ejay34 / 02_computer_games_sales

Используя исторические данные о продажах компьютерных игр, оценки пользователей и экспертов, жанры и платформы, выявить закономерности, определяющие успешность игры.

Привет 👋

Меня зовут Павел.

Этот репозитарий содержит учебные проекты, созданные в процессе обучения на онлайн-платформе "Яндекс Практикум" по направлению Специалист по Data Science.

Всегда любил искать законмерности и анализировать данные, а в процессе обучения исследование больших наборов данных и прогнозирование еще сильнее увлекло меня, открывая новые горизонты. Я вижу большой потенциал применения машинного обучения для создания нновационных продуктов и услуг, способные улучшить жизнь людей.

👯 Интересуюсь следующими направлениями: беспилотный транспорт, применение ML в энергетике. Углубляю полученные знания в направлении DS/ML

🛠️ Languages and Tools :

               

✔️ Мой диплом:

• На русском языке
• In English

Как со мной связаться:

☎️ [phone]

✒️ [email protected]

Содержание моего репозитория:

Название проекта	Навыки и инструменты	Задачи проекта
01. Исследование рынка недвижимости	Python, Pandas, Matplotlib, Подготовка данных, Визуализация данных, Исследовательский анализ данных	Используя исторические данные о продажах компьютерных игр, оценки пользователей и экспертов, жанры и платформы, выявить закономерности, определяющие успешность игры.
02. Исследование продаж компьютерных игр	Python, Pandas, NumPy, Seaborn, Подготовка данных, Визуализация данных, Исследовательский анализ данных, Проверка гипотез	Используя исторические данные о продажах компьютерных игр, оценки пользователей и экспертов, жанры и платформы, выявить закономерности, определяющие успешность игры.
03. Рекомендации тарифного плана	Python, Pandas, Scikit-Learn, Подготовка данных, Machine Learning, RandomForest, LogisticRegression, DecissionTree	На основании данных о поведении клиентов построить модель с максимально большим значением accuracy для задачи классификации, которая предложит подходящий тариф.
04. Прогноз оттока клиентов	Python, Pandas, Seaborn, Matplotlib, Scikit-Learn, Подготовка данных, Machine Learning, RandomForest, LogisticRegression, DecissionTree, Балансировка классов, ROC-AUC	На основании данных о поведении клиентов построить модель с максимально большим значением F1 для задачи классификации, которая будет определять клиентов, склонных к оттоку.
05. Выбор локации для скважины	Python, Pandas, Seaborn, Matplotlib, Scikit-Learn, Подготовка данных, Machine Learning, RandomForest, LogisticRegression, DecissionTree	На основании данных о геологоразведке построить модели прогноза запасов нефтяных скважин для регионов, выбрать регион для разработки с приемлемым порогом риска безубыточности и наиболее перспективными ресурсами.
06. Восстановление золота из руды	Python, Pandas, Seaborn, Matplotlib, Scikit-Learn, Подготовка данных, Machine Learning, RandomForest, Lasso, DecissionTree, Масштабирование признаков	На основании сырых данных с параметрами добычи и очистки золотоносной руды построить прототип модели для предсказания коэффициента восстановления золота из золотоносной руды с лучшей метрикой sMAPE.
07. Защита персональных данных	Python, Pandas, Seaborn, Matplotlib, NumPy, Scikit-Learn, Подготовка данных, Machine Learning, LinearRegression, линейная алгебра	Разработать метод преобразования данных, чтобы по ним было сложно восстановить персональную информацию и обосновать корректность его работы. При преобразовании качество моделей машинного обучения не должно ухудшиться.