Effort here is to identify important features in relation to our target variable using multiple Correlation methods based on data type. Feature selection is important for ML models to avoid 'curse of dimensionality' but for this dataset we will be using it build our intution that benefits our later EDA effort

A set of custom python modules for friendly workflow on pandas

Представлены основные работы связанные с анализом данных и машинным обучением

creation of an interface and algorithm for forecasting demand for 14 days for goods of own production

ENG/RU Exploratory Data Analysis "Moscow's Taste: Venue Analysis and Recommendations for Investors" in the Jupyter notebook. The analysis uses libraries such as pandas, seaborn, matplotlib, and phik.

Оценка риска попадания в ДТП по маршруту движения каршеринга

Exploratory Data Analysis of MIMIC-II Dataset and extracted machine learning features

Yandex Practicum Data Science project

DA рынка HoReCa Москвы: предобработка данных, проверка гипотез и рекомендации для открытия нового заведения (pandas, визуализации, phi_k).

Yandex Practicum Data Science project

Защита персональных данных клиентов страховой компании

Прогнозирование покупательской активности клиентов

Creating a ML-model to forecast the presence of a heart disease

Прогнозирование исхода лечения пациентов с циррозом печени

Модель прогнозирования выживаемости стартапов с F1 0.997 на основе DecisionTree, оптимизированного через Optuna. Использованы Python, Scikit-learn, Optuna.

Yandex Praktikum Data Science Projects

Нейросетевая модель для предсказания температуры звёзд с RMSE 4263 на основе PyTorch. Использованы Python, Scikit-learn, Pandas, корреляция Phik.

Прогнозирование оттока клиентов оператора связи

Building a model for predicting ad clicks

Модель прогнозирования риска ДТП для каршеринга с F1 0.674 на основе нейронной сети. Использованы Python, PyTorch, CatBoost, PostgreSQL, Streamlit.