Skip to content

About

Репозиторий с работами Яндекс.Практикума

Resources

Stars

0 stars

Watchers

1 watching

Forks

Latest commit

 

History

5 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Яндекс Практикум — Специалист по Data Science Plus

Проектные работы расширенного курса «Специалист по Data Science Plus» (Яндекс Практикум). Каждый проект лежит в папке своего модуля курса, имя папки начинается с номера модуля в программе. Рядом с тетрадью — README с задачей, моделями, результатом и итогом проверки.

Комментарии ревьюеров и переписка по проверке убраны и из тетрадей, и из README: остаются задача, код, выводы автора и данные проверки — ревьюер, даты, статус.

Проекты

№ Модуль курса Проект Тетрадь Модели Результат Проверка
08 Сборный Проект — 1 Исследование данных о российском кинопрокате Сборный проект — 1.ipynb проект аналитический — модели не обучались Высокий рейтинг не гарантирует высокой прибыли: фильмы с рейтингом 4.6–7.2 приносят сопоставимые сборы, исключений мало. принято 15.12.2021
11 Введение в машинное обучение Рекомендация тарифов Проект — Введение в машинное обучение.ipynb DecisionTreeClassifier, RandomForestClassifier, LogisticRegression Порог accuracy 0.75 пройден на тестовой выборке. принято 06.04.2022
12 Обучение с учителем Отток клиентов «Бета-банка» Проект — Обучение с учителем.ipynb RandomForestClassifier, LogisticRegression, StandardScaler Лучшая модель — RandomForestClassifier (class_weight='balanced', max_depth=9, n_estimators=90), обученная на увеличенной выборке: F1 ≈ 0.60 и ROC-AUC…. принято 24.01.2023
13 Машинное обучение в бизнесе Выбор локации для скважины Проект — Машинное обучение в бизнесе.ipynb LinearRegression, StandardScaler По соотношению прибыли и риска подходит только второй регион: остальные дают либо слишком широкий интервал, либо риск убытков выше допустимого порога…. принято 22.02.2023
14 Сборный Проект — 2 Прогнозирование оттока клиентов сети отелей «Как в гостях» Сборный проект — 2.ipynb RandomForestClassifier, DecisionTreeClassifier, StandardScaler Система на выбранной модели приносит около 9 млн рублей дополнительной выручки при заложенных 400 000 рублях затрат. принято 14.03.2023
16 Командная строка / Git Проект: Командная строка / Git — модели не обучались Проект принят: разбиение issues на отдельные задачи оценено как правильный подход. принято 11.05.2023
18 Системы обработки больших данных Предсказание стоимости жилья Проект — Системы обработки больших данных.ipynb LinearRegression, StandardScaler, VectorAssembler RMSE ≈ 69 465, MAE ≈ 50 463, R2 ≈ 0.64 — качество сопоставимо с базовым уровнем для этого датасета. принято 31.05.2023
19 Линейная алгебра Защита персональных данных клиентов Проект — Линейная алгебра.ipynb LinearRegression R2 до и после преобразования совпадают — предложенный алгоритм шифрования признаков корректен и не ухудшает модель. принято 12.06.2023
20 Численные методы Определение стоимости автомобилей Проект — Численные методы.ipynb LGBMRegressor, RandomForestRegressor, LinearRegression, GridSearchCV, RandomizedSearchCV LightGBM на тестовой выборке даёт RMSE ≈ 2493 при времени обучения в секунды — модель выбрана для сервиса. принято 22.07.2023
22 Продвинутый SQL SQL-запросы к схеме stackoverflow Проект — Продвинутый SQL.ipynb SQL, pandas, SQLAlchemy — модели не обучались Все десять заданий решены, запросы дают корректный результат на схеме stackoverflow. принято 18.08.2023
24 Модели и алгоритмы в машинном обучении Предсказание температуры звезды нейронной сетью Проект — Модели и алгоритмы в машинном обучении.ipynb Sequential, StandardScaler Лучший вариант — сеть с батчами: RMSE ≈ 4379 против RMSE порядка 10 000 у базовой конфигурации. принято 20.11.2023
25 Сборный Проект — 3 Оценка водительского риска по данным о ДТП Сборный проект — 3.ipynb LGBMClassifier, LogisticRegression, RandomForestClassifier, GridSearchCV, RandomizedSearchCV, StandardScaler Лучшей оказалась LightGBM: f1-score ≈ 0.60 на кросс-валидации и ≈ 0.58 на тестовой выборке. принято 29.11.2023
26 Временные ряды Прогнозирование заказов такси Проект — Временные ряды.ipynb CatBoostRegressor, LinearRegression, DummyRegressor, GridSearchCV CatBoost даёт RMSE ≈ 23.6 на валидации и заметно превосходит константную модель — порог 48 пройден. принято 17.12.2023
27 Машинное обучение для текстов Токсичные комментарии для «Викишоп» Проект — Машинное обучение для текстов.ipynb LogisticRegression + TfidfVectorizer, CatBoostClassifier, GridSearchCV, RandomizedSearchCV Логистическая регрессия на TF-IDF даёт F1 ≈ 0.77 (CatBoost ≈ 0.75) — требование F1 ≥ 0.75 выполнено. принято 13.01.2024
28 Компьютерное зрение Определение возраста покупателей Проект — Компьютерное зрение.ipynb ResNet18 (transfer learning), ImageDataGenerator (аугментации), mean_absolute_error MAE ≈ 7.9 на тестовой выборке — целевой порог «не больше 8» достигнут на пятой эпохе обучения. принято 06.02.2024
30 Сборный Проект — 4 Поиск изображений по текстовому запросу Сборный проект — 4.ipynb ResNet18 (эмбеддинги изображений), BERT (эмбеддинги текста), Sequential Итоговая модель даёт RMSE ≈ 0.24 на валидации; визуальная проверка показала, что часть запросов (например, про детей) намеренно отфильтрована по…. принято 16.02.2024
31 Выпускной проект Steelbird: предсказание температуры сплава Выпускной проект — Steelbird.ipynb CatBoostRegressor, RandomForestRegressor, DummyRegressor, Sequential, GridSearchCV, RandomizedSearchCV Лучшая модель — CatBoost: MAE ≈ 6.07 на валидации и ≈ 6.3 на тесте, прогноз отличается от факта примерно на 6.5 градуса. принято 28.02.2024

Как читать

  • Тетради сохранены с выводами ячеек: графики и метрики видны без запуска.
  • Пути к данным внутри тетрадей (/datasets/...) — это пути учебной платформы Практикума; локально их нужно заменить на свои.
  • Проект модуля «Командная строка / Git» сдавался этим самым репозиторием.

About

Репозиторий с работами Яндекс.Практикума

Resources

Stars

0 stars

Watchers

1 watching

Forks

Releases

Packages

Contributors

Languages