Advertisement

Udacity数据分析师纳米学位项目完结:我的最终作品...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
在这篇文章中,我分享了我在Udacity数据分析师纳米学位项目的最后成果和学习经历,涵盖了数据分析的关键技能、工具和技术。 Udacity Data Analyst纳米学位最终项目集合:这是我完成的Udacity数据分析师纳米学位项目的汇总。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • Udacity...
    优质
    在这篇文章中,我分享了我在Udacity数据分析师纳米学位项目的最后成果和学习经历,涵盖了数据分析的关键技能、工具和技术。 Udacity Data Analyst纳米学位最终项目集合:这是我完成的Udacity数据分析师纳米学位项目的汇总。
  • Udacity DSND Arvato:
    优质
    本简介介绍的是Udacity数据科学纳米学位课程中的一个实际项目——DSND Arvato。该项目由学员运用机器学习技术来解决Arvato公司提出的营销挑战,旨在提升学生的实战能力和解决行业问题的能力。 毕业项目:为Arvato Financial Services金融服务公司实现一个顾客分类报告。这是优达学城数据科学家纳米学位的毕业项目。 开发环境: - Python 3.7.4 - conda 4.8.3 - numpy 1.18.1 - pandas 1.0.2 - scikit-learn 0.22.1 - scikitplot 0.3.7 文件说明: - imgs:博文使用的图片。 - kaggle_result.csv:提交kaggle的结果文件。 - rfc_result.csv:通过随机森林的预计结果,也已提交过kaggle。 - Arvato_Project_workbook_zh.ipynb:工程记录实现代码 - DIAS属性-值2017.xlsx:Arvato提供的数据说明文件。
  • Bikeshare:Udacity Bikeshare
    优质
    本项目为Udacity推出的Bikeshare数据分析纳米学位课程,专注于通过Python等工具进行数据清洗、分析和可视化,旨在提高学生在共享单车行业中的数据处理能力。 在过去十年间,自行车共享系统在全球各大城市中的数量与受欢迎程度都在持续上升。用户可以通过短期租用的方式使用这些系统内的自行车,在任意一个站点借车并在另一个站点还车;当然如果只是为了骑行享受也可以在原地归还。无论哪种方式,每辆自行车每天都能为多个用户提供服务。随着信息技术的发展,现在用户可以轻松通过技术手段解锁或返回车辆,并且这种便利性也带来了大量数据资源,可用于深入研究如何更有效地使用这些系统。 在这个项目里,你将利用美国主要城市中由Motivate公司提供的自行车共享系统的实际运营数据进行分析。你的任务是对比芝加哥、纽约市和华盛顿特区这三个大城市的自行车共享系统的使用情况,并通过计算各种描述性统计信息来了解它们各自的特征与差异。
  • Projects for Udacity Data Engineering Nanodegree: 本仓库包括在Udacity工程期间所有和工
    优质
    此GitHub仓库收录了在Udacity数据工程纳米学位课程中完成的所有项目与作业,涵盖数据处理、数据库设计及大规模数据管理等多个方面。 该存储库包含了在Udacity数据工程纳米学位课程期间开发的所有项目。其中一个项目使用Postgres(SQL)进行数据建模,模拟了一个名为Sparkify的初创音乐流服务,并结合关系数据库和数据模型知识来创建一个ETL管道。 该项目的目标是构建一个包含优化后的表结构的Postgres数据库,这些表格旨在提高歌曲播放分析查询的效率。在此过程中运用了OLAP、事实表与维度表以及星型模式等概念,以便开发出高效的ETL流程。此流程能够快速从JSON文件生成所需的数据,并通过少量命令来运行必要的查询。 项目完成后,将创建一个数据库,其中包含可用于执行多种数据分析任务的数据集,供任何有兴趣使用这些数据的人参考。另一部分项目则涉及使用Apache Cassandra(NoSQL)进行数据建模,在这个模拟的音乐流场景中探索非关系型数据库的应用。
  • IBM_DSND_建议:IBM推荐
    优质
