Aztech 数据挖掘最终项目

图像导入和缩放：导入数据集，调整图像大小，归一化像素值。 模型构建：部署 EfficientNetB7 模型，记录模型信息。 相似度向量数据集：创建特征向量数据集，通过神经网络处理每个图像。 相似性度量：计算 Jaccard 和余弦相似度，搜索最佳匹配。 可选项：微调模型，裁剪图像。

作者：Daniel Tar，主管：Emmanuel Dean博士，Simon Armleder，Maximilian Bader。日期：2021年3月18日，位于慕尼黑。图片和视频存放在res文件夹。先决条件：使用ROS Melodic和util文件夹提供的库。准备步骤：导航至项目根目录，使用catkin_make编译项目。使用source devel/setup.bash获取bash设置。如果catkin_make失败，可尝试故障排除：运行命令catkin_make --pkg object_msgs。运行程序方法：在单独的终端中执行以下命令（确保提供setup.bash文件的来源）：启动模拟器：roslaunch tum_ics_ur10_bringup bringUR10-simulator.launch gui:=true；启动控制器：roslaunch tum_ics_ur10_controller_tutorial testSimpleEffortCtrl.launch。

作为数据科学认证的一部分，我完成了UCLA Extension Predictive Analytics课程的最终项目。在这个项目中，我使用了Tableau创建了视觉化效果，并使用R进行了统计分析。分析的数据集来自于葡萄牙实时议会选举结果，每10分钟收集一次数据，涵盖了各个区域和政党的投票情况，包括总选票、空白票和废票的数目和百分比。我还探索了机器学习模型在预测选民投票率方面的潜力。这些数据来自于UC Irvine机器学习存储库。更多信息可以在其网站上找到。

问题摘要：学生无法根据他们在课程中的表现以及与课程的在线学习环境(moodle)的互动来预测他们的最终成绩。目的：研究数据挖掘技术，对Moodle上的数据实施最适用的模型，对学生的成绩进行预测。任务包括：研究不同的数据挖掘技术，审查在类似领域实施的模型，查看在所述问题的领域中实现的其他模型。确定最适用于对Moodle格式的数据进行预测的技术，在给定的上下文中设计独特的数据预测模型，比较和评估所选模型与现有数据模型的准确性，展示研究结果，可视化结果。

使用FastICA创建音频应用程序，团队成员包括特里斯坦·布查德（Tristan Bouchard）、亚历克斯·马西奥特拉（Alex Masciotra）、托马斯·菲利彭（Thomas Philippon）、内耶·阿拉姆（Nayem Alam）。项目目标是在基于ARM Cortex-M4内核的STM IoT节点上使用STM32L4 MCU实施音频应用程序，通过快速独立分量分析（FastICA）算法进行盲源分离（BSS）。项目使用Keil μVision5 IDE进行Embedded-C编程，借助CMSIS-DSP库。

商户在特定日期如“黑色星期五”和“双十一”等促销活动中可能会吸引一些一次性购物的新买家，商家需要识别谁可以转化为重复购买者以减轻促销对未来销售的影响。数据文件说明如下： 字段名称 | 定义---|---|---user_id | 用户唯一 ID年龄范围 | 用户年龄范围：50 时为 7 和 8；0 和 NULL（未知）性别 | 用户性别：女性 0，男性 1，NULL（未知）商户编号 | 商家唯一 ID标签 | 取值 {0, 1, -1, NULL}，1 表示用户是商家的重复购买者，0 表示相反，-1 表示用户是潜在重复购买者

数据挖掘项目 作者： Philippe CHARRAT 和 Clément CORNU 目标： 使用 Python 创建推荐系统（开发中）

作为初级数据科学家的最终项目，我创建了一个电影推荐系统工具。该工具根据具有相似特征的电影推荐电影列表。我清理了电影原始数据集，并使用Python、Excel和PowerBI进行数据分析。通过使用不同的度量标准如曼哈顿距离、欧氏距离和余弦相似度，优化了K最近邻（KNN）模型，以实现最佳的数据挖掘解决方案。我还使用了K均值算法作为描述性数据挖掘工具。最终，我使用Spider构建了用户界面，展示了电影推荐系统的功能和预测能力。数据集包括movie.csv和rating.csv，这些数据集基于MovieLens的用户评级。

汇集数据挖掘领域专业人士的精选项目，展示数据挖掘实践应用与创新。