0. Подготовительные проекты для машинного обучения

Этот курс представляет собой сборник материалов по контролируемому и неконтролируемому обучению.

ВАЖНО: Курс использует переработанный контент из двух предыдущих курсов, уже опубликованных на моем профиле Udemy. Если вы проходили их ранее, обратите внимание: этот курс — это объединённая и переработанная версия, созданная для более целостного и удобного обучения без необходимости перехода между курсами.

5. Практические проекты и реальные приложения

Проект 1: A/B тестирование веб-трафика

В этом проекте вы будете работать с данными веб-трафика компании, чтобы оценить влияние двух версий веб-страницы на коэффициент конверсии. Вы научитесь:

• Очищать и исследовать веб-данные с помощью Pandas.

• Применять статистические тесты, такие как t-тест и проверка гипотез.

• Визуализировать результаты и принимать решения на основе данных.

• Подготавливать отчёт с практическими выводами для улучшения сайта.

Проект 2: Анализ банковских данных для машинного обучения

В этом практическом кейсе вы проанализируете финансовый датасет с информацией о клиентах банка, чтобы выявить закономерности и подготовить данные к ML. Основное внимание будет уделено:

• Очистке и трансформации данных с использованием Pandas и NumPy.

• Визуальному анализу с помощью Seaborn для выявления трендов и корреляций.

• Применению описательной статистики для понимания поведения клиентов.

• Подготовке данных к последующему обучению моделей.

Проект 3: Анализ данных страхования

Вы будете работать с данными страховой компании, чтобы выявить ключевые факторы, влияющие на стоимость полисов и клиентский риск. Вы научитесь:

• Очищать и преобразовывать данные клиентов и страховых случаев.

• Применять EDA для выявления аномалий и трендов.

• Использовать статистику и визуализацию для обоснованных решений.

• Подготовить данные для построения моделей оценки риска.

Проект 4: Анализ данных вредоносного ПО

В этом проекте вы будете изучать данные о вредоносных программах для выявления паттернов кибератак и предотвращения уязвимостей. Основное внимание будет на:

• Очистке и структурировании данных по malware.

• Визуализации для выявления важных характеристик.

• Применении методов предварительной обработки для улучшения качества данных.