Портфолио
Data Science
Здесь представлены некоторые проекты в области расширенного анализа данных и машинного обучения. Проекты выполнены в Jupyter Notebook на Python в том числе с применением технологий Pipeline и GridSearch.
| № | Название проекта | Краткое описание | Стек |
|---|---|---|---|
| 1 | Классификация текстов с использованием BERT для "Викишоп" | Классификация текстов твитов на позитивные и негативные с использованием технологии BERT для "Викишоп". Это учебный проект Яндекс.Практикума. Область применения проекта: NLP, ML | Python, Pandas, Sklearn, Pipeline, GridSerach, BERT |
| 2 | Классификация текстов с использованием TF-IDF для "Викишоп" | Классификация текстов твитов на позитивные и негативные с использованием технологии TF-IDF для "Викишоп". Это учебный проект Яндекс.Практикума. Область применения проекта: NLP, ML | Python, Pandas, Sklearn, Pipeline, GridSerach, NLTK, TF-IDF |
| 3 | Регрессионный анализ временных рядов для прогнозирования заказов такси | Прогнозирование количества заказов такси на основе регрессионного анализа временных рядов. Это учебный проект Яндекс.Практикума. Область применения проекта: ML, сервисы такси | Python, Pandas, Sklearn, Pipeline, GridSerach, Statsmodels |
| 4 | Регрессионный анализ на градиентном бустинге для прогнозирования стоимости автомобиля | Прогнозирование стоимости автомобиля по его характеристикам с помощью регрессионного анализа на градиентоном бустинге. Это учебный проект Яндекс.Практикума. Область применения проекта: ML, продажа автомобилей | Python, Pandas, Sklearn, Pipeline, GridSerach, LightGBM, CatBoost |
| 5 | Линейная регрессия с данными, зашифрованными обратной матрицей | Защита персональных данных клиентов с помощью обратной матрицы при передаче данных в предсказательные сервисы, построенные на основе линейной регрессии. Это учебный проект Яндекс.Практикума. Область применения проекта: ML, банки, инвестиции, телеком | Python, Pandas, Sklearn, Numpy, Markdown |
| 6 | Машинное обучение с применением бутстрепа | Выбор локации для скважины добычи нефти с учетом экономической целесообразности. Это учебный проект Яндекс.Практикума. Область применения проекта: ML, BI, микро-экономический анализ, A/B тестирование, инвестиции, нефтедобыча | Python, Pandas, Sklearn, Bootstrap, микро-экономика, A/B тест |
| 7 | Обучение с учителем с ручным подбором гиперпараметров модели | Прогнозирование оттока клиентов банка. Это учебный проект Яндекс.Практикума. Область применения проекта: ML, банки, инвестиции, кредитование | Python, Pandas, Sklearn |
| 8 | Комплексный анализ данных | Комплексный анализ данных в игровой индустрии. Это учебный проект Яндекс.Практикума. Область применения проекта: BI, статистика, маркетинговый анализ, продуктовый анализ, игровая индустрия | Python, Pandas, Numpy, Scipy, Math, Matplotlib |
| 9 | Статистический анализ данных | Статистический анализ данных сервиса аренды индивидуальных средств мобильности (самокаты). Это учебный проект Яндекс.Практикума. Область применения проекта: BI, статистика, маркетинговый анализ, продуктовый анализ, сервисы аренды индивидуальных средств мобильности | Python, Pandas, Numpy, Scipy, Math, Matplotlib |
| 10 | Классификация на дереве, лесе, и логистической регрессии | Предсказание оптимального тарифа для клиентов телекоммуникационной компании. Это учебный проект Яндекс.Практикума. Область применения проекта: ML, маркетинговый анализ, продуктовый анализ, телекоммуникации | Python, Pandas, Sklearn |