Com os dados obtidos, será levado em consideração que são pertencentes a um único e-commerce e o algoritmo utilizado para recomendações tem como objetivo converter o número de interações com o produto em maior número de compras possível, por isso serão tomadas decisões em busca disso, como por exemplo, não iremos recomendar produtos que não são das medidas do cliente.
Exemplos do Resultado do algoritmo:
O projeto irá buscar analisar e melhor prever o futuro de uma start-up, se baseando nos dados coletados em Kicksatarter que, segundo eles, são: "As campanhas do Kickstarter transformam ideias em realidade. É onde os criadores compartilham novas visões para o trabalho criativo com as comunidades que se reunirão para financiá-los".
Comecei a estudar um pouco sobre como A CNN funciona, e então, com imagens retiradas da internet, testei e coloquei em prática o que vinha sendo estudado.
O objetivo do projeto é criar um modelo que possa identificar, pelas atitudes dos usuários, um possível cancelamento na inscrição do serviço. Nele, além das bibliotecas que normalmente utilizo (pandas, numpy, scikit-learn, etc.), foi usado pyspark, a intenção era ganhar mais familiaridade com a tecnologia e poder aplicar o que vem sendo estudado.
A principal intenção é colocar em prática os conhecimentos adquiridos do livro artificial intelligence approach, sendo por projetos de estudo indicados por ele, como também alguns em situações mais práticas às quais eu entendo se encaixar.
Projeto de compactação de imagem, o objetivo é diminuir a quantia de espaço necessário para armazenar uma imagem tendo ainda uma qualidade aceitável. O método utilizado assume que pixels próximos tendem a ter a mesma cor. Iremos então juntar pixels em quadrados, assim, não passamos a considerar apenas 1 pixel individualmente e sim um grupo (isso não ocorre se o agrupamento for 1x1). Esse agrupamento de pixel é transformado em uma fileira em um conjunto de dados 2D, que então irá passar por um algoritmo de cluster, sendo o usado K-means, para poder identificar os grupos que são similares para então representá-los com apenas uma cor ao invés de várias cores muito parecidas. Isso tende a reduzir o espaço de armazenamento, pois é tirado proveito dessa característica que vários pixels terão a mesma cor.
This end-to-end project develops a heartbeat classifier (MIT-BIH dataset) that corrects flawed methodologies frequently seen in public solutions. The objective was to create a model that is not only accurate but also reliable and generalizable. The solution is built on three pillars: the use of an LSTM network to model the sequential nature of the data; the choice of the F1-Score as the primary metric to handle severe class imbalance; and the application of Bayesian Optimization (Ray Tune/Optuna) for an efficient and intelligent hyperparameter search. A key engineering decision was the management of computational cost: the optimization was performed on a smaller, pragmatically balanced dataset, and only the champion configuration was trained on the ideal dataset (balanced with over-sampling). This approach allowed for a robust exploration of the search space within resource constraints. The final model achieved an F1-Score of 0.925 on the test set, demonstrating high effectiveness in detecting all arrhythmia classes.