| 6 |
Тариф - телеком (DS) |
Разработать модель DS, которая бы предложила новый оптимальный тарифный план для каждого клиента оператора телеком. многие из его абонентов пользуются устаревшими тарифными планами. Они хотят разработать модель, которая будет анализировать поведение абонентов и рекомендовать один из новых тарифных планов Megaline: Smart или Ultra. |
EDA, предобработка данных, Python, Pandas, sklearn, DecisionTreeClassifier, RandomForestClassifier, LogisticRegression, accuracy |
| 7 |
Отток клиентов банка (DS) |
Из банка стали уходить клиенты каждый месяц. Спрогнозирована вероятность ухода клиента из банка в ближайшее время. |
EDA, предобработка данных, Python, Pandas, numpy, seaborn, matplotlib, sklearn, OHE, get_dummies, DecisionTreeClassifier, RandomForestClassifier, LogisticRegression, best parameters, accuracy, precision, recall, f1, roc_auc |
| 8 |
Нефтяное месторождение (DS) |
Выбрать один из трёх регионов для разработки нового нефтяного месторождения. Построена модель для предсказания объёма запасов в новых скважинах. Выбраны скважины с самыми высокими оценками значений. Определены регионы с максимальной суммарной прибылью отобранных скважин. Построена модель для определения региона, где добыча принесёт наибольшую прибыль. Проанализирована возможная прибыль и риски. |
EDA, предобработка данных, Python, Pandas, numpy, matplotlib, scipy.stats, LinearRegression, RandomForestRegressor, mean_squared_error, оценка рисков через доверительный интервал |
| 9 |
Оптимизация добычи золота (DS, осн 2) |
Компания разрабатывает решения для эффективной работы золотодобывающей отрасли. Построена модель, предсказывающая коэффициент восстановления золота из золотосодержащей руды. Проанализированы данные с параметрами добычи и очистки. Построена и обучена модель, помогающая оптимизировать производство, чтобы не запускать предприятие с убыточными характеристиками. |
EDA, предобработка данных, Python, Pandas, numpy, matplotlib, LinearRegression, RandomForestRegressor, DummyRegressor, cross_val_score, mean_absolute_error, mean_squared_error |
| 10 |
Cтрахование - поиск похожих клиентов |
Для защиты данных клиентов страховой компании разработаны методы преобразования данных, чтобы по ним было сложно восстановить персональную информацию. Была проведена предобработка данных. Произведена проверка работы алгоритма модели линейной регрессии при перемножении на обратимую матрицу. |
Python, Pandas, numpy, matplotlib, seaborn, NearestNeighbors, KNeighborsClassifier |
| 11 |
Цена авто (DS) |
Сервис по продаже автомобилей с пробегом разрабатывает приложение для привлечения новых клиентов. В нём можно быстро узнать рыночную стоимость своего автомобиля. Проанализированы данные: технические характеристики, комплектации и цены автомобилей. Построена модель для определения стоимости автомобиля с пробегом. Использованы численные методы, приближённые вычисления, оценка сложности алгоритма, градиентный спуск. |
Python, Pandas, matplotlib, LinearRegression, RandomForestRegressor, CatBoostRegressor, lgbm |
| 12 |
Прогноз заказов такси (врем ряды, DS) |
Проанализированы исторические данные о заказах такси в аэропортах. Спрогнозировано количество заказов такси на следующий час, чтобы привлекать больше водителей в период пиковой нагрузки. Построена модель для такого предсказания. |
Python, Pandas, matplotlib, LinearRegression, RandomForestRegressor, CatBoostRegressor, временные ряды (statsmodels.tsa.seasonal) |
| 13 |
Классификация комментариев (текст, DS) |
Для запуска нового сервиса интернет-магазину нужен инструмент, который будет искать токсичные комментарии и отправлять их на модерацию. Пользователи могут редактировать и дополнять описания товаров, как в вики-сообществах. То есть клиенты предлагают свои правки и комментируют изменения других. Обучена модель классифицировать комментарии на позитивные и негативные. Проанализирован набор данных с разметкой о токсичности правок. Построена модель со значением метрики качества F1 не меньше 0.75. |
numpy, pandas, matplotlib, seaborn, tqdm, BERT, tokenization, vectorizer |
| 14 |
Финальный проект - телеком (DS) |
Оператор связи Interconnect хотел бы иметь возможность прогнозировать отток клиентов.Если обнаружится, что пользователь собирается уйти, ему будут предложены промокоды и специальные тарифные планы. Маркетинговая команда Interconnect собрала некоторые личные данные своих клиентов, включая информацию об их планах и контрактах. |
Python, Pandas, Matplotlib, numpy, SciPy, описательная статистика, проверка статистических гипотез, math, Seaborn, sklearn, машинное обучение (CatBoost, LightGBM, LogisticRegression, DecisionTree, RandomForest), оптимальные параметры (RandomizedSearchCV) |