| Прогнозирование оттока клиентов |
Построение модели, которая предсказывает, уйдёт ли пользователь |
Pandas, Matplotlib, NumPy, Sklearn, Seaborn, CatBoost, Phik |
| Определение возраста по фотографии |
Построение модели, которая по фотографии человека могла бы предсказывать его возраст |
Pandas, Matplotlib, NumPy, Keras |
| Определение токсичных комментариев |
ML-модель машинного обучения позволяет классифицировать комментарии на позитивные и негативные, чтобы в дальнейшем их отправлять на модерацию |
Pandas, NumPy, ntlk, Sklearn, tqdm |
| Прогнозирование заказов такси |
Построение системы прогноза количества заказов такси на следующий час |
Pandas, Matplotlib, NumPy, Sklearn, CatBoost, Statsmodels |
| Определение стоимости автомобиля |
Для сервиса определения рыночной стоимости автомобиля по запросу клиента реализована модель, прогнозирующая цену автомобиля |
Pandas, Matplotlib, NumPy, Sklearn, Seaborn, CatBoost |
| Защита персональных данных |
Разработка метода шифрования данных. Построение модели машинного обучения на шифрованных данных |
Pandas, NumPy, Sklearn |
| Исследование технологического процесса очистки золота |
В целях оптимизации производства подготовлен прототип ML-модели для предсказания коэффициента восстановления золота из золотосодержащей руды |
Pandas, Matplotlib, NumPy, Sklearn, Seaborn, SciPy |
| Выбор локации для нефтяной скважины |
Поиск прибыльного нефтедобывающего региона с помощью моделирования машинного обучения |
Pandas, Matplotlib, NumPy, Sklearn |
| Прогнозирование оттока клиентов |
На основе данных из банка определить клиента, который может уйти |
Pandas, Matplotlib, Sklearn |
| Рекомендация тарифов |
Оператор мобильной связи «Мегалайн» хочет построить систему, способную проанализировать поведение клиентов и предложить пользователям новый тариф. Задача: построить модель для задачи классификации, которая выберет подходящий тариф |
Pandas, Sklearn |
| Исследование успешности компьютерных игр |
Анализ открытых данных, и поиск потенциально популярного продукта, что позволит компании заказчику спланировать рекламные кампании |
Pandas, Matplotlib, NumPy, Seaborn, SciPy |
| Определение выгодного тарифа для телеком-компании |
Проведен предварительный анализ тарифов телеком-компании на выборке из 500 клиентов и выявлен самый прибыльный тариф для последующей корректировки рекламного бюджета |
Pandas, Matplotlib, NumPy, Seaborn, SciPy |
| Исследование объявлений о продаже квартир |
Используя данные сервиса Яндекс.Недвижимость, определить рыночную стоимость объектов недвижимости и типичные параметры квартир |
Pandas, Matplotlib, NumPy, Seaborn |
| Исследование надежности заемщиков |
На основе статистики о платёжеспособности клиентов исследовать влияет ли семейное положение и количество детей клиента на факт возврата кредита в срок |
Pandas |
| Музыка больших городов |
На реальных данных Яндекс.Музыки c помощью библиотеки Pandas и её возможностей проверить данные и сравнить поведение и предпочтения пользователей двух столиц — Москвы и Санкт-Петербурга |
Pandas |