Цель задания научиться решать задачу машинного обучения Инструменты для выполнения ДЗ платформа для хакатона Google Colab/Jupyter Notebook Описание задания Банки регулярно проводят телефонные кампании с целью привлечения клиентов к открытию срочного депозита. В рамках данного соревнования предлагается решить задачу бинарной классификации: по характеристикам клиента и параметрам телефонного контакта предсказать, оформит ли клиент депозит. Для каждого клиента из тестовой выборки необходимо вернуть ответ «1» (клиент согласился) или «0» (клиент отказался). Описание набора данных Набор данных состоит из трёх файлов: train.csv — 36 168 записей. Здесь есть и признаки, и правильные ответы (y). На этих данных вы обучаете модель. test.csv — 9 043 записей. Только признаки, ответы скрыты. По этим клиентам вы делаете предсказания. sample_submission.csv — шаблон файла для сдачи ответов. Используйте его как образец формата. Каждая строка — один клиент и один контакт с ним. Признаки делятся на три группы: Информация о клиенте a. age — возраст (18–90 лет) b. job — профессия (12 категорий: admin., blue-collar, technician, management, retired, student и др.) c. marital — семейное положение (married, single, divorced) d. education — уровень образования (primary, secondary, tertiary, unknown) e. default — есть ли просроченный кредит (yes / no) f. balance — среднегодовой остаток на счёте в евро, может быть отрицательным g. housing — есть ли ипотека (yes / no) h. loan — есть ли потребительский кредит (yes / no) Информация о звонке a. contact — способ связи (cellular, telephone, unknown) b. day — день месяца последнего контакта c. month — месяц последнего контакта d. duration — длительность разговора в секундах История взаимодействий a. campaign — количество звонков клиенту в этой кампании b. pdays — сколько дней прошло с последнего контакта в прошлой кампании; значение -1 означает, что контакта раньше не было c. previous — количество контактов до текущей кампании d. poutcome — результат прошлой кампании (success, failure, other, unknown) Подсказки по обработке данных Столбец duration очень сильно коррелирует с целевой переменной, но в реальности он становится известен только после звонка. Его можно использовать в обучении, но важно понимать это ограничение. balance содержит выбросы и отрицательные значения — рассмотрите логарифмическое преобразование (или другое) для положительных значений. Категориальные признаки (job, education, month и др.) необходимо закодировать перед подачей в модель (расмотрите OneHotEncoder). Обратите внимание на дисбаланс классов: только около 11% клиентов ответили yes. Это важно учитывать при выборе и настройке модели. Правила использования платформы для проведения хакатона (итогового задания) Для выполнения итогового домашнего задания, вам предлагается поучаствовать в хакатоне, посвящённому машинному обучению. Для участия в хакатоне, необходимо перейти на платформу. Первым делом, необходимо произвести регистрацию/авторизацию, для этого вы можете воспользоваться одним из двух предложенных вариантов, которые показаны на рисунке 1. Рисунок 1 — Стартовая страница Во время регистрации укажите своё имя пользователя как Имя Фамилия, для того чтобы преподавателю было проще идентифицировать вас после завершения соревнования. Также укажите корректную электронную почту и пароль. Пример регистрации продемонстрирован на рисунке 2. Рисунок 2 — Регистрация на платформе После успешной регистрации, вы попадёте на стартовую страницу, на которой увидите: наименование и задача (рис. 3, п. 1). Здесь указан тип задачи (регрессия или классификация) и метрика, по которой будут оценивать вашу модель. описание (рис. 3, п. 2). Подробная информация о задаче и инструкциях. расписание (рис. 3, п. 3) отображены основные даты по проведению хакатона. «датасеты» (рис. 3, п. 4) набор данных для обучения (train.csv — на нём происходит обучение ваших алгоритмов), набор данных для тестирования (test.csv — на нём происходит тестирование вашего алгоритма и полученные ответы загружаются в систему), пример загрузки данных в систему (sample_submission.csv — пример правильного формата ответа. Обязательно изучите его и попробуйте отправить как первое решение. Таблица лидеров (рис. 3, п. 5). Здесь отображаются результаты участников. Личный кабинет (рис. 3, п. 6). Ссылка для перехода к загрузке решений. Рисунок 3 — Главная страница Перейдите в личный