- Type and run these command
conda env create -f env.yml
conda activate machine-learning
jupyter notebook
Some data files is too large to be uploaded so get more detail in notebook
machine-learning
├── README.md
├── asmnt
│ ├── MLP301x
│ │ ├── asm1
│ │ │ ├── Manipulating the US - Baby Names dataset using pandas.ipynb
│ │ │ ├── data
│ │ │ └── desktop.ini
│ │ └── asm2
│ │ ├── Assignment2
│ │ └── desktop.ini
│ ├── MLP302
│ │ ├── asm1
│ │ │ ├── assigment
│ │ │ └── desktop.ini
│ │ └── asm2
│ │ ├── assigment
│ │ └── desktop.ini
│ ├── MLP303
│ │ ├── asm1
│ │ │ ├── assigment
│ │ │ └── desktop.ini
│ │ └── asm2
│ │ ├── assigment
│ │ └── desktop.ini
│ ├── MLP304
│ │ ├── asm1
│ │ │ └── assigment
│ │ └── asm2
│ │ └── assigment
│ └── MLP305
│ ├── [email protected]
│ │ ├── assigment
│ │ └── desktop.ini
│ ├── [email protected]
│ │ ├── assigment
│ │ └── desktop.ini
│ ├── [email protected]
│ │ ├── assigment
│ │ └── desktop.ini
│ └── desktop.ini
├── build.sh
├── desktop.ini
├── env.yml
├── example_project
│ ├── Spotify-Song-Recommendation-ML
│ │ ├── EDA.ipynb
│ │ ├── GMF.png
│ │ ├── Neural-Collaborative-Filtering.ipynb
│ │ ├── Spark-MLib-ALS.ipynb
│ │ ├── SpotifyProject-WriteUp.pdf
│ │ ├── Test.ipynb
│ │ ├── data
│ │ │ ├── desktop.ini
│ │ │ ├── mpd.slice.0-999.json
│ │ │ ├── mpd.slice.1000-1999.json
│ │ │ ├── mpd.slice.2000-2999.json
│ │ │ └── mpd.slice.3000-3999.json
│ │ ├── desktop.ini
│ │ ├── restructureData.py
│ │ └── src
│ │ ├── check.py
│ │ ├── deeper_stats.py
│ │ ├── descriptions.py
│ │ ├── desktop.ini
│ │ ├── print.py
│ │ ├── show.py
│ │ └── stats.py
│ ├── deep-feature-for-images-classification
│ │ ├── desktop.ini
│ │ ├── using-sklearn
│ │ │ ├── Deep Features for Image Classification.ipynb
│ │ │ ├── Deep Features for Image Retrieval.ipynb
│ │ │ ├── data
│ │ │ └── desktop.ini
│ │ └── using-turicreate
│ │ ├── FND06-NB01.ipynb
│ │ ├── data
│ │ └── desktop.ini
│ ├── desktop.ini
│ ├── document-retrieval
│ │ ├── desktop.ini
│ │ ├── using-sklearn
│ │ │ ├── Document retrieval.ipynb
│ │ │ ├── data
│ │ │ └── desktop.ini
│ │ └── using-turicreate
│ │ ├── FND04-NB01.ipynb
│ │ ├── Untitled.ipynb
│ │ ├── data
│ │ ├── desktop.ini
│ │ └── practice-document-retrieval.ipynb
│ └── song-recommendation-system
│ ├── desktop.ini
│ ├── using-sklearn
│ │ ├── Song recommender 1.ipynb
│ │ ├── Song recommender new.ipynb
│ │ ├── data
│ │ ├── desktop.ini
│ │ └── practice.ipynb
│ └── using-turicreate
│ ├── FND05-NB01.ipynb
│ ├── Untitled.ipynb
│ ├── data
│ └── desktop.ini
├── lab_ex
│ ├── classification
│ │ ├── Analyzing_product_sentiment.ipynb
│ │ ├── Analyzing_product_sentiment2.ipynb
│ │ ├── Exercise_10_Exploring_Precision_and_recall.ipynb
│ │ ├── Exercise_11_Training_Logistic_Regression_via_Stochastic_Gradient_Ascent.ipynb
│ │ ├── Exercise_11_Training_Logistic_Regression_via_Stochastic_Gradient_Ascent[Conflict].ipynb
│ │ ├── Exercise_1_Predicting_sentiment_from_product_reviews.ipynb
│ │ ├── Exercise_2_Logistic_Regression_with_L2_regularization.ipynb
│ │ ├── Exercise_3_Predicting_sentiment_from_product_reviews_with_SVM.ipynb
│ │ ├── Exercise_4_Predicting_sentiment_from_product_reviews_with_Naive_Bayes.ipynb
│ │ ├── Exercise_5_Predicting_sentiment_from_product_reviews_with_Feed_forward_neural_network.ipynb
│ │ ├── Exercise_6_Identifying_safe_loans_with_decision_trees.ipynb
│ │ ├── Exercise_7_Decision_Trees_in_Practice.ipynb
│ │ ├── Exercise_8_Exploring_Ensemble_Methods.ipynb
│ │ ├── Exercise_9_Identifying_safe_loans_with_Random_Forest.ipynb
│ │ ├── FND03-NB01.ipynb
