Вернуться в раздел: Сборный Проект — 1
Вернуться в оглавление: Я.Практикум
Что дальше?
Кратко:
- Обработка данных и анализ графиков, основы статистики и теории вероятностей.
- Знакомство с машинным обучением, классификацией и регрессией.
- Оценка качества моделей машинного обучения.
- Применение машинного обучения в бизнесе и A/B-тестирование
Вы научились обрабатывать данные и анализировать графики, а также познакомились с основами статистики и теории вероятностей.
- Вы узнаете, что такое машинное обучение, чем отличается классификация от регрессии и как строить модели машинного обучения.
- Научитесь оценивать качество моделей машинного обучения.
- Разберётесь, как машинное обучение помогает бизнесу и зачем нужно A/B-тестирование.
Вперёд к новым знаниям!
У вас новое достижение!
Кратко:
- Новое достижение: заклинатель Python.
- Большой проект в рамках @Яндекс Практикум.
- Выявление закономерностей успешности компьютерных игр.
- Изучение данных о продажах, жанрах, платформах, оценках пользователей и экспертов.
- Использование Python и pandas для анализа данных.
- Составление портретов пользователей в разных регионах мира.
- Проверка гипотез и выявление параметров успешности игры в каждом регионе.
- Подготовка отчёта для магазина компьютерных игр для планирования рекламных кампаний
Новое достижение — заклинатель Python!
Вы выполнили большой проект. Можно не только добавить его в своё портфолио, но и рассказать о радостном моменте в социальных сетях: LinkedIn, ВКонтакте и Telegram. Как это сделать?
Готов большой проект в рамках моей учёбы в @Яндекс Практикум! Мне удалось выявить закономерности, которые определяют успешность компьютерных игр. Для этого нужно было изучить данные об их продажах, жанрах и платформах, а также оценки пользователей и экспертов.
Вот что получилось сделать в ходе работы над проектом:
- провести предобработку и анализ данных с помощью Python и pandas;
- составить портреты пользователей в разных регионах мира;
- использовать критерий Стьюдента для независимых выборок;
- проверить несколько гипотез;
- выявить параметры, определяющие успешность игры в каждом регионе;
- подготовить отчёт для магазина компьютерных игр, чтобы планировать рекламные кампании.
Инструменты: #Python #pandas #matplotlib
- Добавьте пост в LinkedIn и обновите свой профиль.
Шаг 1. Добавьте Python в блок навыков.
Для этого найдите блок Skills и нажмите +, добавьте навык и отметьте Яндекс Практикум как место, где вы его используете.
Шаг 2. Опубликуйте пост и приложите карточку с наградой!
- Добавьте пост во ВКонтакте и не забудьте отметить Яндекс Практикум (@yandex.practicum).
- Добавьте пост в свой Telegram-канал и не забудьте отметить Яндекс Практикум (@yndx_practicum).
Обратная связь
Привет! На связи команда разработки курса «Специалист по Data Science».
Чтобы этот курс появился, а вам было интересно и удобно его проходить, потребовалась сплочённая работа многих людей. С кем-то из команды вы уже знакомы, например с кураторами, наставниками и преподавателями. За работу платформы и качество уроков отвечают отдельные специалисты. Расскажем о некоторых из них.
За развитием курса следит менеджер продукта. Вместе с экспертами он проводит исследования, чтобы программа соответствовала запросам работодателей. Поддерживать актуальность курса помогает и контент-продюсер, который проследит, чтобы новые материалы были качественными и появились вовремя.
Менеджер платформы отвечает за тренажёр и вместе с командой разработки проектирует новые функции. Команды контента и платформы регулярно получают отзывы от менеджера фидбэка, который собирает обратную связь от студентов. Отзывы помогают оперативно решать проблемы и улучшать продукт.
Работая с отдельными запросами, мы не всегда понимаем, что нужно сделать в первую очередь, а что — на время отложить. Поэтому мы хотим узнать о вашем опыте из первых рук.
Пожалуйста, ответьте на несколько вопросов. Будем благодарны за честные ответы.
Вернуться в раздел: Сборный Проект — 1
Вернуться в оглавление: Я.Практикум