кабинет (рисунок 4). Здесь вы видите таймер до конца соревнования и лимиты на количество попыток. Требования к загружаемому файлу: формат: .csv разделитель: запятая Для сохранения файла в правильном формате используйте библиотеку pandas - df.tocsv(‘data.csv’, index=False). Все ваши попытки отображаются в «Истории загрузок» (рис. 4, п. 3). Если файл загружен с ошибкой, система сообщит об этом. Рисунок 4 — Личный кабинет участника хакатона В таблице лидеров (рис. 5) вы видите свой Public результат. Однако финальный рейтинг будет сформирован по Private результату. Public результат — считается по части тестовых данных. Нужен, чтобы вы понимали, работает ли модель. Private результат — считается по остальной части данных после окончания хакатона. Это ваша итоговая оценка. Данное решение необходимо чтобы участники не подгоняли ответы под конкретные данные, а строили универсальные модели. В истории загрузок вы можете отметить звездочкой 2 лучших решения. После окончания хакатона система выберет лучшее из этих двух, и именно оно пойдет в финальный расчет. Рисунок 5 — Пример турнирной таблицы Как только завершиться хакатон, все загрузки данных будут не доступны, а также обновиться таблица лидеров с Public на Private и то значение метрики качества, которое будет в таблице, зафиксируется как конечное решение (рис. 6). Рисунок 6 — Пример окончания хакатона Описание задания Банки регулярно проводят телефонные кампании с целью привлечения клиентов к открытию срочного депозита. В рамках данного соревнования предлагается решить задачу бинарной классификации: по характеристикам клиента и параметрам телефонного контакта предсказать, оформит ли клиент депозит. Для каждого клиента из тестовой выборки необходимо вернуть ответ «1» (клиент согласился) или «0» (клиент отказался). Описание набора данных Набор данных состоит из трёх файлов: train.csv - 36 168 записей. Здесь есть и признаки, и правильные ответы (y). На этих данных вы обучаете модель. test.csv - 9 043 записей. По этим клиентам вы делаете предсказания. sample_submission.csv - шаблон файла для сдачи ответов. Используйте его как образец формата. Каждая строка — один клиент и один контакт с ним. Признаки делятся на три группы: Информация о клиенте 1.1 age - возраст (18–90 лет) 1.2 job - профессия (12 категорий) 1.3 marital - семейное положение 1.4 education - уровень образования 1.5 default - есть ли просроченный кредит 1.6 balance - среднегодовой остаток на счёте, может быть отрицательным 1.7 housing - есть ли ипотека 1.8 loan - есть ли потребительский кредит Информация о звонке 2.1 contact - способ связи 2.2 day - день месяца последнего контакта 2.3 month - месяц последнего контакта 2.4 duration - длительность разговора в секундах История взаимодействий 3.1 campaign - количество звонков клиенту в этой кампании 3.2 pdays - сколько дней прошло с последнего контакта в прошлой кампании (значение -1 означает, что контакта раньше не было) 3.3 previous - количество контактов до текущей кампании 3.4 poutcome - результат прошлой кампании Расписание Начало 30.03.2026 00:00 Окончание 30.04.2026 23:59 Часовой пояс: Europe/Moscow Датасеты прикреплены Правила приёма работы Выполните задание на платформе хакатона и прикрепите в LMS ссылку на выполненное задание в Google Colab или файл Jupyter Notebook (.ipynb) Важно: убедитесь, что по ссылке есть доступ, так как иногда доступ может быть закрыт для другого логина; название должно содержать фамилию и имя студента и название задания. Критерии оценивания На платформе хакатона для оценки модели используется метрика ROC-AUC (Area Under the ROC Curve). Она показывает, насколько хорошо модель умеет разделять два класса — тех, кто согласится, и тех, кто откажется. Максимальный балл за задание — 60 Критерии оценивания и баллы 60 баллов: ROC-AUC на тестовой выборке выше 0.75 Решение оформлено в виде Jupyter Notebook (.ipynb) или ссылки на Google Colab В ноутбуке присутствует разведочный анализ данных (EDA): графики распределений, анализ признаков, выявление закономерностей и письменные выводы по каждому из них 40 баллов: ROC-AUC на тестовой выборке выше 0.65 Решение оформлено в виде Jupyter Notebook (.ipynb) или ссылки на Google Colab 20 баллов: ROC-AUC на тестовой выборке 0.65 Итоговое задание выполнено, если: Задание выполнено на платформе хакатона; Прикреплён файл .ipynb или ссылка на Google Colab c выполненным заданием и к нему есть доступ.
