Портфолио

№	Проект	Задачи проекта	Стек	Навыки
1.	Анализ рынка недвижимости в Санкт-Петербурге	Научиться определять рыночную стоимость квартир. Провести исследовательский анализ данных, который поможет установить параметры, влияющие на цену объектов.	Python, Pandas, Matplotlib	Исследовательский анализ, визуализация данных
2.	Анализ поведения пользователей сервиса проката самокатов	На основе данных проанализировать поведение клиентов с разными типами подписки. Проверить гипотезы, описать распределения.	Pandas, NumPy, Matplotlib, SciPy	Описательная статистика, проверка гипотез
3.	Анализ мирового рынка видеоигр	Выявить закономерности, определяющие успешность игры. Найти наиболее успешные жанры и платформы для разработки игр в 2017-м году.	Pandas, NumPy, Matplotlib, SciPy	Описательная статистика, визуализация данных, проверка гипотез
4.	Классификация клиентов телеком компании	На основе данных предложить клиенту тариф. Построить модель машинного обучения с максимально большим значением accuracy.	Pandas, NumPy, Matplotlib, Scikit-Learn	Машинное обучение, классификация, подбор гиперпараметров, выбор модели
5.	Прогнозирование оттока клиентов банка	Предоставлены исторические данные о поведении клиентов и расторжении договоров с банком. Нужно спрогнозировать, уйдёт клиент из банка в ближайшее время или нет.	Pandas, NumPy, Matplotlib, Scikit-Learn	Машинное обучение, классификация, подбор гиперпараметров, выбор модели
6.	Выбор локации для скважины	Построить модель для определения региона, где добыча принесёт наибольшую прибыль. Проанализировать возможную прибыль и риски техникой Bootstrap.	Pandas, NumPy, Matplotlib, Scikit-Learn	Машинное обучение, регрессия, Bootstrap
7.	Восстановление золота из руды	Построить прототип модели машинного обучения, которая будет предсказывать коэффициент восстановления золота из золотоносной руды.	Pandas, NumPy, Seaborn, Scikit-Learn	Машинное обучение, регрессия, бизнес-модели
8.	Защита персональных данных клиентов	Разработать метод преобразования данных, чтобы по ним было сложно восстановить персональную информацию. Обосновать корректность работы метода.	Pandas, NumPy, Seaborn, Scikit-Learn	Линейная алгебра, машинное обучение, метрики MSE и R2
9.	Построение модели определения стоимости автомобиля	На основе исторических дынных построить модель определения стоимости автомобиля.	Pandas, NumPy, Seaborn, Scikit-Learn, Lightgbm, Catboost, XGBoost	Численные методы, машинное обучение, RMSE
10.	Прогнозирование количества заказов такси на следующий час	На основе исторических дынных спрогнозировать количество заказов такси на следующий час.	Pandas, NumPy, Seaborn, Scikit-Learn, Catboost	Временные ряды, численные методы, машинное обучение
11.	Обучение модели классификации комментариев	Oбучить модель классифицировать комментарии на позитивные и негативные.	Pandas, NumPy, Seaborn, Scikit-Leatn, NLTK, LightGBM	Машинное обучение, обработка естественного языка, классификация
12.	Определение возраста покупателей	Построить модель, которая по фотографии определяет приблизительный возраст покупателя.	Pandas, NumPy, Seaborn, Scikit-Leatn, TensorFlow, Keras	Компьютерное зрение, обработка изображений, регрессия