There are no reviews yet. Be the first to send feedback to the community and the maintainers!
machine_learning_stanford
Machine learning is the science of getting computers to act without being explicitly programmed. In the past decade, machine learning has given us self-driving cars, practical speech recognition, effective web search, and a vastly improved understanding of the human genome. Machine learning is so pervasive today that you probably use it dozens of times a day without knowing it. Many researchers also think it is the best way to make progress towards human-level AI. In this class, you will learn about the most effective machine learning techniques, and gain practice implementing them and getting them to work for yourself. More importantly, you'll learn about not only the theoretical underpinnings of learning, but also gain the practical know-how needed to quickly and powerfully apply these techniques to new problems. Finally, you'll learn about some of Silicon Valley's best practices in innovation as it pertains to machine learning and AI. This course provides a broad introduction to machine learning, datamining, and statistical pattern recognition. Topics include: (i) Supervised learning (parametric/non-parametric algorithms, support vector machines, kernels, neural networks). (ii) Unsupervised learning (clustering, dimensionality reduction, recommender systems, deep learning). (iii) Best practices in machine learning (bias/variance theory; innovation process in machine learning and AI). The course will also draw from numerous case studies and applications, so that you'll also learn how to apply learning algorithms to building smart robots (perception, control), text understanding (web search, anti-spam), computer vision, medical informatics, audio, database mining, and other areas.puzzles_java
Algorithms problems solvingdeep-learning
omg_mongodb
Lab OGM usando Hibernate e MongoDBpneumonia-predictor
Predictions made by a Tensorflow Deep Learning Model trained on Kaggle Dataset: Chest X-Ray Images (Pneumonia)gcp
GCP: Complete Google Data Engineer and Cloud Architecthtml_builder
A library for writing html files in java, usefull for creating emails dynamically.puzzles_go
data-analysis
terraform-labs
CKAD
CKAD - CERTIFIED KUBERNETES APPLICATION DEVELOPERspring-microservices-kubernetes
observability
esus_thrift_mapped_conversion
Lib for mapping data for integrate data with ESUS through Apache Thrift.spring-stackdriver
machine-learning
Shallow Machine Learninggcp-data-engineer
airflow-labs
Airflow Labsnotebooks
Notebooks for ML and Data Analysiscalifornia-housing
go_booking_app
Simple CLI booking applib-bag-of-words-pre-process
liferay_lab
Liferay Learning Path with OSGi, Portlets, Soy and Metaljsnlp
react-material
android_examples
android_exemplesgraph_with_spark
Hands of labs Building a Graph with Spark using ClouderaVMgo_design_patterns
go_basics
katacoda-scenarios
Katacoda Scenariosspring-books-store
Spark-Scala
Spark Scalaocpjp
Codes from OCPJP preparationGCP-Migrating-from-Spark-to-BigQuery-via-Dataproc
Migrating from Spark to BigQuery via Dataprocfashion-mnist-api
spark-java
Spark using Javaecommerce-purchases-analysis-pandas
Analysis of a ecommerce purchases dataset with pandasterraform-101
puzzles_sql
spark-python
Spark Pythongdg_intro_angularjs4
todo_metaljs
sf_salaries_pandas
Explore San Francisco city employee salary data with Pandasmachine-learning-apis-gcp
It’s no secret that machine learning is one of the fastest growing fields in tech, and the Google Cloud Platform has been instrumental in furthering it’s development. With a host of APIs, GCP has a tool for just about any machine learning job. In this advanced-level quest, you will get hands-on practice with machine learning APIs by taking labs like Implementing an AI Chatbot with Dialogflow and Detect Labels, Faces, and Landmarks in Images with the Cloud Vision API.boston_housing
O mercado imobiliário de Boston é altamente competitivo, e você quer ser o melhor corretor de imóveis da região. Para competir com seus colegas, você decidiu elencar alguns conceitos básicos de Machine Learning para ajudar você e seu cliente a acharem o melhor preço de venda para a casa dele. Com sorte, você se deparou com o conjunto de dados de habitação de Boston, que contém dados agregados de várias caracterÃsticas para casas das comunidades da Grande Boston, incluindo o valor médio das casas para cada uma das regiões. Sua tarefa é construir um modelo ótimo, baseado na análise das estatÃsticas com as ferramentas disponÃveis. Esse modelo será, então, usado para estimar o melhor preço de venda para a casa de seus clientes.customer_segments
