jrinconcol

albumentations

fast image augmentation library and easy to use wrapper around other libraries

Analysis-and-prediction-of-diabetes-disease

1.Diabetes is considered as one of the deadliest and chronic diseases which causes an increase in blood sugar.2. Many complications occur if diabetes remains untreated and unidentified. 3.The tedious identifying process results in visiting of a patient to a diagnostic center and consulting doctor. But the rise in machine learning approaches solves this critical problem.4. The motive of this study is to design a model which can prognosticate the likelihood of diabetes in patients with maximum accuracy. Therefore three machine learning classification algorithms namely Decision Tree, SVM and Naive Bayes are used in this experiment to detect diabetes at an early stage.5. Experiments are performed on Pima Indians Diabetes Database (PIDD) which is sourced from UCI machine learning repository.6. The performances of all the three algorithms are evaluated on various measures like Precision, Accuracy, F-Measure, and Recall. Accuracy is measured over correctly and incorrectly classified instances. Results obtained show Naive Bayes outperforms with the highest accuracy of 76.30% comparatively other algorithms. These results are verified using Receiver Operating Characteristic (ROC) curves in a proper and systematic manner.

anonymisation

Anonymization of legal cases (Fr) based on Flair embeddings

awesome-public-datasets

A topic-centric list of HQ open datasets.

awesome-python-applications

💿 Free software that works great, and also happens to be open-source Python.

bert

TensorFlow code and pre-trained models for BERT

ChatDoctor

checklist

Beyond Accuracy: Behavioral Testing of NLP models with CheckList

project-php-laravel-container

Sample PHP Laravel web application

Taller-Basico-Machine-Learning

Introducción a Machine Learning en Salud - Diabetes El objetivo principal de Machine Learning (ML) es predecir o describir el comportamiento de elementos medibles de la realidad a partir de información incompleta e incierta. Las condiciones de información incompleta e incierta hacen que modelos de las ciencias naturales no sean aplicables. Por eso gran parte de los métodos de ML estarán basados en intuiciones estadísticas y métodos computacionales. La correlación de variables debe ser guiada por expertos, los cuales determinan, desde el punto de vista científico, el soporte de una relación entre variables. Esto es fundamental, dado que para la máquina, una variable es solo un número. En la primera parte del taller, se va a obtener los datos, limpiarlos, examinarlos, modelarlos y generar un dataset adecuado para que los algoritmos de aprendizaje de máquinas puedan aprender y predecir. En la segunda parte, vamos a entrenar algoritmos para que predigan diabetes, en pacientes que no pertenecen a la base de datos. Se basa en el modelo ML - O.S.E.M.N. O - Obtaining; Obtener datos S - Scrubbing; Limpiar los datos E - Exploring; Visualizar los datos para encontrar patrones y relaciones. Muchas veces este paso es transversal, en especial con (S) M - Modeling; Modelar los datos para predecir o describir un comportamiento N - INterpreting; Interpretar los resultados de los modelos

jrinconcol/Taller-Basico-Machine-Learning

Introducción a Machine Learning en Salud - Diabetes El objetivo principal de Machine Learning (ML) es predecir o describir el comportamiento de elementos medibles de la realidad a partir de información incompleta e incierta. Las condiciones de información incompleta e incierta hacen que modelos de las ciencias naturales no sean aplicables. Por eso gran parte de los métodos de ML estarán basados en intuiciones estadísticas y métodos computacionales. La correlación de variables debe ser guiada por expertos, los cuales determinan, desde el punto de vista científico, el soporte de una relación entre variables. Esto es fundamental, dado que para la máquina, una variable es solo un número. En la primera parte del taller, se va a obtener los datos, limpiarlos, examinarlos, modelarlos y generar un dataset adecuado para que los algoritmos de aprendizaje de máquinas puedan aprender y predecir. En la segunda parte, vamos a entrenar algoritmos para que predigan diabetes, en pacientes que no pertenecen a la base de datos. Se basa en el modelo ML - O.S.E.M.N. O - Obtaining; Obtener datos S - Scrubbing; Limpiar los datos E - Exploring; Visualizar los datos para encontrar patrones y relaciones. Muchas veces este paso es transversal, en especial con (S) M - Modeling; Modelar los datos para predecir o describir un comportamiento N - INterpreting; Interpretar los resultados de los modelos

jrinconcol/albumentations

fast image augmentation library and easy to use wrapper around other libraries

jrinconcol/anonymisation

Anonymization of legal cases (Fr) based on Flair embeddings

jrinconcol/awesome-public-datasets

A topic-centric list of HQ open datasets.

jrinconcol/awesome-python-applications

💿 Free software that works great, and also happens to be open-source Python.

jrinconcol/bert

TensorFlow code and pre-trained models for BERT

jrinconcol/ChatDoctor

jrinconcol/checklist

Beyond Accuracy: Behavioral Testing of NLP models with CheckList

jrinconcol/CloneYourself

All the files and code needed to clone yourself using GPT3

jrinconcol/cloud-data-lake

Data lake, data warehouse on GCP

jrinconcol/COVID-19

COVID-19 Detector from x-rays using Computer Vision and Deep Learning

jrinconcol/Deep-Learning

jrinconcol/detext

DeText: A Deep Neural Text Understanding Framework for Ranking and Classification Tasks

jrinconcol/dlaicourse

Notebooks for learning deep learning

jrinconcol/fileserver

fileserver to share files

jrinconcol/flutter_chatbot

jrinconcol/game_control

jrinconcol/Graph_Powered_ML_Workshop

Material and Notebooks for the Graph Powered ML Workshop.

jrinconcol/GraphGPT

Extrapolating knowledge graphs from unstructured text using GPT-3 🕵️‍♂️

jrinconcol/Intelligent_Document_Finder

Document Search Engine Tool

jrinconcol/interview-question-data-science-

jrinconcol/introduction-to-github

jrinconcol/Job-Application-Script-Automates-The-Boring-Stuff-With-Python

A selenium script to automatically apply to software engineering internships!

jrinconcol/ML-Papers-of-the-Week

🔥Highlighting the top ML papers every week.

jrinconcol/NLP-with-Python

Scikit-Learn, NLTK, Spacy, Gensim, Textblob and more

jrinconcol/Real_Time_Image_Animation

The Project is real time application in opencv using first order model

jrinconcol/tcexam

TCExam is a CBA (Computer-Based Assessment) system (e-exam, CBT - Computer Based Testing) for universities, schools and companies, that enables educators and trainers to author, schedule, deliver, and report on surveys, quizzes, tests and exams.

jrinconcol/the-conversational-ai-pipeline

The search for the best Conversational AI pipeline

jrinconcol/transformers

🤗 Transformers: State-of-the-art Natural Language Processing for TensorFlow 2.0 and PyTorch.

jrinconcol/voice-agent