Capstone – Campagne de marketing Segmentation de la clientèle

En utilisant des idées d’apprentissage non supervisé telles que la réduction de la dimensionnalité et le regroupement, l’objectif est le suivant
d’obtenir les meilleurs segments de clientèle possibles à partir d’un ensemble de données client donné.
Outils et concepts : K-Means, DBSCAN, GMM, Clustering hiérarchique, K-Mediods, PCA, T-SNE

Capstone – Prévision des défauts de paiement

Construire un modèle de classification pour prédire les clients qui sont susceptibles de ne pas rembourser leur prêt et donner des recommandations à la banque sur les caractéristiques importantes à prendre en compte lors de l’approbation d’un prêt.

Recommandations à la banque sur les caractéristiques importantes à prendre en compte lors de l’approbation d’un prêt.

Outils et concepts : Régression logistique, arbres de décision, forêts aléatoires, méthodes d’ensemble.

Capstone – Détection du paludisme

Construire un modèle de vision par ordinateur efficace pour détecter la malaria. Le modèle doit déterminer si l’image d’un
l’image d’un globule rouge est celle d’une personne infectée par le paludisme ou non, et la classer comme étant
parasité ou non infecté, respectivement.

Outils et concepts : Réseaux neuronaux artificiels, réseaux neuronaux à convolution, vision par ordinateur,
Apprentissage par transfert, Régularisation CNN

Capstone – Détection des émotions faciales – DL CNN

L’objectif de ce projet est d’utiliser des techniques d’apprentissage profond et d’intelligence artificielle pour créer un modèle de vision par ordinateur capable de détecter avec précision les émotions faciales.
modèle de vision artificielle capable de détecter avec précision les émotions faciales. Le modèle devrait être capable de
d’effectuer une classification multi-classes sur des images d’expressions faciales, afin de classer les expressions selon l’émotion associée.
Selon l’émotion associée.

Outils et concepts : Réseaux neuronaux artificiels, réseaux neuronaux à convolution, vision par ordinateur,
Apprentissage par transfert, Régularisation CNN.

Capstone – Systèmes de recommandation musicale

Recommander 10 chansons à un utilisateur en fonction de sa probabilité d’aimer ces chansons.

Outils et concepts : Basé sur le rang, basé sur la similarité, filtrage collaboratif, filtrage basé sur le contenu, modèles basés sur le SVD et système de recommandation basé sur la factorisation matricielle et système de recommandation basé sur la factorisation matricielle.

Explorer et visualiser l’ensemble des données. Construire un modèle pour prédire les prix des voitures d’occasion. Générer un ensemble de
d’informations et de recommandations qui aideront l’entreprise.

Outils et concepts : Régression linéaire, Lasso, et régression Ridge, MCO, Méthodes d’ensemble.

Système de recommandation de produits Amazon AI

Capstone – Prédiction du prix des cartes d’occasion

Ce projet consiste à recommander aux utilisateurs les meilleurs produits Amazon disponibles sur la base des données d’évaluation antérieures en utilisant des techniques de systèmes de recommandation pilotés par l’IA.

Outils et concepts : Basé sur le classement, basé sur la similarité, basé sur la factorisation de la matrice, basé sur le contenu
Systèmes de recommandation

Analyse du diabète

Ce projet consiste à analyser les différents aspects du diabète dans la tribu des Indiens Pima.

Outils et concepts : Analyse exploratoire des données, visualisation des données et statistiques

Ce projet consiste à prédire les prix de l’immobilier dans la région métropolitaine de Boston en se basant sur les caractéristiques de la propriété et de la localité à l’aide de techniques de régression de la propriété et de sa localité à l’aide de techniques de régression.

Outils et concepts : Régression linéaire, régression logistique et K-voisins les plus proches.

Prédiction du prix des maisons à Boston à l’aide de l’IA.

Prédire les clients potentiels

Ce projet consiste à identifier les prospects les plus susceptibles de se convertir en clients payants sur la base des
les attributs des prospects et les détails de leur interaction.

Outils et concepts : Arbres de décision et forêts aléatoires.