Стажировка по проекту
Компания: Юздеск
Прогнозирование поведения потребителей продукта
Юздеск
Юздеск
Суть проекта
Задача
Для чего
Вводные данные
Выходные данные
Проект направлен на разработку и применение искусственного интеллекта (AI) для прогнозирования поведения клиентов IT-компании «Юздеск»
1 команда: Ноутбук с возможностью подгрузки базы, обучения модели и вывода предсказаний по компаниям
2 команда: Разбалансированность датасета и статичность предсказываемых данных позволили опровергнуть гипотезу заказчика. При этом была получена модель нейросети, способной предсказывать уход с вероятностью до 70%, тогда как то, что клиент останется с вероятностью 96%
2 команда: Разбалансированность датасета и статичность предсказываемых данных позволили опровергнуть гипотезу заказчика. При этом была получена модель нейросети, способной предсказывать уход с вероятностью до 70%, тогда как то, что клиент останется с вероятностью 96%
Историческая база данных на основе активности компании
Основная цель проекта - предсказать, как клиенты будут взаимодействовать с компанией «Юздеск» в будущем: будут ли они покупать дополнительные лицензии, продлевать текущие лицензии или прекращать сотрудничество
Участники
1 команды проекта
1 команды проекта
- Терещенко АлексейТимлид проектаАлексей - руководитель группы разработчиков, отвечал за полную разработку проекта
- Шалунов АндрейТехнический руководитель, Системный Архитектор / Работал по всему миру на проектах внедрения OSS, BSS в Telecom и IoT сфере
- Анализирование технического задания и исходного датасета;
- Преобразование данных о покупках и параметрах компаний за 6 месяцев в плоский вектор с колонками для каждого месяца;
- Добавление колонок, отражающих параметры между месяцами для повышения объема данных;
- Обучение нейронной сети, точность 97%;
- Анализ результатов обучения, выявление необходимости изменения скалирования данных на последующих этапах;
- Реализация проверки нейронной сети, используя данные только за последние 6 месяцев,вывод таблиц с вероятностями рейтингов;
- Проведение анализа вероятностей для компаний, включая те, которые уже ушли, но имели потенциал остаться
- Глазырина татьянаспециалистом отдела сопровождения СПС «Гарант»
- Проведение экспериментов с Фреймворком AutoML(тюнерами 1. Grid Search, 2. Random Search, 3. Bayesian Optimization, 4. Hyperband) для того, чтобы упростить процесс разработки моделей и автоматически выбирать наиболее подходящие конфигурации моделей для конкретных задач;
- Использование разных подходов по подготовке датасетов, и разных способов их обработки. Получение точности 65-99% ;
- Использование новых автоматических подходов в обработке табличных данных - библиотеки FEDOT и H2O
- Самохин КириллИТ-директор в Компаниях сеть магазинов «Пятерочка», сеть магазинов «Аленка»
Руководитель проектов в компании «Астор» автоматизация розничной торговли: ERP, WMS ,SCM, Loyalty- Создание и обучение модели на пред обработанных данных, оптимизация функции потерь и весов, оценка точности;
- Применение классических методов (регрессия, классификация), настройка гипер параметров, оценка производительности;
- Автоматизация модельного процесса, выбор архитектуры и гипер параметров, оценка и сравнение результатов;
- Оценка точности, метрик, времени обучения; выбор наилучшего метода и дальнейшие шаги
- Туз ЛюбовьПреподаватель программирования для детей
- Применение AutoKeras, как основы на данном проекте;
- Предобработка данных;
- Создание нейронной сети с применением AutoKeras, используя разные наборы данных, предоставленные заказчиком;
- Эксперименты с различными вариантами преобразования метки рейтинга, включая классификацию 2 и 3 класса
Участники
2 команды проекта
2 команды проекта
- Рубцов АнтонТимлид проектаАнтон - руководитель группы разработчиков, отвечал за полную разработку проекта
- Яшин Михаил,старший специалист отдела выявления и анализа сомнительных операций в Тинькофф банк
- Исследование данных и поиск корреляций в датасете;
- Подготовка данных с помощью Sklearn, Numpy, Pandas, MinMaxScaler;
- Балансировка классов методами downsampling и oversampling;
- Подбор архитектуры нейросети с помощью tensorflow.keras и использование callbacks;
- Использование фреймворка AutoKeras для решения задачи;
- Визуализация корреляций и результатов обучения с помощью Matplotlib, Seaborn, ConfusionMatrix
- Вишняков ДмитрийСопровождение учётных систем БЭСТ, 1С
- Чтение и редактирование кода на Python;
- Анализ корреляций и подготовка данных Sklearn, Numpy, Pandas;
- Подбор архитектуры нейросети с помощью tensorflow.keras;
- Визуализация результатов обучения с помощью Matplotlib
- Мурунов РоманКонсалтинг по вопросам выстраивания ИТ проектов и инфраструктуры
- Анализ задачи и поиск методов решения;
- Подготовка данных с помощью Numpy, Pandas, Sweetviz, Sklearn, StandardScaler;
- Подбор архитектуры нейросети с помощью tensorflow.keras для решения задачи, использование метрик F1 Score;
- Визуализация результатов обучения. Использование Matplotlib, Seaborn, Confusion Matrix
Благодарность университетУ