100DaysofMLCode

#100daysofMlCode

Inhaltsverzeichnis

1. Datenvorverarbeitung

• Bibliotheken importieren
• Datensätze importieren
• Umgang mit den fehlenden Datenwerten
• Kodierende kategoriale Daten
• Teilen Sie Daten in Zugdaten und testen Sie Daten
• Feature Scaling

2. Regression

• Einfache lineare Regression
• Mehrere lineare Regression
• Polynomregression
• Unterstützung der Vektorregression
• Entscheidungsbaumregression
• Zufällige Waldregression

3. Klassifizierung

• Logistische Regression
• K nächste Nachbarn Klassifizierung
• Vektormaschine unterstützen
• Kernel Svm
• Naive Bayes
• Klassifizierung von Entscheidungsbaum
• Zufällige Waldklassifizierung

4. Clustering

• K-Means Clustering
• Hierarchische Clustering

5. Assoziationsregel

• Apriori
• Eklat

6. Verstärkungslernen

• Obere Vertrauensgrenzen
• Thompson -Probenahme

7. Verarbeitung natürlicher Sprache

• AWS verständlich

8. Deep Learning

• Künstliche neuronale Netze (Ann)
• 2. Faltungsnetzwerke (CNN)

9. Dimensionalitätsreduzierung

• Hauptkomponentenanalyse
• Lineare Diskriminanzanalyse
• Kernel PCA

10. Modellauswahl

• Gittersuche
• K-fach Kreuzvalidierung
• Xgboost

11. Datenvisualisierung

• Matplotlib -Bibliothek in Python
• Tableau
• Power Bi
• Grafana

Protokoll meiner täglichen Aktivitäten

Verfolgen Sie meine täglichen Aktivitäten hier

Wie man beiträgt

Dies ist ein offenes Projekt und der Beitrag in allen Formen wird begrüßt. Bitte befolgen Sie diese Beitragsrichtlinien

Verhaltenskodex

Halten Sie sich an den von Github angegebenen Community -Code.

Lizenz

Überprüfen Sie hier die offizielle MIT -Lizenz.

Mitwirkende

• @INSHKARSHRAJ

• @Neha-shah99

• @Manavkapadnis

• @Udaykiranpadhy

• @CodingCosmonaut

• @EKDNAM

• @Anushka0301

• @Jeremiahkamama

• @aenyne

• @pragyakapoor