Uma distribuidora atacadista recentemente testou uma mudança em seu método de entrega para alguns clientes, trocando de um serviço de entrega cinco vezes por semana pela manhã para um serviço de entrega mais barato, três vezes por semana ao final da tarde. Teste iniciais não mostraram nenhum resultado insatisfatório significante, então eles implementaram a opção mais barata para todos os clientes. Quase imediatamente, a distribuidora começou a receber reclamações sobre as mudanças no serviço e clientes começaram a cancelar entregas — perdendo mais dinheiro do que estava sendo poupado. Você foi contratado pela distribuidora para descobrir que tipos de clientes eles têm, para que possam fazer decisões melhores e mais bem informadas no futuro. Sua tarefa é utilizar técnicas de aprendizagem não-supervisionada para ver se existe qualquer similaridade entre os clientes, e como melhor segmentá-los em categorias distintas.student_intervention
Com o aumento do uso da tecnologia na educação, uma vasta quantidade de dados foi disponibilizada para avaliação e predição. Registros das atividades dos alunos, notas, interações com os professores e colegas, entre outros, agora são captados em tempo real por sistemas de gerenciamento de aprendizagem como o Canvas e o Edmodo. Esse fenômeno é particularmente forte em aulas à distância, que estão tornando-se populares até mesmo no Ensino Fundamental e Médio. Dentro de todos os nÃveis da educação, existe um impulso para aumentar a probabilidade de sucesso do aluno sem diluir a educação nem encorajar comportamentos que não vão melhorar os problemas na raiz. A taxa de graduação frequentemente é o critério preferencial, e os educadores procuram novas maneiras de predizer o sucesso ou o fracasso dos estudantes cedo o bastante para organizar intervenções eficazes.m101js
Codes created during M101JS (Mongo for NodeJS Developers)clojure_starting
javaoo_simple_demo
Simple RPG game to show OO concepts with Javatiffus
Automatically exported from code.google.com/p/tiffusnats_websocket_poc
juliocnsouzadev
AngulaJSExample
Exemplo criados durante o estudo do livro AngulaJS na Praticaoca
Exemplo criados durante a preparação para OCA Java SE 7 Programmer Isimple_msg_timeline
MySimpleTwiiter is a MEAN Stack app that hava some microblogs features.kafka-ish
django_labs
puzzles_py
eip
Enterprise Integration Patterns Examplesvagrant_puppet_labs
Estudo inicial de aprimoramento de DevOps com Vagrant e Puppetjasmine_karma_lab
Testes Unitários com Jasmine e Karmajava8
mlnd_spam_detecter
Implementação do algoritmo Naive Bayes para detectar mensagens de texto de spam.design_patterns
Códigos dos Posts sobre Design Patterns do Blogionic_labs
gdg_intro_angularjs4_server
sun_earth
Um sistema solar feito usando html5 e css3filtering_angularjs
Simple AngularJS App with Bootstrap showing use of filtering dataracha_manager
App Android para gerenciar rachas (peladas) de futebolinferential_statistics_project
c_labs
docker_101
android_annotations_lab
Simple Android App for start working with Android Annotationsscala101
Starting with Scala Basic Principlesmicroservices_nlp
Building highly available, scalable, resilient distributed applications using Gocdi
puzzles_js
hadoop_joining_data
sorteador-javafx
spark_with_scala
Apache Spark 2.0 with Scala - Hands On with Big Data!word_count_hadoop_python
Simple Word Count MapReduce code in Pythonmaven-github-docker-push-example
descriptive_statistics_project
leader_election
Demo of Leader Election Conceptsangular2
m102
simple_orm
Simple ORM is lab that simulates the behavior of JPA in Java by Mapping Objects to Relational Databases.JerseyRestAPI-with-SpringBoot
A Spring Boot app with Restful API for accessing and modifying data stored in an embedded database HSQL.jumper
scala_datascience
Data Scientists tend to favor one of three programming languages, Python, R, or Scala. Scala, short fore scalable language, is the future ready. Move beyond your regular java, and check out what is brewing in this language.java-google-translate-text-to-speech
Automatically exported from code.google.com/p/java-google-translate-text-to-speechmean_stack
A JS end to end application using MongoDB, Express, AngularJS and NodeJS.Love Open Source and this site? Check out how you can help us