Data Science

МОБ.Спринт 12/24.Тема 6/7: Самостоятельный проект:Выбор локации для скважины

Дорогой друг!

Специально для тебя, есть готовое переработанное решение в формате ."IPYNB" (.ipynb), но оно платное.

При получении вами критического (красного) замечания по проекту, проведу правки.

Решение сдесь: Добавь в корзину - Перейди в корзину - Укажи Email - Оплатить по СБП - СБП (приложение вашего банка) - Получи решение на Email

Не можешь оплатить, тогда через "Помощь" запроси другую систему оплаты (Webmoney, Alipay, Telegram (USDT, TON)).

Проектная работа

Выбор локации для скважины

Поздравляем! Вы прошли курс в тренажёре. Самое время проверить знания и решить новую задачу машинного обучения. Выполнять работу будете самостоятельно.

Когда закончите, отправьте её на проверку ревьюеру: он пришлёт комментарии в течение суток. После этого нужно доработать проект и пройти повторную проверку.

Скорее всего, вы будете дорабатывать кейс по комментариям ещё несколько раз. Это нормально.

Проект завершён, когда ревьюер одобрит все доработки.

Описание проекта

Допустим, вы работаете в добывающей компании «ГлавРосГосНефть». Нужно решить, где бурить новую скважину.

Шаги для выбора локации обычно такие:

  • В избранном регионе собирают характеристики для скважин: качество нефти и объём её запасов;
  • Строят модель для предсказания объёма запасов в новых скважинах;
  • Выбирают скважины с самыми высокими оценками значений;
  • Определяют регион с максимальной суммарной прибылью отобранных скважин.

Вам предоставлены пробы нефти в трёх регионах. Характеристики для каждой скважины в регионе уже известны. Постройте модель для определения региона, где добыча принесёт наибольшую прибыль. Проанализируйте возможную прибыль и риски техникой Bootstrap.

Инструкция по выполнению проекта

  1. Загрузите и подготовьте данные. Поясните порядок действий.
  2. Обучите и проверьте модель для каждого региона: 2.1. Разбейте данные на обучающую и валидационную выборки в соотношении 75:25. 2.2. Обучите модель и сделайте предсказания на валидационной выборке. 2.3. Сохраните предсказания и правильные ответы на валидационной выборке. 2.4. Напечатайте на экране средний запас предсказанного сырья и RMSE модели. 2.5. Проанализируйте результаты.
  3. Подготовьтесь к расчёту прибыли: 3.1. Все ключевые значения для расчётов сохраните в отдельных переменных. 3.2. Рассчитайте достаточный объём сырья для безубыточной разработки новой скважины. Сравните полученный объём сырья со средним запасом в каждом регионе. 3.3. Напишите выводы по этапу подготовки расчёта прибыли.
  4. Напишите функцию для расчёта прибыли по выбранным скважинам и предсказаниям модели: 4.1. Выберите скважины с максимальными значениями предсказаний. 4.2. Просуммируйте целевое значение объёма сырья, соответствующее этим предсказаниям. 4.3. Рассчитайте прибыль для полученного объёма сырья.
  5. Посчитайте риски и прибыль для каждого региона: 5.1. Примените технику Bootstrap с 1000 выборок, чтобы найти распределение прибыли. 5.2. Найдите среднюю прибыль, 95%-й доверительный интервал и риск убытков. Убыток — это отрицательная прибыль. 5.3. Напишите выводы: предложите регион для разработки скважин и обоснуйте выбор.

Описание данных

Данные геологоразведки трёх регионов находятся в файлах:

  • /datasets/geo_data_0.csv. Скачать датасет

  • /datasets/geo_data_1.csv. Скачать датасет

  • /datasets/geo_data_2.csv. Скачать датасет

  • id — уникальный идентификатор скважины;

  • f0, f1, f2 — три признака точек (неважно, что они означают, но сами признаки значимы);

  • product — объём запасов в скважине (тыс. баррелей).

Условия задачи:

  • Для обучения модели подходит только линейная регрессия (остальные — недостаточно предсказуемые).
  • При разведке региона исследуют 500 точек, из которых с помощью машинного обучения выбирают 200 лучших для разработки.
  • Бюджет на разработку скважин в регионе — 10 млрд рублей.
  • При нынешних ценах один баррель сырья приносит 450 рублей дохода. Доход с каждой единицы продукта составляет 450 тыс. рублей, поскольку объём указан в тысячах баррелей.
  • После оценки рисков нужно оставить лишь те регионы, в которых вероятность убытков меньше 2.5%. Среди них выбирают регион с наибольшей средней прибылью.

Данные синтетические: детали контрактов и характеристики месторождений не разглашаются.

Как будут проверять мой проект?

Мы подготовили критерии оценки проекта, которыми руководствуются ревьюеры. Прежде чем приступить к решению кейса, внимательно их изучите.

На что обращают внимание ревьюеры, проверяя проект:

  • Как вы готовите данные к обучению?
  • Выполнили все шаги по инструкции?
  • Все ли условия бизнеса учтены?
  • Какие выводы об исследовании задачи делаете?
  • Корректно ли выполнена процедура Bootstrap?
  • Предложен ли регион для разработки скважин? Обоснован ли выбор?
  • Не дублируете ли код?
  • Следите ли за структурой проекта и поддерживаете ли аккуратность кода?

Всё, что вам нужно знать, есть в шпаргалках и конспектах прошлых тем.

Успеха!

Дорогой друг!

Я внимательно наблюдал за твоими действиями на сайте через вебвизор.

Если ты добрался до этой страницы, то скорее всего ты проходишь платное обучение на курсах.

Благодаря моим стараниям, целую главу ты можешь закрыть за сутки, а то и быстрее.

Думаю, что сэкономленное время, ты потратил с пользой, в то время как я сидел и пыхтел над заданиями.

Лучшая благодарность от тебя, это пожертвования на мой IT - проект.

Жертвуй столько, сколько не жалко, но и не скупись, чтобы было не стыдно.