Методы машинного обучения в экономике вар. 3154165
Решение задач по python:
«методы машинного обучения в экономике»
Мы напишем новую работу по этой или другой теме с уникальностью от 70%
Задание
Цель задания научиться решать задачу машинного обучения
Инструменты для выполнения ДЗ платформа для хакатона
Google Colab/Jupyter Notebook
Описание задания
Банки регулярно проводят телефонные кампании с целью привлечения клиентов к открытию срочного депозита. В рамках данного соревнования предлагается решить задачу бинарной классификации: по характеристикам клиента и параметрам телефонного контакта предсказать, оформит ли клиент депозит. Для каждого клиента из тестовой выборки необходимо вернуть ответ «1» (клиент согласился) или «0» (клиент отказался).
Описание набора данных
Набор данных состоит из трёх файлов:
train.csv — 36 168 записей. Здесь есть и признаки, и правильные ответы (y). На этих данных вы обучаете модель.
test.csv — 9 043 записей. Только признаки, ответы скрыты. По этим клиентам вы делаете предсказания.
sample_submission.csv — шаблон файла для сдачи ответов. Используйте его как образец формата.
Каждая строка — один клиент и один контакт с ним. Признаки делятся на три группы:
Информация о клиенте
a. age — возраст (18–90 лет)
b. job — профессия (12 категорий: admin., blue-collar, technician, management, retired, student и др.)
c. marital — семейное положение (married, single, divorced)
d. education — уровень образования (primary, secondary, tertiary, unknown)
e. default — есть ли просроченный кредит (yes / no)
f. balance — среднегодовой остаток на счёте в евро, может быть отрицательным
g. housing — есть ли ипотека (yes / no)
h. loan — есть ли потребительский кредит (yes / no)
Информация о звонке
a. contact — способ связи (cellular, telephone, unknown)
b. day — день месяца последнего контакта
c. month — месяц последнего контакта
d. duration — длительность разговора в секундах
История взаимодействий
a. campaign — количество звонков клиенту в этой кампании
b. pdays — сколько дней прошло с последнего контакта в прошлой кампании; значение -1 означает, что контакта раньше не было
c. previous — количество контактов до текущей кампании
d. poutcome — результат прошлой кампании (success, failure, other, unknown)
Подсказки по обработке данных
Столбец duration очень сильно коррелирует с целевой переменной, но в реальности он становится известен только после звонка. Его можно использовать в обучении, но важно понимать это ограничение.
balance содержит выбросы и отрицательные значения — рассмотрите логарифмическое преобразование (или другое) для положительных значений.
Категориальные признаки (job, education, month и др.) необходимо закодировать перед подачей в модель (расмотрите OneHotEncoder).
Обратите внимание на дисбаланс классов: только около 11% клиентов ответили yes. Это важно учитывать при выборе и настройке модели.
Правила использования платформы для проведения хакатона (итогового задания)
Для выполнения итогового домашнего задания, вам предлагается поучаствовать в хакатоне, посвящённому машинному обучению. Для участия в хакатоне, необходимо перейти на платформу. Первым делом, необходимо произвести регистрацию/авторизацию, для этого вы можете воспользоваться одним из двух предложенных вариантов, которые показаны на рисунке 1.
Рисунок 1 — Стартовая страница
Во время регистрации укажите своё имя пользователя как Имя Фамилия, для того чтобы преподавателю было проще идентифицировать вас после завершения соревнования. Также укажите корректную электронную почту и пароль. Пример регистрации продемонстрирован на рисунке 2.
