นอกจากนี้ สำหรับโมเดลการเรียนรู้เชิงลึก คุณจะต้อง:

• เทนเซอร์โฟลว์
• เคราส

สำหรับรุ่น LLM (Gen AI) คุณจะต้องมี:

• ไลบรารี OpenAI
• ห้องสมุด Gen AI

คุณสามารถติดตั้งการพึ่งพาที่จำเป็นได้โดยใช้ pip:

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

LLM (เจน เอไอ) ??

LLM (Gen AI) ขยายกรอบการทำงาน LLM เพื่อรวมเทคนิค Generative AI เข้าด้วยกัน ช่วยให้สามารถสร้างข้อมูล รูปภาพ ข้อความ ฯลฯ ใหม่ๆ และสำรวจความเป็นไปได้ของความคิดสร้างสรรค์ที่ขับเคลื่อนด้วย AI

ดัชนีเนื้อหา ?

1. การวิเคราะห์ข้อมูล
2. การเรียนรู้ของเครื่อง
3. การเรียนรู้เชิงลึก

แต่ละส่วนประกอบด้วยสมุดบันทึกโดยละเอียด โค้ด และคำอธิบายสำหรับโปรเจ็กต์และแนวคิดเฉพาะ

รายการเนื้อหา ?

• data_analysis : ประกอบด้วยสมุดบันทึกและโค้ดสำหรับโครงการวิเคราะห์ข้อมูล
• machine_learning : รวมสมุดบันทึกและโค้ดสำหรับโปรเจ็กต์การเรียนรู้ของเครื่อง
• deep_learning : ประกอบด้วยสมุดบันทึกและโค้ดสำหรับโปรเจ็กต์การเรียนรู้เชิงลึก
• LLM : รวมสมุดบันทึกและโค้ดสำหรับโปรเจ็กต์ที่เกี่ยวข้องกับกรอบงาน LLM (การวิเคราะห์ข้อมูล, การเรียนรู้ของเครื่อง, การเรียนรู้เชิงลึก)

สำรวจแต่ละส่วนและดำดิ่งลงสู่โครงการต่างๆ เพื่อเพิ่มความเข้าใจเกี่ยวกับแนวคิดด้านวิทยาศาสตร์ข้อมูลได้ตามสบาย

เครดิต

ฉันอยากจะแสดงความขอบคุณต่อนักพัฒนาเครื่องมือ ห้องสมุด และโมเดลวิทยาศาสตร์ข้อมูลต่างๆ ที่มีส่วนสำคัญในการสร้างพื้นที่เก็บข้อมูลนี้:

เครื่องมือและไลบรารี

• pandas: พัฒนาโดย Wes McKinney และผู้มีส่วนร่วม pandas เป็นไลบรารีการจัดการและวิเคราะห์ข้อมูลที่ทรงพลังสำหรับ Python
• NumPy: สร้างโดย Travis Oliphant NumPy เป็นแพ็คเกจพื้นฐานสำหรับการคำนวณทางวิทยาศาสตร์ด้วย Python
• scikit-learn: พัฒนาโดยชุมชนของผู้มีส่วนร่วม scikit-learn เป็นไลบรารีการเรียนรู้ของเครื่องอเนกประสงค์สำหรับ Python
• seaborn: พัฒนาโดย Michael Waskom และผู้มีส่วนร่วม seaborn เป็นไลบรารีการแสดงภาพ Python ที่ใช้ matplotlib สำหรับกราฟิกเชิงสถิติ
• matplotlib: พัฒนาโดย John D. Hunter (และต่อมาคือ Michael Droettboom และผู้มีส่วนร่วม) matplotlib เป็นไลบรารีที่ครอบคลุมสำหรับการสร้างการแสดงภาพแบบคงที่ ภาพเคลื่อนไหว และการโต้ตอบใน Python
• plotly: พัฒนาโดย Plotly Technologies, plotly เป็นไลบรารีกราฟสำหรับ Python ที่สร้างกราฟเชิงโต้ตอบและคุณภาพสิ่งพิมพ์ทางออนไลน์
• TensorFlow: พัฒนาโดยทีมงาน Google Brain และผู้ร่วมให้ข้อมูล TensorFlow เป็นแพลตฟอร์มโอเพ่นซอร์สสำหรับการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก
• Keras: พัฒนาโดย François Chollet และผู้มีส่วนร่วม Keras เป็นไลบรารีเครือข่ายประสาทแบบโอเพ่นซอร์สที่เขียนด้วย Python ซึ่งทำหน้าที่เป็น API ระดับสูงสำหรับ TensorFlow
• OpenAI: OpenAI พัฒนาโดย OpenAI เป็นห้องปฏิบัติการวิจัยปัญญาประดิษฐ์ซึ่งประกอบด้วยบริษัท OpenAI LP ที่แสวงหาผลกำไรและบริษัทแม่ OpenAI Inc. ที่ไม่แสวงหากำไร
• ไลบรารี Gen AI: ไลบรารี Gen AI พัฒนาโดย Gen AI มอบเครื่องมือและเฟรมเวิร์กสำหรับเทคนิค Generative AI ซึ่งช่วยให้สามารถสร้างข้อมูล รูปภาพ ข้อความ ฯลฯ ใหม่ได้

