Стажировка по проекту
Компания: РАН (Институт проблем рынка)
Прогнозирование оттока человеческих ресурсов
Суть проекта
Задача
Для чего
Вводные данные
Выходные данные
Спрогнозировать поведение кандидата:
- Останется ли человек в специальности после завершения ВУЗа;
- Насколько он будет привержен компании = прогнозирование оттока
Данная система будет источником прогнозирования при принятии решения создании кафедр обучения по востребованным профессиям для предприятий
Входные данные состоят из почти 63 тысяч анкет, в которых присутствует разнонаправленная информация о людях работающих в различных профессиях
На выходе получили глубокий анализ данных, благодаря которому смогли построить предсказательные модели с точностью более 95%
Участники
команды проекта
команды проекта
- Бобрешов АлексейТимлид проектаАлексей - руководитель группы разработчиков, отвечал за полную разработку проекта
- БОЙКОВ СЕРГЕЙРазработчик ПО (С# .NET, ASP.NET Core, Angular, SQL, Python / Django, C++)• Исследование и анализ базы резюме кандидатов на вакансии с использованием Python и различных библиотек, включая pandas, re и matplotlib.pyplot;
• Использование ChatGPT API для интеллектуального парсинга данных о последнем образовании и ВУЗе соискателей;
• Группировка соискателей на основе анализа данных о последнем учебном заведении на 3 категории: микроэлектроника/электроника, IT-специальности, все остальные;
• Анализ данных о последней должности и интересе соискателей к определенным специальностям с использованием ключевых слов;
• Вывод ключевых характеристик соискателей и ответы на важные вопросы от РАН, что привело к более глубокому пониманию соискателей на вакансии и разделению их на соответствующие категории - Зайцев ВалерийГруппа НИКОС, Заместитель директора, Руководитель проекта Руниверс
- Анализ исходных данных и формирование целевых критериев;
- Поиск и отбор данных из внешних источников необходимых для решения задачи;
- Проведение экспериментов с использованием алгоритмов обработки естественного языка, библиотек: NLTK и SpaСy;
- Разработка алгоритмов решения задачи;
- Подбор моделей и их параметров для прогнозирования c использованием библиотеки sklearn и моделей LogisticRegression и RandomForestRegressor;
- Визуализация данных с использованием библиотек matplotlib, seaborn, wordcloud
- Хмелевский ИльяСтудент колледжа на специальности «информационные технологии и программирование»
- Очистка данных;
- Стандартизация;
- Парсинг данных;
- Составление списка названий специальностей/должностей;
- Создание графиков для презентации из полученных данных;
- Создание и обучение моделей «LogisticRegression» и «RandomForestClassifier»;
- Составление презентации и выводов по проделанной работе
- Шевцова Дарьяfronted-разработчик и qa-инженер
- Анализ данных;
- Подготовка датасета путем парсинга полей образования и опыта работы с помощью библиотеки Re;
- Использование методов ML - случайный лес, дерево решений и логистической регрессии из библиотеки Sklearn для предсказаний;
- Использование нейронных сетей с помощью библиотеки Tensorflow для предсказаний
- Мурсанков Сергей
- Проведение выборки со специализированного сайта и подготовка переченя профессий для задачи заказчика;
- Парсинг исходных данных для получения целевой группы соискателей;
- Подготовка датасета;
- Полученный датасет был использован для обработки с помощью нейронных сетей методами «Решающие деревья», «Случайный лес»
- Грачёв ВладимирАнализ технологических процессов
- Изучение и использование библиотек pandas, numpy, matplotlib, seaborn, re, pymorphy2, keras для получения результатов;
- Выполнение исследования, которое позволило увидеть процессы и тенденции на рынке труда и прогнозировать поведение соискателей работы в следовании или отклонении производственной деятельности от полученного образования
- Болтунов Александр
мастера участка в ООО «Компании Алс и Тек»- Предобработка данных с помощью библиотек: pandas, numpy, re, string и т.д;
- Использование методов строк для приведения к нижнему регистру, регулярных выражений для удаления знаков препинания;
- Парсинг данных с помощью регулярных выражений
- Проведение экспериментов с методами строк и работой с pandas.
- Макарова Ольгамаркетолог в центре развития личности «Арканум»
- Парсинг функциями, регулярными выражениями;
- Тестирование методами Auto ML для более широкого анализа
- Харитонова УльянаИнженер по искусственному интеллекту
- Проведение парсинаг данных с помощью gpt -3.5, 4.0;
- Формулирование распарсенной базы данных для возможности работы с широким спектром моделей машинного обучения
- Эфрос ЕвгенийРуководитель группы АСУТП
- Поиск и выделение ключевых слов и фраз с применением библиотеки Re;
- Сравнение полученных текстов с применением библиотеки Gensim
- Павлов Роман
руководитель направления ит-бюджетирования в государственной компании.- Парсинг базы;
- Разведочный анализ;
- Кластеризация данных
- Пицуков Михаил
менеджер группы танкеров, выполняющих круглогодичные перевозки топлива в Арктике- Предобработка и парсинг исходных данных с помощью стандартных инструментов EDA (pandas, numpy, matplotlib и др.);
- Эксперименты с различными библиотеками Auto ML
- Новожилов МаксимData Science специалист
- Разработка модели прогноза оттока кандидата на базе анкетных данных;
- Бибилиотеки: pandas, numpy, ntlk, sklearn, keras, matplotlib
- Алейкин Виталий
- Анализ первичных данных;
- Парсинг первичных данных;
- Разметка данных;
- Выделение целевых групп специальностей;
- Обучение модели прогнозирования