Estudo e implementação dos principais algoritmos de Machine Learning em Jupyter Notebooks.
Branch: master
Clone or download
Fetching latest commit…
Cannot retrieve the latest commit at this time.
Permalink
Type Name Latest commit message Commit time
Failed to load latest commit information.
data adiciona datasets de exemplos Feb 3, 2019
images Feature Selection Jan 17, 2018
third_party Feature Selection Jan 17, 2018
utils
.gitignore Initial commit May 17, 2017
Adaboost.ipynb
Decision Trees.ipynb Árvores de Decisão May 17, 2017
Feature Selection.ipynb Feature Selection Jan 17, 2018
K-Means.ipynb padroniza notebook do k-means Jan 23, 2019
KNN.ipynb padroniza notebook do knn Jan 26, 2019
LDA.ipynb Linear Discriminant Analysis (LDA) May 17, 2017
Naive Bayes.ipynb Naive Bayes May 17, 2017
Normalização.ipynb Normalização May 17, 2017
PCA.ipynb Principal Component Analysis (PCA) May 17, 2017
README.md
Redes Neurais.ipynb
Regressão Linear.ipynb padroniza notebook da regressão linear Jan 25, 2019
Regressão Logística.ipynb adiciona gráfico 3D na regressão logística de 2 variáveis Jan 28, 2019
Regressão Multivariada.ipynb
Regressão Polinomial.ipynb padroniza notebook de regressáo polinomial Jan 26, 2019
Template.ipynb
ml.yml Upload do ambiente de desenvolvimento May 17, 2017

README.md

Introdução

Esse repositório foi criado com a intenção de difundir o ensino de Machine Learning em português.

Algoritmos Implementados

Classificação Regressão Clusterização Redução de
Dimensionalidade
🌿 Adaboost 📈 Linear 🔠 K-Means 🌹 PCA
🌳 Decision Trees 🔱 Multivariada 🌻 LDA
🏠🏠 K-NN 📊 Polinomial
🥴 Naive Bayes
💲 Regressão Logística
🧠 Redes Neurais 🧠 Redes Neurais

E ainda temos um notebook só com métodos de Seleção de Atributos:

Métodos de Filtragem
(Filter Methods)
Métodos de Empacotamento
(Wrapper Methods)
Métodos Embarcados
(Embedded Methods)
📈 📉 Correlação de Pearson 🏆 Stability Selection 📈 Regressão Linear
📝 ↔️📝 Mutual Information 🔁 Eliminação Recursiva 1️⃣ Regularização L1 (Lasso)
💯 Maximal Information Coefficient ⭐️ Boruta 2️⃣ Regularização L2 (Ridge)
⬇️ 💩 Mean Decrease Impurity
⬇️ 🎯 Mean Decrease Accuracy

Instalação

  1. Baixe ou clone o repositório.
  2. Baixe e instale o Miniconda. (Windows: marque a opção de adicionar o conda às variáveis de ambiente ($PATH))
  3. Abra o terminal e digite os seguintes comandos para instalar o ambiente:
    $ conda config --add channels bioconda
    $ conda create -n ml python=3.5.3 numpy=1.12.1 pandas=0.20.1 matplotlib=2.0.2 scikit-learn=0.18.1 seaborn=0.7.1 jupyter=1.0.0 pydotplus==2.0.2

Uso do ambiente

Nota: É obrigatório seguir as ordens da seção "Instalação" antes de utilizar o ambiente.

Siga os passos abaixo sempre que quiser executar os códigos desse repositório.

  1. Abra o terminal e digite:
    • Windows:
    $ activate mpdl
    • Linux/Mac:
    $ source activate mpdl
  2. Execute o Jupyter Notebook:
    $ jupyter notebook