Рисунок 2 — Регистрация на платформе
После успешной регистрации, вы попадёте на стартовую страницу, на которой увидите: наименование и задача (рис. 3, п. 1). Здесь указан тип задачи (регрессия или классификация) и метрика, по которой будут оценивать вашу модель. описание (рис. 3, п. 2). Подробная информация о задаче и инструкциях. расписание (рис. 3, п. 3) отображены основные даты по проведению хакатона.
«датасеты» (рис. 3, п. 4) набор данных для обучения (train.csv — на нём происходит обучение ваших алгоритмов), набор данных для тестирования (test.csv — на нём происходит тестирование вашего алгоритма и полученные ответы загружаются в систему), пример загрузки данных в систему (sample_submission.csv — пример правильного формата ответа. Обязательно изучите его и попробуйте отправить как первое решение.
Таблица лидеров (рис. 3, п. 5). Здесь отображаются результаты участников.
Личный кабинет (рис. 3, п. 6). Ссылка для перехода к загрузке решений.
Рисунок 3 — Главная страница
Перейдите в личный кабинет (рисунок 4). Здесь вы видите таймер до конца соревнования и лимиты на количество попыток.
Требования к загружаемому файлу:
формат: .csv
разделитель: запятая
Для сохранения файла в правильном формате используйте библиотеку pandas - df.tocsv(‘data.csv’, index=False).
Все ваши попытки отображаются в «Истории загрузок» (рис. 4, п. 3). Если файл загружен с ошибкой, система сообщит об этом.
Рисунок 4 — Личный кабинет участника хакатона
В таблице лидеров (рис. 5) вы видите свой Public результат. Однако финальный рейтинг будет сформирован по Private результату.
Public результат — считается по части тестовых данных. Нужен, чтобы вы понимали, работает ли модель.
Private результат — считается по остальной части данных после окончания хакатона. Это ваша итоговая оценка.
Данное решение необходимо чтобы участники не подгоняли ответы под конкретные данные, а строили универсальные модели.
В истории загрузок вы можете отметить звездочкой 2 лучших решения. После окончания хакатона система выберет лучшее из этих двух, и именно оно пойдет в финальный расчет.
Рисунок 5 — Пример турнирной таблицы
Как только завершиться хакатон, все загрузки данных будут не доступны, а также обновиться таблица лидеров с Public на Private и то значение метрики качества, которое будет в таблице, зафиксируется как конечное решение (рис. 6).
Рисунок 6 — Пример окончания хакатона
Описание задания
Банки регулярно проводят телефонные кампании с целью привлечения клиентов к открытию срочного депозита. В рамках данного соревнования предлагается решить задачу бинарной классификации: по характеристикам клиента и параметрам телефонного контакта предсказать, оформит ли клиент депозит. Для каждого клиента из тестовой выборки необходимо вернуть ответ «1» (клиент согласился) или «0» (клиент отказался).
Описание набора данных
Набор данных состоит из трёх файлов:
train.csv - 36 168 записей. Здесь есть и признаки, и правильные ответы (y). На этих данных вы обучаете модель.
test.csv - 9 043 записей. По этим клиентам вы делаете предсказания.
sample_submission.csv - шаблон файла для сдачи ответов. Используйте его как образец формата.
Каждая строка — один клиент и один контакт с ним. Признаки делятся на три группы:
Информация о клиенте
1.1 age - возраст (18–90 лет)
1.2 job - профессия (12 категорий)
1.3 marital - семейное положение
1.4 education - уровень образования
1.5 default - есть ли просроченный кредит
1.6 balance - среднегодовой остаток на счёте, может быть отрицательным
1.7 housing - есть ли ипотека
1.8 loan - есть ли потребительский кредит
Информация о звонке
2.1 contact - способ связи
2.2 day - день месяца последнего контакта
2.3 month - месяц последнего контакта
2.4 duration - длительность разговора в секундах
История взаимодействий
3.1 campaign - количество звонков клиенту в этой кампании
3.2 pdays - сколько дней прошло с последнего контакта в прошлой кампании (значение -1 означает, что контакта раньше не было)
3.3 previous - количество контактов до текущей кампании
3.4 poutcome - результат прошлой кампании
Расписание
Начало
30.03.2026 00:00
Окончание
30.04.2026 23:59
Часовой пояс: Europe/Moscow
Датасеты прикреплены
Правила приёма работы
Выполните задание на платформе хакатона и прикрепите в LMS ссылку на выполненное задание в Google Colab или файл Jupyter Notebook (.ipynb)
Важно: убедитесь, что по ссылке есть доступ, так как иногда доступ может быть закрыт для другого логина; название должно содержать фамилию и имя студента и название задания.
