Публикации по теме 'crisp-dm'
Совместный анализ с ChatGPT: подход машинного обучения к прогнозированию заболеваний сердца
Постановка задачи
Используя генеративный ИИ, выполните EDA и обучите классификационную модель машинного обучения, предсказывая вероятность развития у человека сердечно-сосудистых заболеваний в ближайшие 10 лет. Следуйте методологии CRISP-DM при выполнении анализа и обучения.
Наша идея состоит в том, что мы будем использовать ChatGPT только на всех этапах методологии CRISP-DM и не будем писать никакого кода.
Набор данных
Используемый набор данных называется Логистическая регрессия..
Модель машинного обучения, чтобы предсказать, будет ли игра иметь большой объем продаж
Я попытался использовать методологию науки о данных для построения модели машинного обучения, чтобы найти способ предсказать, будет ли игра иметь высокие продажи во всем мире, и, надеюсь, создать хорошую прогностическую модель на основе заданных параметров. Я использую методологию CRISP-DM. CRISP-DM расшифровывается как межотраслевой стандартный процесс интеллектуального анализа данных. Весь процесс разбит на шесть основных этапов, а именно:
Понимание бизнеса Понимание данных..
Talk ABNB становится публичным! Инвестор? Что в этом для вас?
Нет, мы здесь не для того, чтобы говорить об IPO и ценах на акции. Я здесь, чтобы поговорить с инвестором, который хочет инвестировать в Сиэтл, используя данные ABNB Сиэтла для анализа с использованием процесса CRISP-DM, чтобы помочь принять инвестиционные решения.
Данные ABNB в Сиэтле можно найти на Kaggle .
Данные Сиэтла ABNB включают 3 файла. Календарь с 1393570 строками и 4 столбцами. Этот файл содержит все списки с января 2016 года по январь 2017 года, как доступные, так и..
Межотраслевой стандартный процесс для проектов по науке о данных / машинному обучению
Как бы вы систематически планировали проект по машинному обучению / науке о данных? Как специалист по анализу данных / инженер по машинному обучению, вы не захотите совершить ошибку, погрузившись прямо в разработку решения / моделирования, не осознав предварительно проблему и поставленные задачи. Кроме того, очень важно уделять больше времени самим данным. Если вам нравятся фреймворки и вы предпочитаете дисциплинировать процесс структурирования науки о данных / машинного обучения, вам..