│ │ ├── Lab_1_Implementing_logistic_regression_from_scratch.ipynb
│ │ ├── Lab_2_implement_2_layers_neural_network_for_image_classification.ipynb
│ │ ├── Lab_3_Implementing_binary_decision_trees.ipynb
│ │ ├── Lab_4_Boosting_a_decision_stump.ipynb
│ │ ├── cs231n
│ │ │ ├── __init__.py
│ │ │ ├── __pycache__
│ │ │ ├── classifiers
│ │ │ ├── data_utils.py
│ │ │ ├── datasets
│ │ │ ├── desktop.ini
│ │ │ ├── features.py
│ │ │ ├── gradient_check.py
│ │ │ └── vis_utils.py
│ │ ├── data
│ │ │ ├── amazon_baby.csv
│ │ │ ├── amazon_baby_subset.csv
│ │ │ ├── cs231n.zip
│ │ │ ├── desktop.ini
│ │ │ ├── dir_archive.ini
│ │ │ ├── important_words.json
│ │ │ ├── lending-club-data.csv
│ │ │ ├── m_bfaa91c17752f745.0000
│ │ │ ├── m_bfaa91c17752f745.frame_idx
│ │ │ ├── m_bfaa91c17752f745.sidx
│ │ │ ├── module-10-assignment-numpy-arrays.npz
│ │ │ ├── module-3-assignment-numpy-arrays.npz
│ │ │ └── objects.bin
│ │ ├── desktop.ini
│ │ ├── practice-analyzing-sentiment-classification.ipynb
│ │ └── utils
│ │ ├── __init__.py
│ │ ├── __pycache__
│ │ └── desktop.ini
│ ├── clustering_retrieval
│ │ ├── Fitting Gaussian Mixture Models with EM.ipynb
│ │ ├── Fitting a diagonal covariance Gaussian mixture model to text data.ipynb
│ │ ├── Hierarchical_Clustering.ipynb
│ │ ├── Latent Dirichlet Allocation for Text Data.ipynb
│ │ ├── Latent Dirichlet Allocation for Text Datablank.ipynb
│ │ ├── Locality Sensitive Hashing.ipynb
│ │ ├── Nearest Neighbors.ipynb
│ │ ├── Untitled.ipynb
│ │ ├── desktop.ini
│ │ ├── em_utilities.py
│ │ ├── ex-DBSCAN.ipynb
│ │ ├── images
│ │ │ ├── cloudy_sky
│ │ │ ├── rivers
│ │ │ ├── sunsets
│ │ │ └── trees_and_forest
│ │ ├── k-means with text data.ipynb
│ │ ├── people_wiki.csv
│ │ └── student.gshortcut
│ ├── desktop.ini
│ ├── intro
│ │ ├── desktop.ini
│ │ ├── implement-one-dimensional-numpy
│ │ │ ├── Implementing_One_Dimensional_Numpy.ipynb
│ │ │ └── desktop.ini
│ │ ├── implement-two-dimensional-numpy
│ │ │ ├── Implementing_Two_Dimensional_Numpy.ipynb
│ │ │ ├── desktop.ini
│ │ │ └── proof-2019-12-31_20.25.43.mp4
│ │ └── outlier-treatment
│ │ ├── desktop.ini
│ │ ├── outliers_detection.ipynb
│ │ └── outliers_treatment_impact.ipynb
│ └── regression
│ ├── Assessing Fit (polynomial regression).ipynb
│ ├── Feature Selection and LASSO (Interpretation).ipynb
│ ├── LASSO (coordinate descent) blank.ipynb
│ ├── LASSO (coordinate descent).ipynb
│ ├── Module+1.ipynb
│ ├── Multiple Regression (Interpretation).ipynb
│ ├── Multiple Regression (gradient descent).ipynb
│ ├── Overfitting_Demo_Ridge_Lasso.ipynb
│ ├── PhillyCrime.ipynb
│ ├── Predicting house prices using k-nearest neighbors regression.ipynb
│ ├── Predicting house prices.ipynb
│ ├── Ridge Regression (gradient descent) blank.ipynb
│ ├── Ridge Regression (gradient descent).ipynb
│ ├── Ridge Regression (interpretation).ipynb
│ ├── Simple Linear Regression.ipynb
│ ├── Untitled1.ipynb
│ ├── data
│ │ ├── Philadelphia_Crime_Rate_noNA.csv
│ │ ├── desktop.ini
│ │ ├── dir_archive.ini
│ │ ├── m_1ce96d9d245ca490.0000
│ │ ├── m_1ce96d9d245ca490.frame_idx
│ │ ├── m_1ce96d9d245ca490.sidx
│ │ └── objects.bin
│ ├── desktop.ini
│ ├── house_images
│ │ ├── bill_gates.png
│ │ ├── desktop.ini
│ │ ├── house1.png
│ │ └── house2.jpg
│ └── predicting-house-price-using-turicreate.ipynb
└── tutorial
├── desktop.ini
├── numpy-100-exercise
│ ├── 100_Numpy_exercises.ipynb
│ ├── 100_Numpy_exercises_no_solution.ipynb
│ ├── 100_Numpy_exercises_with_hint.ipynb
│ ├── LICENSE.txt
│ ├── desktop.ini
│ └── requirements.txt
└── numpy-tutorial-py3.ipynb
71 directories, 160 files
Enjoy 🤘