# 100daysofmlcode
Table des matières
1. Pré-traitement des données
- Importation de bibliothèques
- Importation d'ensembles de données
- Gestion des valeurs de données manquantes
- Codage des données catégorielles
- Diviser les données en données de train et tester les données
- Échelle de fonctionnalité
2. Régression
- Régression linéaire simple
- Régression multi-linéaire
- Régression polynomiale
- Soutenir la régression du vecteur
- Régression des arbres de décision
- Régression forestière aléatoire
3. Classification
- Régression logistique
- K Classification des voisins les plus proches
- Machine de vecteur de support
- Noyau SVM
- Bayes naïf
- Classification des arbres de décision
- Classification des forêts aléatoires
4. Clustering
- Clustering k-means
- Regroupement hiérarchique
5. Règle d'association
6. Apprentissage du renforcement
- Limites de confiance supérieure
- Échantillonnage de Thompson
7. Traitement du langage naturel
8. Apprentissage en profondeur
- Réseaux de neurones artificiels (Ann)
- 2. Réseaux de neurones convolutionnels (CNN)
9. Réduction de la dimensionnalité
- Analyse des composants principaux
- Analyse discriminante linéaire
- Noyau PCA
10. Sélection du modèle
- Recherche de grille
- Validation croisée K-Fold
- Xgboost
11. Visualisation des données
- Bibliothèque matplotlib à python
- Tableau
- Power Bi
- Grafana
Journal de mes activités quotidiennes
Suivez mes activités quotidiennes ici
Comment contribuer
Il s'agit d'un projet ouvert et la contribution dans toutes les formes est la bienvenue. Veuillez suivre ces directives de contribution
Code de conduite
Adhérez au code communautaire spécifié GitHub.
Licence
Vérifiez la licence officielle du MIT ici.
Contributeurs
@Nishkarshraj
@ neha-shah99
@manavkapadnis
@Udaykiranpadhy
@codingcosmonaut
@ekdnam
@ anushka0301
@Jeremiahkamama
@aenyne
@pragyakapoor
