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 | Ссылки |
|---|---|---|---|---|
| 1 | Классификация текстов с использованием BERT | Классификация текстов твитов на позитивные и негативные с использованием технологии BERT. Это учебный проект Яндекс.Практикума. Область применения проекта: NLP, ML. | Python, Pandas, Sklearn, Pipeline, GridSerach, BERT | HTML, ipynb |
| 2 | Классификация текстов с использованием TF-IDF | Классификация текстов твитов на позитивные и негативные с использованием технологии TF-IDF. Это учебный проект Яндекс.Практикума. Область применения проекта: NLP, ML. | Python, Pandas, Sklearn, Pipeline, GridSerach, NLTK, TF-IDF | HTML, ipynb |
| 3 | Регрессионный анализ временных рядов | Прогнозирование количества заказов такси. Это учебный проект Яндекс.Практикума. Область применения проекта: ML, сервисы такси. | Python, Pandas, Sklearn, Pipeline, GridSerach, Statsmodels | HTML, ipynb |
| 4 | Регрессионный анализ на градиентном бустинге | Прогнозирование стоимости автомобиля по его характеристикам. Это учебный проект Яндекс.Практикума. Область применения проекта: ML, продажа автомобилей. | Python, Pandas, Sklearn, Pipeline, GridSerach, LightGBM, CatBoost | HTML, ipynb |
| 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 | HTML, ipynb |