Kaggle - поиск работы для Data Scientist / Стратификация, ансамбль моделей

Разбор датасета на площадке Kaggle, где необходимо предсказать вероятность того, что кандидат будет искать новую работу, а также интерпретировать факторы, влияющие на решение сотрудника.

Курс Data Science для начинающих PyMagic

Clubhouse miracl6

#ityoutubersru #datascience #kaggle

[good-lychik]

Просмотрел все ваши видео :) Поставленая речь, все четко и по делу, приятно слушать. Доступно подаете информацию, узнал много нового для себя так как работаю в другой области IT, но развиваться надо постоянно. Спасибо!

[rxmlxdm]

Спасибо за видео, я редко пишу комментарии, но этот ролик действительно повлиял на меня, показав на сколько интересен data science . Спасибо за пинок под зад

[subigo]

Просто спасибо за видео! За бесплатный вклад в наше развитие)

[OleksiiM]

Класс! Теперь я узнал, какие пробелы мне стоит заполнить. Мега полезно!

[danyazhdanov]

Красивая, умная девушка даёт огромное количество полезной информации бесплатно - так не бывает! :)

[DiMAN]

Анастасия, спасибо за видео. Ещё не досмотрел до конца, но очень полезно, что вы показываете все этапы и общий поход к задаче.

[flash]

Отлично видео . Как раз то что я искал ... Побольше реальных кейсов ...

[kostiantynzahorulko]

очень круто, лаконично, куча полезных фишечек (особенно понравилось стеккинг и фича импортенс)
сразу друзьям саентистам скинул))
спасибо))

[salivona]

Несколько полезных фишек взял на заметку, спасибо )

[maratimus]

Было очень увлекательно, спасибо. Продолжай в направлении Kaggle.

[aleksunknow]

Красива и умна, прекрасное сочетание :)

[ivansavchuk]

спасибо большое! Обязательно буду запускать ноутбук и смотреть видео с вашими комментариями! Ждем видос про теорвер!

[JASTOK]

Хороший анализ! Мой первый комментарий здесь почему то пропал, хотел поделиться своей работой на этот же датасет, смешно, но выложил свою работу за час до того, как вы выложили видео))) Не знал, что стратификация спасает от дисбаланса, я использовал SMOTE, вы молодец!

[evgenychechel]

Отличное видео.интересно было посмотреть данный разбор. Очень полезный. Продолжай. Интересно было бы посмотреть реальную какую то работу от начала и до конца, имею ввиду из продакшена

[aikspace]

Стекинг это немного другое, когда output моделей подаётся в ещё одну модель. Спасибо за видео.

[MrVeniamin]

пора разбирать датасет, где нужно найти вероятность того, что комментарий под видео будет на тему "а замужем ли эта принцесса?"🤦

[userwwrwewetw]

ну что ж, посмотрим и оценим подачу материала...

[roll]

Разберите, пожалуйста, более глубокий анализ с подбором гипер-параметров, чтобы лучше понять сам процесс и методику подбора))

[reynardchest]

Добрый день, Анастасия. Спасибо большое за видео, было очень познавательно посмотреть на разбор реального соревнования на Kaggle. Очень хочется видеть больше видео такого же формата. По ходу просмотра возникла пара вопросов, буду рад, если вы поможете мне разобраться:

Как график на 15:39 оправдывает гипотезу о том, что к поиску новой работы склонны молодые студенты? Вы выделяете столбец с опытом работы 1 год, говоря, что он явно выделяется, но суммарное значение “proportion” по этому столбцу будет чуть меньше 0, 04 (правильно я понимаю, что это эквивалентно примерно 4% от количества людей в датасете?). Не говоря уже о том, что график не отображает, какой процент от этих людей имеет “target 1”.


Не показывает ли график(15:39), что к поиску работы склонны люди с опытом работы от двух лет и более, работавшие до этого только в 1 компании?


Также, подскажите, пожалуйста, как отсортированы данные на графике(15:39)? Столбцы идут в порядке убывания количества людей из категории “работавшие до этого только в 1 компании”?


Также, если мы хотим найти корреляцию между возрастом потенциального работника и поиском работы, то не наглядней было бы отобразить график таким образом, чтобы значение абсциссы “experience” были упорядочены и шли по возрастанию?


Извините, если вопросы глупые, я ещё студент и только начинаю осваивать DS)

[Nikita]

Расскажи, пожалуйста, что нибудь по бизнес аспектам data science. То есть как находить процессы, которые можно оптимизировать, как предсказывать и оценивать результаты внедрения ml-технологии, в каком виде лучше продавать решение (например, как услугу или как сервис)? Как вообще развивать в себе видение самого прибыльного решения?