Some-of-Algorithms-in-Data-Science

• 1 PreProcessing

• 2 Dimensionality Reduction

  • 2.1 Feature Selection

    • 2.1.1 Backward Elimination

    • 2.1.2 Forward Selection

  • 2.2 Linear Methods

    • 2.2.1 Principal Component Analysis (PCA)

    • 2.2.2 Factor Analysis (FA)

    • 2.2.3 Linear Discriminant Analaysis (LDA)

    • 2.2.4 Singular Value Decomposition (SVD)

  • 2.3 Manifold Learning

    • 2.3.1 Kernel PCA
    • 2.3.2 t-distributed Stochastic Neighbor Embedding (t-SNE)

• 3 Clustering

  • 3.1 K-Means

  • 3.2 DBScan

  • 3.3 Soft Clustering (EM)

• 4 Classification

  • 4.1 K-Nearest Neighbors (KNN)

  • 4.2 Regression

  • 4.3 Decision Tree (DT)

  • 4.4 Random Forest (RF)

  • 4.5 Logistic Regression (LR)

  • 4.6 Linear Perceptron

  • 4.7 Support Vector Machine (SVM)

  • 4.8 Artificial Neural Network (ANN)

• 5 Page Rank

• 6 Association Rules

  • 6.1 Apriori

• 7 Shapley Value

• 8 Ensemble Methods

  • 8.1 Bagging

  • 8.2 Boosting

  • 8.3 Stacking

---

با سلام

در 0DataSet داده مورد استفاده ی الگوریتم ها قرار دارد. مجموعه داده مورد استفاده در اکثر الگوریتم ها، مجموعه داده ی EscapeRoom می باشد. البته شایان ذکر است که با توجه به خاص بودن الگوریتم های LDA، PageRank، Apriori و Shapley Value از داده های مخصوص هر کدام از الگوریتم ها استفاده شده است.

در 1PreProcessing عملیات پیش پردازش داده روی مجموعه داده EscapeRoom انجام شده است تا داده ها در الگوریتم ها عملکرد مناسبی داشته باشند.

در 2DimensionalityReduction الگوریتم های کاهش بعد در 3 بخش FeatureSelection، LinearMethods و ManifoldLearning قرار دارند.

در 3Clustering الگوریتم های خوشه بندی شامل k-means و DBScan و همچنین خوشه بندی سافت یعنی EM قرار دارند.

در 4Classification الگوریتم های طبقه بندی شامل KNN، SVM، Regression، DecisionTree، RandomForest و... قرار دارند.

در قسمت های 5، 6، 7 و 8 به الگوریتم های باقی مانده شامل PageRank، Apriori، ShapleyValue و EnsembleMethods پرداخته شده است.

‼️ توجه ‼️ در فایل README مربوط به هر الگوریتم، ابتدا توضیحاتی در رابطه با الگوریتم آورده شده و توضیحات مربوط به کد تایپ شده پس از آن قرار دارد. در کنار توضیحات مربوط به هر کد، ایموجی ((💻)) قرار دارد.

با تشکر