Project 1

This project investigates the structural dependencies governing global economic development. By treating nations as "baskets" of productive capabilities, I applied Unsupervised Machine Learning (Association Rule Learning / Apriori Algorithm) to analyze global trade patterns from 2021.

Projekt opiera się na analizie danych pochodzących ze zbioru **„Trendy zakupowe klientów”**, zawierającego informacje o preferencjach konsumentów w kontekście zakupów detalicznych. Dane umożliwiają naukę analizy danych, eksploracji trendów konsumenckich oraz modelowania zachowań klientów. Zbiór danych obejmuje 3900 rekordów, z których każdy opisuje pojedynczą transakcję klienta. Uwzględniono m.in. takie zmienne jak: wiek i płeć klienta, kategoria i wartość zakupionego przedmiotu, preferencje dotyczące metody płatności i rodzaju wysyłki, częstotliwość zakupów, zastosowanie rabatu czy użycie kodu promocyjnego. Dane te odzwierciedlają zróżnicowane czynniki wpływające na decyzje zakupowe klientów.

Niniejszy dokument opisuje projekt zespołowy dotyczący analizy danych przy użycia języka R. Celem tego projektu jest przeprowadzenie kompleksowej analizy danych przy użyciu języka R. Projekt obejmuje zbieranie, przetwarzanie, analizę oraz wizualizację danych. Dane do analizy pozyskano ze strony:https://www.kaggle.com/datasets/bartoszpieniak/poland-cars-for-sale-dataset.

Projekt Analiza danych z R

Projekt opiera się na analizie danych pochodzących ze zbioru „Trendy zakupowe klientów”, zawierającego informacje o preferencjach konsumentów w kontekście zakupów detalicznych. Dane umożliwiają naukę analizy danych, eksploracji trendów konsumenckich oraz modelowania zachowań klientów. Zbiór danych obejmuje 3900 rekordów, z których każdy opisuje pojedynczą transakcję klienta. Uwzględniono m.in. takie zmienne jak: wiek i płeć klienta, kategoria i wartość zakupionego przedmiotu, preferencje dotyczące metody płatności i rodzaju wysyłki, częstotliwość zakupów, zastosowanie rabatu czy użycie kodu promocyjnego. Dane te odzwierciedlają zróżnicowane czynniki wpływające na decyzje zakupowe klientów.

In this portion, part 3, we extend the original document and add in analysis and machine learning to all samples instead of only those with all participants or only those time points and participants who completed research. The 2 class model predicted 100% correctly on whether or not the sample was mono or not, but failed on the 5 class model of time point of infection as initial diagnosis, 1 month infection, 2 months infection, 7 months infection or healthy. But seems to be great at distinguishing healthy from mono. We have our top 16 genes and need to look up the microRNA gene IDs to add to our machine model database to predict the sample by pathology of Lyme disease, EBV stimulated with IL27, Multiple Sclerosis, and Fibromyalgia. As well as look up other associated EBV pathologies of head and neck sarcoma or throat cancer, Burkett's Lymphoma, and Hodgkin's Lymphoma.

Analiza i ocena wpływu mediów społecznościowych na życie studentów