При получении вами критического (красного) замечания по проекту, проведу правки.
Не можешь оплатить, тогда через "Помощь" запроси другую систему оплаты (Webmoney, Alipay, Telegram (USDT, TON)).
Описание проекта: промышленность
Чтобы оптимизировать производственные расходы, металлургический комбинат «Стальная птица» решил уменьшить потребление электроэнергии на этапе обработки стали. Для этого комбинату нужно контролировать температуру сплава. Ваша задача — построить модель, которая будет её предсказывать.
Заказчик хочет использовать разработанную модель для имитации технологического процесса. Ниже расскажем о деталях этого процесса. Их важно знать, прежде чем генерировать новые признаки.
Описание этапа обработки
Сталь обрабатывают в металлическом ковше вместимостью около 100 тонн. Чтобы ковш выдерживал высокие температуры, изнутри его облицовывают огнеупорным кирпичом. Расплавленную сталь заливают в ковш и подогревают до нужной температуры графитовыми электродами. Они установлены в крышке ковша.
Из сплава выводится сера (этот процесс — десульфурация), добавлением примесей корректируется химический состав и отбираются пробы. Сталь легируют — изменяют её состав — подавая куски сплава из бункера для сыпучих материалов или проволоку через специальный трайб-аппарат (от англ. tribe — «масса»).
Перед тем как первый раз ввести легирующие добавки, измеряют температуру стали и производят её химический анализ. Потом температуру на несколько минут повышают, добавляют легирующие материалы и продувают сплав инертным газом. Затем его перемешивают и снова проводят измерения. Такой цикл повторяется до достижения целевого химического состава и оптимальной температуры плавки.
Тогда расплавленная сталь отправляется на доводку металла или поступает в машину непрерывной разливки. Оттуда готовый продукт выходит в виде заготовок-слябов (от англ. slab — «плита»).
Описание данных
Данные состоят из нескольких файлов, полученных из разных источников:
data_arc_new.csv— данные об электродах;data_bulk_new.csv— данные о подаче сыпучих материалов (объём);data_bulk_time_new.csv— данные о подаче сыпучих материалов (время);data_gas_new.csv— данные о продувке сплава газом;data_temp_new.csv— результаты измерения температуры;data_wire_new.csv— данные о проволочных материалах (объём);data_wire_time_new.csv— данные о проволочных материалах (время).
Файл data_arc_new.csv
key— номер партии;Начало нагрева дугой— время начала нагрева;Конец нагрева дугой— время окончания нагрева;Активная мощность— значение активной мощности;Реактивная мощность— значение реактивной мощности.
Файл data_bulk_new.csv
key— номер партии;Bulk 1…Bulk 15— объём подаваемого материала.
Файл data_bulk_time_new.csv
key— номер партии;Bulk 1…Bulk 15— время подачи материала.
Файл data_gas_new.csv
key— номер партии;Газ 1— объём подаваемого газа.
Файл data_temp_new.csv
key— номер партии;Время замера— время замера;Температура— значение температуры.
Файл data_wire_new.csv
key— номер партии;Wire 1…Wire 9— объём подаваемых проволочных материалов.
Файл data_wire_time_new.csv
key— номер партии;Wire 1…Wire 9— время подачи проволочных материалов.
Во всех файлах столбец key содержит номер партии. В файлах может быть несколько строк с одинаковым значением key: они соответствуют разным итерациям обработки.
Данные также находятся в тренажёре, в папке /datasets/.
План работы
Позади много пройденных уроков, вы уже выпускники! Уверены, что вы умеете выделять основные этапы работы и следовать намеченному плану. Тем не менее оставим вам краткий план, который вы сможете дополнить необходимыми, на ваш взгляд, нюансами.
Шаг 1. Загрузка данных
Загрузите данные и выполните их первичный осмотр.
Шаг 2. Исследовательский анализ и предобработка данных
Выполните исследовательский анализ каждого датафрейма и при необходимости выполните предобработку. Сделайте выводы об имеющихся признаках: понадобятся ли они для обучения моделей.
Шаг 3. Объединение данных
Объедините выбранные вами признаки в один датафрейм по ключу.
Шаг 4. Исследовательский анализ и предобработка данных объединённого датафрейма
Выполните исследовательский анализ объединённого датафрейма, визуализируйте распределения признаков и при необходимости выполните предобработку. Проведите корреляционный анализ. Напоминаем, что вы можете использовать не только имеющиеся признаки, но и генерировать новые.
Шаг 5. Подготовка данных
Выполните подготовку данных для обучения модели. Разделите данные на две выборки, при масштабировании и кодировании учитывайте особенности данных и моделей.
Шаг 6. Обучение моделей машинного обучения
Обучите как минимум две модели. Хотя бы для одной из них подберите как минимум два гиперпараметра.
Шаг 7. Выбор лучшей модели
Выберите лучшую модель и проверьте её качество на тестовой выборке.
Шаг 8. Общий вывод и рекомендации заказчику
Сделайте общий вывод о проделанной работе: опишите основные этапы работы, полученные результаты и дайте рекомендации для бизнеса.
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.