Критерии оценивания
На платформе хакатона для оценки модели используется метрика ROC-AUC (Area Under the ROC Curve). Она показывает, насколько хорошо модель умеет разделять два класса — тех, кто согласится, и тех, кто откажется.
Максимальный балл за задание — 60
Критерии оценивания и баллы
60 баллов:
ROC-AUC на тестовой выборке выше 0.75
Решение оформлено в виде Jupyter Notebook (.ipynb) или ссылки на Google Colab
В ноутбуке присутствует разведочный анализ данных (EDA): графики распределений, анализ признаков, выявление закономерностей и письменные выводы по каждому из них
40 баллов:
ROC-AUC на тестовой выборке выше 0.65
Решение оформлено в виде Jupyter Notebook (.ipynb) или ссылки на Google Colab
20 баллов:
ROC-AUC на тестовой выборке 0.65
Итоговое задание выполнено, если: Задание выполнено на платформе хакатона; Прикреплён файл .ipynb или ссылка на Google Colab c выполненным заданием и к нему есть доступ.
Глава 1. Основные алгоритмы машинного обучения и их применение в экономическом анализе на языке Python
Глава 2. Практическая реализация методов машинного обучения для решения экономических задач средствами Python
Заключение
Список источников
Гудфеллоу И., Бенджио Й., Курвилль А. Глубокое обучение. Москва: Диалектика, 2018. 800 с.
Базанова О.А. Методы машинного обучения и их применение в экономике. Санкт-Петербург: Питер, 2020. 350 с.
Коэн Дж. Машинное обучение на Python. Москва: Вильямс, 2019. 400 с.
Махмутов В.Р. Анализ данных в экономике с использованием Python. Москва: Юрайт, 2021.
Петров С.Н. Эконометрика и машинное обучение. Москва: Инфра-М, 2017. 280 с.
Соколов Д.В. Машинное обучение и современные методы прогнозирования в экономике. Экономический журнал, 2020, №4, с. 45-52.
Романов И.В. Применение методов искусственного интеллекта в экономической аналитике. Москва: Наука, 2016.
Фёдоров А.А. Искусственный интеллект и экономический анализ. Санкт-Петербург: БХВ-Петербург, 2019.
Россум Г. Python. Карманный справочник. Москва: Эксмо, 2018.
Каплан Д. Введение в машинное обучение. Санкт-Петербург: Питер, 2019.
Тарасов П.В. Алгоритмы машинного обучения для экономистов. Москва: Юрайт, 2020.
МИНИСТЕРСТВО ЭКОНОМИЧЕСКОГО РАЗВИТИЯ РФ. Методические рекомендации по применению моделей машинного обучения в экономическом прогнозировании. Москва, 2021.
Ivanov D.V. Современные библиотеки Python для анализа данных в экономике. Журнал прикладной информатики, 2022, №2, с. 30-38.
Назаров А.И. Математические основы машинного обучения в экономике. Москва: Физматлит, 2017.
Котова М.С. Экономический анализ с использованием Python: учебное пособие. Санкт-Петербург: Питер, 2021.
Сергеев Н.В. Аналитика больших данных в экономике. Журнал экономики и статистики, 2020, №3, с. 15-23.
Леонтьев Ю.П. Модели машинного обучения для прогнозирования экономических показателей. Москва: Инфра-М, 2019.
Сидоров В.А. Методы кластеризации и классификации в экономических задачах. Москва: Наука, 2018.