    本简介推荐IBM的数据科学纳米学位项目,强调其在培养数据分析、机器学习及Python编程技能方面的卓越表现,适合初学者与专业人士。 IBM Project的建议:IBM数据科学纳米学位项目目录 1. 安装 为了能够运行和查看该项目,请安装最新版本的Jupyter Notebook。 2. 项目动机 在这个项目中,我分析了用户与IBM Watson Studio平台上的文章之间的交互,并向他们提出了有关新文章推荐的意见。 3. 文件说明 该项目包含一个data文件夹,其中包含数据集csv文件: - user-item-interactions.csv:该文件包含了关于用户和文章之间互动的数据。 - articles_community.csv:该文件包含了社区内关于文章的信息。
  • Udacity 自动驾驶汽车计划地图 1.7z
    优质
    本资源为Udacity自动驾驶汽车纳米学位课程中的地图文件(版本1.7),用于辅助学习者进行相关编程和算法实践。 我的实现代码是关于Udacity 自动驾驶汽车纳米学位项目的部分成果。
  • P2_连续控制:Udacity深度强化课程2-机械臂控制
    优质
    本项目为Udacity深度强化学习纳米学位课程第二部分,专注于通过连续控制算法优化机械臂运动路径,实现高效精准操作。 项目2:连续控制介绍 在这个项目中,您将使用一个特定的环境。在此环境中,双臂可以移动到目标位置。每当代理人的手靠近目标位置一步时,都会获得+0.1的奖励分数。因此,代理人需要尽可能长时间地保持其手在目标位置上。 观察空间由33个变量组成,分别对应于手臂的位置、旋转、速度和角速度等信息。每个动作是一个包含四个数字的向量,代表施加到两个关节上的扭矩值。该向量中的每一个数值应在-1至1之间。 分布式训练 对于此项目,您将获得两种不同的Unity环境版本:第一个版本仅包括一个代理;第二个版本则含有20个相同的代理副本,在各自的独立环境中运行。第二种版本非常适合那些采用多份(非交互且并行的)代理人副本来分散经验收集任务的方法和算法。 解决环境 请注意,您的项目提交只需满足上述两个版本中的任意一个即可。选择一:解决第一个版本
  • Matlab游戏代码-深度强化3:合与竞争
    优质
    本项目是Matlab中利用深度强化学习进行游戏开发的一部分,专注于探索智能体间的合作与竞争策略,展现高级算法在复杂环境下的应用。 在Matlab代码项目DeepRL-Nanodegree-Project3(合作与竞争)中,我们将使用多代理深度确定性策略梯度(MADDPG)算法训练两个代理打网球。 环境设置:这是一个两人游戏,在其中代理人控制球拍来回弹跳。目标是特工必须相互反弹,同时不能让球落地或出界。在环境中包含有两个链接到一个名为TennisBrain的单个大脑的代理。经过训练后,可以将另一个称为MyBrain的大脑附加到其中一个代理上以与您已训练好的模型进行对战。 奖励功能(独立):每当特工成功击中网球时获得+0.1分;如果球落地或出界,则扣-0.1分给导致这种情况的特工。大脑具有以下观察和动作空间: 向量观测空间包括8个变量,分别对应于球的位置、速度及拍子的位置、速度。 连续的动作空间大小为2,代表朝网方向移动或者远离网的方向并跳跃。 没有视觉观测信息。 重置参数:仅有一个关于球的大小的相关参数需要调整。基准平均奖励值是2.5分。 如果您想在计算机上尝试这个算法,请确保系统中已安装Python3.6,并且还需一些库来帮助运行代码。
  • FinalMobile:移动
    优质
    FinalMobile是一款旨在为用户提供终极解决方案的移动项目开发平台,致力于打造高效、便捷的应用程序开发体验。 最终移动项目 马可·安东尼奥·拉米雷斯·阿拉尔 KONG A01191344 亚历杭德罗·桑切斯 A01191434 马塞洛·萨尔塞多 A01195804 麻省理工学院许可证 (MIT) 版权所有 © 2015 马塞洛 特此授予任何人免费获得本软件和相关文档文件(“软件”)副本的许可,不受限制地处理本软件,包括但不限于使用、复制、修改、合并的权利、发布、分发、再许可以及销售本软件的副本,并允许向其提供本软件的人这样做。但须符合以下条件: 上述版权声明和此许可声明应包含在所有软件的副本或重要部分中。 该软件“按原样”提供,不提供任何形式的明示或暗示保证,包括但不限于适销性、特定用途适用性和非侵权性的保证。 在任何情况下,作者或版权持有人均不对因使用本软件而产生的任何索赔、损害或其他责任负责,无论是在合同诉讼、侵权行为或其他方面。