dankidm / Yandex-Practicum

Yandex-Practicum

Этот репозиторий содержит выполненные проекты во время обучения в Яндекс Практикуме по направлению "Специалист по Data Science"

Проекты:

Telecom

Оператор связи хочет научиться прогнозировать отток клиентов.

Стек проекта

1. Чтение и работа с датасетами: Pandas и Numpy
2. Визуализации анализа данных: Seaborn и Matplotlib
3. Визуализация тренда и сезонности данных: Pylab и Statsmodels
4. Для решения задачи прогнозирования: линейная регрессия из библиотеки Sklearn и градиентные бустинги из библиотек CatBoost, LightGBM

Taxi prediction

Компания такси собрала исторические данные о заказах такси в аэропортах. Чтобы привлекать больше водителей в период пиковой нагрузки, нужно спрогнозировать количество заказов такси на следующий час.

Стек проекта

1. Чтение и работа с датасетами: Pandas и Numpy
2. Визуализации анализа данных: Seaborn и Matplotlib
3. Визуализация тренда и сезонности данных: Pylab и Statsmodels
4. Для решения задачи прогнозирования: линейная регрессия из библиотеки Sklearn и градиентные бустинги из библиотек CatBoost, LightGBM

Gold recovery

Компания "Цифры" разрабатывает решения для эффективной работы промышленных предприятий.Необходимо построить модель предсказания коэффициента восстановления золота из золотосодержащей руды. В вашем распоряжении данные с параметрами добычи и очистки. Модель поможет оптимизировать производство, чтобы не запускать предприятие с убыточными характеристиками.

Стек проекта

1. Чтение и работа с датасетами: Pandas и Numpy
2. Визуализация данных: Matplotlib
3. Для решения задачи прогнозирования: LinearRegression и DecisionTreeRegressor из библиотеки Sklearn и градиентный бустинг из библиотеки CatBoost

Game sales

Интернет-магазин продаёт по всему миру компьютерные игры. Из открытых источников доступны исторические данные о продажах игр, оценки пользователей и экспертов, жанры и платформы (например, Xbox или PlayStation). Нужно выявить определяющие успешность игры закономерности. Это позволит сделать ставку на потенциально популярный продукт и спланировать рекламные кампании.

Стек проекта

1. Чтение и работа с датасетами: Pandas и Numpy
2. Визуализации анализа данных: Seaborn и Matplotlib
3. Статистический анализ: Scipy

Car price prediction

Сервис по продаже автомобилей с пробегом разрабатывает приложение, чтобы привлечь новых клиентов. В нём можно будет узнать рыночную стоимость своего автомобиля.

Стек проекта

1. Чтение и работа с датасетами: Pandas и Numpy
2. Предобработка данных: Sklearn
3. Для решения задачи прогнозирования: линейная регрессия и градиентый бустинг из библиотеки Sklearn и градиентные бустинги из библиотек CatBoost, LightGBM