โมเดลการเรียนรู้ของเครื่อง

• XGBoost: พัฒนาโดยชุมชนผู้มีส่วนร่วม XGBoost เป็นไลบรารีการเร่งความเร็วแบบกระจายที่ได้รับการปรับปรุงซึ่งออกแบบมาเพื่อความเร็วและประสิทธิภาพ
• LightGBM: LightGBM พัฒนาโดย Microsoft เป็นเฟรมเวิร์กการไล่ระดับสีที่ใช้อัลกอริทึมการเรียนรู้แบบต้นไม้
• CatBoost: พัฒนาโดย Yandex CatBoost เป็นไลบรารี่เร่งการไล่ระดับสีแบบโอเพ่นซอร์สที่ให้ผลลัพธ์ที่ล้ำสมัยทันทีที่แกะกล่อง
• SciPy: พัฒนาโดยชุมชนของผู้มีส่วนร่วม SciPy เป็นห้องสมุดคอมพิวเตอร์ทางวิทยาศาสตร์ที่สร้างบน NumPy และมีฟังก์ชันเพิ่มเติม
• StatsModels: พัฒนาโดยชุมชนของผู้มีส่วนร่วม StatsModels เป็นโมดูล Python ที่ให้คลาสและฟังก์ชันสำหรับการประมาณค่าแบบจำลองทางสถิติต่างๆ มากมาย

โมเดลการเรียนรู้เชิงลึก

• PyTorch: พัฒนาโดยห้องปฏิบัติการวิจัย AI (FAIR) ของ Facebook และผู้มีส่วนร่วม PyTorch เป็นไลบรารีการเรียนรู้ของเครื่องแบบโอเพ่นซอร์สโดยอิงจากไลบรารี Torch
• fastai: fastai พัฒนาโดย fast.ai เป็นห้องสมุดการเรียนรู้เชิงลึกที่สร้างขึ้นบน PyTorch ที่ให้นามธรรมระดับสูงสำหรับการฝึกอบรมและการปรับใช้โมเดลการเรียนรู้เชิงลึก

เราขอแสดงความขอบคุณอย่างจริงใจต่อนักพัฒนาเหล่านี้และชุมชนโอเพ่นซอร์สในวงกว้างสำหรับการมีส่วนร่วมอันล้ำค่าของพวกเขาในสาขาวิทยาศาสตร์ข้อมูล

มีส่วนร่วม ?

ยินดีต้อนรับการมีส่วนร่วมในพื้นที่เก็บข้อมูลนี้! ไม่ว่าจะเป็นการแก้ไขข้อบกพร่อง การเพิ่มโปรเจ็กต์ใหม่ หรือการปรับปรุงเอกสาร การมีส่วนร่วมของคุณจะช่วยทำให้ทรัพยากรนี้ดีขึ้นสำหรับทุกคน

โปรดดูหลักเกณฑ์การบริจาคก่อนที่จะส่งการบริจาคของคุณ

ใบอนุญาต

พื้นที่เก็บข้อมูลนี้ได้รับอนุญาตภายใต้ใบอนุญาต MIT ดูไฟล์ใบอนุญาตสำหรับรายละเอียด