机器学习项目
项目1：
概述：
创建了一个应用程序，用于根据培训数据中的可用数据对晶片的质量进行分类。
从客户端wrt Schema.json文件中删除了超过1万条记录。
在基于主数据和真实来源创建自定义管道，文件和数据验证之前，先对EDA进行分析。
预测输出，即-1：Fault Wafer和+1 Good Wafer。
使用随机搜索CV优化了不同的机器学习算法，例如-Random Forest和XGBOOST，以达到90.4的最佳模型。
使用Flask构建了一个面向客户的API。
项目2：
概述：
创建了一个应用程序，以根据给定的预测变量集对网站是否进行网上诱骗进行分类。
从客户wrt数据共享协议中删除了超过15,000条记录。
预测输出，即-1：有效网站和+1无效网站。
根据主数据和真实来源准备了自定义管道，文件和数据验证。
使用随机搜索CV优化了不同的机器学
