data science portfolio

データサイエンスポートフォリオ

アカデミック、セルフラーニング、趣味の目的で私によって完了したデータサイエンスプロジェクトのポートフォリオを含むリポジトリ。 Jupyterノートブックの形式で提示され、R Markdownファイル（RPUBSで公開）。

ポートフォリオを閲覧するためのより視覚的に快適な体験については、sajalsharma.comをご覧ください

Rポートフォリオはここにあります。

注：プロジェクトで使用されるデータ（データディレクトリでアクセス）は、デモンストレーションのみを目的としています。

Pythonノートブックをローカルに実行するための手順

1. 要件を使用して依存関係をインストールします。
2. Jupyterノートブックサーバー、VSCODEなどを使用して、通常どおりノートブックを実行します。

コンテンツ

• 機械学習

  • ボストンの住宅価格の予測：さまざまな統計分析ツールを使用して、ボストン不動産市場の特定の家の価値を予測するモデル。クライアントが機械学習を利用して家を売ることができる最高の価格を特定しました。
  • 監視された学習：CharityMLのドナーを見つける：いくつかの異なる監視された学習アルゴリズムをテストして、個人が50,000ドル以上を稼ぐかどうかを正確に予測するモデルを構築し、架空の非営利組織のドナーを特定します。
  • 監視されていない学習：顧客セグメントの作成：内部構造、パターン、知識を発見するための多様な製品カテゴリのさまざまな顧客の年間支出額（通貨単位で報告）に関するデータを含むデータセットの分析。
  • 補強学習：ドライブするためのSmartCabのトレーニング：環境を介してスマートキャブを目標に向けてナビゲートする最適化されたQラーニングドライビングエージェントを作成します。
  • ディープラーニング：CNNSを使用した数字シーケンス認識：MNISTからのコンダニショナル画像によって生成された合成データを使用して数字のシーケンスを認識することを学習する畳み込みニューラルネットワークの設計と実装。

  ツール：Scikit-Learn、Pandas、Seaborn、Matplotlib、Pygame

• 自然言語処理

  • 災害メッセージ分類器：災害メッセージのカテゴリを予測するためのマルチサーベル分類モデル。データ処理用のETLパイプライン、モデルをトレーニングするためのMLパイプライン、および視覚化を備えたWebアプリが含まれています。ここでは、モデルを使用してメッセージを分類できます。ツール：NLTK、SCIKIT-LEARN、XGBOOST、FLASK、PLOTLY

  • ツイートの3ウェイセンチメント分析：NLTKのセンチメント分析エンジンを使用せずに、ツイートの3方向極性（陽性、負、ニュートラル）分類システム。

  • クロス言語情報検索：クロス言語情報検索システム（CLIR）は、ドイツ語でクエリを与えられて、英語で書かれたテキスト文書を検索します。

  ツール：NLTK、Scikit

• データ分析と視覚化

  • Python
    • メルボルンのスケーラブルな歩行性分析：ビクトリア州、およびその意味のメルボルンの郊外の歩行性の分析。
    • タイタニックデータセット - 探索的分析：パンダとシーボーンの視覚化を使用したRMSタイタニックの乗客の探索的分析。
    • ハイテク株の株式市場分析：時間の経過に伴う価格の変化、毎日のリターン、株式行動予測を含む技術株の分析。
    • 2016米国総選挙調査データ分析：2016年の米国総選挙調査データの非常に簡単な分析。
    • 911コール - 探索的分析：Kaggleでホストされている911コールデータセットの探索的データ分析。さまざまな変数から有用な機能の抽出を示します。

  ツール：Pandas、Folium、Seaborn、Matplotlib

  • r
    • 行動リスク因子サーベイランスシステム（BRFSS）2013：探索的データ分析：BRFSS-2013データセットの探索分析、教育と食習慣、睡眠と精神の健康、喫煙、飲酒、一般的な健康の関係の調査に焦点を当てています。
    • 推論統計：男性または女性は性教育に反対していますか？ ：GSS（一般的な社会調査）データセットを使用して、2012年に米国で18歳以上の男性であるかどうかを推測します。
    • データの視覚化：腐敗と人間開発：「人間開発指数」と国の「腐敗認識指数」との関係の散布図。
    • Moneyball：Lost Playersの分析と交換：2001年にオークランドAが失った主要なプレーヤーの代替品を調べるために、2001年の野球データの探索。本/映画：Moneyballに触発されました。

• マイクロプロジェクト：

  • Python

    • ロジスティック回帰を使用したML：ロジスティック回帰を使用して、インターネットユーザーが広告をクリックしたかどうかを予測します。
    • Kの最近傍を使用したML：KNNを使用して、偽のデータセットからインスタンスを2つのターゲットクラスに分類し、肘法を使用してKに最適な値を選択します。
    • 意思決定の木とランダムフォレストを備えたML：決定木とランダムフォレストを使用して、貸し手がローンを返済するかどうかを予測します。 lendingclub.comから一般的に利用可能なデータを使用します
    • 映画の推奨事項推奨システムを使用：ユーザーレビューの類似性に基づいて映画の推奨事項を作成する推奨システムを構築するマイクロプロジェクト。

  • r

    • MLロジスティック回帰：ロジスティック回帰を使用した人の給与クラスの予測。
    • MLの決定木とランダムフォレスト：意思決定ツリーとランダムフォレストを使用して、学校を私的または公共として分類します。

また、他のあらゆる種類のテクノロジーにも手を出しています。ここで一般的なポートフォリオを見つけることができます。

見たものが気に入った場合は、ポートフォリオ、仕事の機会、またはコラボレーションについて私とチャットしたい場合は、[email protected]でメールを撮影してください。

私の仕事をサポートしてください

このプロジェクトがあなたにインスピレーションを与えたり、あなた自身のポートフォリオのアイデアを与えたり、助けてくれたなら、私にコーヒーを買うことを検討してください❤️。