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)).

1. Проектная работа

   Стартапы

   Поздравляем!

   Соревнование проводится на популярной платформе Kaggle, что позволит вам не только применять на практике свои знания в области анализа данных и машинного обучения, но и освоить работу с этой платформой. Срок проведения соревнований две недели.

   Описание проекта

   Вам предстоит работать с табличными данными, в которых представлена информация о стартапах, которые функционировали в период с 1980 по 2018 годы. Вам нужно предсказать, какие из них закроются, а какие нет. 

   
   Цель проекта:

   1. Разработать модель машинного обучения для предсказания продолжения длительности стартапа.
   2. Провести полноценный разведочный анализ и сформировать рекомендации будущим создателям стартапов (какие факторы влияют на успешность стартапа).

   Инструкция по выполнению проекта

   1.  Разработанная и обученная модель.
   2. Освоенная платформа "Kaggle"
   3. Реализованное решение с использованием технологии "pipeline" (из библиотеки sklearn)
   4. Подготовить отчет по исследованию.

   Описание данных

   Данные можно скачать по ссылке

   - kaggle_startups_train.csv - обучающие данные

   - kaggle_startups_test.csv - тестовые данные

   - kaggle_startups_sample_submit.csv - пример предсказания в правильном формате

   - name - идентификатор (название) стартапа в тестовом наборе.

   - ststus - целевой признак

   Порядок выполнения:

   1. Регистрация на Kaggle
   2. Загрузка и ознакомление с данными
   3. Предварительная обработка данных
   4. Полноценный разведочный анализ
   5. Разработка новых синтетических признаков
   6. Проверка на мультиколлинеарность
   7. Отбор финального набора обучающих признаков
   8. Выбор и обучение моделей
   9. Итоговая оценка качества предсказания лучшей модели.
   10. Анализ важности признаков
   11. Подготовка отчета по исследованию

   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.