Проекты Data Science
| Проект | Описание исследования | Библиотеки |
|---|---|---|
| 01. Музыкальное приложение | Сравнение Москвы и Петербурга окружено мифами. Например: Москва — мегаполис, подчинённый жёсткому ритму рабочей недели; Петербург — культурная столица, со своими вкусами. На данных музыкального приложения мы сравниваем поведение пользователей двух столиц. | Pandas |
| 02. Исследование надежности заемщиков | В данном исследовании мы не оценивали влияние на срок возврата кредита сводных данных. То есть мы не оценивали, какой процент задолженнсоти у людей имеющие одновременно определенное количество детей, семейное положение, уровень дохода и цель займа. | Pandas |
| 03. Исследование объявлений о продаже квартир | Наша задача — выполнить предобработку данных и изучить их, чтобы найти интересные особенности и зависимости, которые существуют на рынке недвижимости. | Matplotlib, Numpy, Pandas, Seaborn |
| 04. Исследование данных о российском кинопрокате | Нам нужно изучить рынок российского кинопроката и выявить текущие тренды. Уделим внимание фильмам, которые получили государственную поддержку. Попробуем ответить на вопрос, насколько такие фильмы интересны зрителю. | Matplotlib, Numpy, Pandas, Seaborn |
| 05. Статистика тарифов мобильной связи | Нам предстоит сделать предварительный анализ тарифов на небольшой выборке клиентов. | Matplotlib, Numpy, Pandas, Seaborn, Scipy |
| 06. Рекомендация тарифов | В нашем распоряжении данные о поведении клиентов, которые уже перешли на эти тарифы. Нужно построить модель для задачи классификации, которая выберет подходящий тариф. | Numpy, Pandas, Sklearn |
| 07. Отток клиентов банка | Нужно спрогнозировать, уйдёт клиент из банка в ближайшее время или нет. Нам предоставлены исторические данные о поведении клиентов и расторжении договоров с банком. | Matplotlib, Numpy, Pandas, Seaborn, Sklearn |
| 08. Выбор локации для нефтяной скважины | Построим модель машинного обучения, которая поможет определить регион, где добыча принесёт наибольшую прибыль. Проанализируем возможную прибыль и риски техникой Bootstrap. | Matplotlib, Numpy, Pandas, Seaborn, Scipy, Sklearn, Bootstap |
| 09. Прогнозирование оттока клиентов в сети отелей | Чтобы решить эту проблему, нам нужно разработать систему, которая предсказывает отказ от брони. Если модель покажет, что бронь будет отменена, то клиенту предлагается внести депозит. | Matplotlib, Numpy, Pandas, Seaborn, Sklearn |
| 10. Классификация жанров музыки | Музыкальный сервис расширяет работу с новыми артистами и музыкантами, в связи с чем возникла задача - правильно классифицировать новые музыкальные треки, чтобы улучшить работу рекомендательной системы. Kaggle competition code. | Matplotlib, Numpy, Pandas, Seaborn, Sklearn, Phik, Catboost, Feauture engine, Imblearn |
| 11. Прогнозирование стоимости автомобиля | Сервис по продаже автомобилей с пробегом разрабатывает приложение, чтобы привлечь новых клиентов. В нём можно будет узнать рыночную стоимость своего автомобиля. Нужно создать модель, которая умеет её определять. | CatBoost, LightGBM, Matplotlib, Numpy, Pandas, Scikit learn, Scipy |
| 12. Подбор похожих товаров | Разработать алгоритм, который для всех товаров предложит несколько вариантов наиболее похожих. | CatBoost, Faiss, Matplotlib, Numpy, Pandas, Scikit learn, Phik |
| 13. Прогнозирование температуры звезды | Придумать, как с помощью нейросети определять температуру на поверхности обнаруженных звёзд. | Matplotlib, Numpy, Pandas, Scikit learn, Torch |
| 14. Оценка риска ДТП | Нужно создать систему, которая могла бы оценить риск ДТП по выбранному маршруту движения. Под риском понимается вероятность ДТП с любым повреждением транспортного средства. | CatBoost, Matplotlib, Numpy, Pandas, Seaborn, Shap, Scikit learn, Feature engine, SQL |
| 15. Прогнозирование количества заказов такси | Чтобы привлекать больше водителей в период пиковой нагрузки, нужно спрогнозировать количество заказов такси на следующий час. | CatBoost, Matplotlib, Numpy, Pandas, Math, Scikit learn, Statsmodels |
| 16. Модерация токсичных комментариев | Магазину нужен инструмент, который будет искать токсичные комментарии и отправлять их на модерацию. | nltk, Pandas, Scikit learn |
| 17. Набор CV задач | Набор CV задач. | Matplotlib, Numpy, Pandas, Tensorflow |
| 18. Поиск фото по описанию | Получить векторное представление изображения, векторное представление текста, а на выходе число от 0 до 1 — которое покажет, насколько текст и картинка подходят друг другу. | Matplotlib, Numpy, Pandas, Seaborn, Spacy, Torch, Scikit learn |
| 19. Прогнозирование температуры сплава | Заказчик решил уменьшить потребление электроэнергии на этапе обработки стали. Для этого комбинату нужно контролировать температуру сплава. Задача — построить модель, которая будет её предсказывать. | CatBoost, Matplotlib, Numpy, Pandas, Scikit learn, Seaborn, SQL |