Томилов С.В. Практическое применение нейронных сетей в финансовом анализе. Санкт-Петербург: Питер, 2020.
Цель работы заключается в применении методов машинного обучения на языке Python для решения экономических задач с целью повышения точности прогнозирования и оптимизации управленческих решений в экономике.
Проблема
Существует недостаток в эффективных подходах к применению современных методов машинного обучения в экономике с практической реализацией на Python, что ограничивает возможности глубокого анализа и прогнозирования экономических процессов.
Основная идея
Основная идея исследования состоит в использовании инструментов машинного обучения, реализованных на Python, для анализа экономических данных и разработки моделей, способных выявлять закономерности и предсказывать экономические показатели.
Актуальность
Актуальность темы обусловлена растущей ролью данных и необходимости применения передовых методов машинного обучения в экономике для повышения качества решений и адаптации к динамичным рыночным условиям.
Задачи
Изучить основные методы машинного обучения, применяемые в экономике.
Проанализировать возможности языка Python для реализации алгоритмов машинного обучения.
Оценить эффективность различных моделей машинного обучения на выборке экономических данных.
Выявить ключевые экономические показатели, влияющие на точность прогнозов.
Разработать и протестировать модели машинного обучения для решения практических экономических задач.
Оформить рекомендации по применению методов машинного обучения в экономическом анализе на Python.
Глава 1. Основные алгоритмы машинного обучения и их применение в экономическом анализе на языке Python
Машинное обучение становится неотъемлемым инструментом экономического анализа, позволяя моделировать сложные зависимости и прогнозировать экономические показатели с высокой точностью. Основные алгоритмы машинного обучения, такие как линейная регрессия, деревья решений, методы опорных векторов и ансамблевые методы, находят широкое применение в эконометрическом анализе, классификации финансовых рисков и оценке рыночных трендов. Использование языка Python и его специализированных библиотек, например, scikit-learn, обеспечивает удобство реализации алгоритмов и обработку больших объемов экономических данных. Важной характеристикой этих методов является способность адаптироваться к разнообразию и многомерности экономических показателей, что позволяет выявлять скрытые закономерности и принимать обоснованные управленческие решения. Аналитический потенциал машинного обучения усиливается за счет интеграции с экономическими теориями и эмпирическими моделями, что обеспечивает целостное понимание исследуемых процессов и повышает точность прогнозов.
Нравится работа?
Работа оформлена по стандартам (ГОСТ/APA/MLA), подтверждена источниками и готова в срок.
Глава 2. Практическая реализация методов машинного обучения для решения экономических задач средствами Python
Практическая реализация методов машинного обучения в экономических задачах с использованием Python требует не только глубокого понимания алгоритмов, но и умения адаптировать их к специфике экономических данных. Важной составляющей является предварительная обработка информации, включающая очистку, нормализацию и преобразование временных рядов, что существенно влияет на качество моделей. Алгоритмы, такие как регрессия, случайный лес, градиентный бустинг и нейронные сети, применяются для прогнозирования спроса, оценки рисков и оптимизации инвестиционных решений. Использование популярных библиотек Python, включая scikit-learn, TensorFlow и pandas, обеспечивает эффективное построение моделей и анализ результатов. Особое внимание уделяется настройке гиперпараметров и кросс-валидации, что позволяет повысить обобщающую способность моделей и уменьшить переобучение. Интеграция машинного обучения с экономическими теориями способствует формированию комплексных моделей, отражающих многомерные взаимосвязи и динамику экономических процессов, что значительно расширяет возможности анализа и прогнозирования на основе эмпирических данных.
Нравится работа?
Работа оформлена по стандартам (ГОСТ/APA/MLA), подтверждена источниками и готова в срок.
Закажи
Решение задач
с полным сопровождением до защиты!
Думаете, что скачать готовую работу — это хороший вариант? Лучше закажите уникальную и сдайте её с первого раза!
Как оформить заказ на
решение задач
По предмету Python, на тему «Методы машинного обучения в экономике»
Все понравилось, спасибо огромное. При любом вопросе отвечают сразу. Если вдруг, нужна помощь или нужно что-то скоректировать, делают быстро и правильно!
Как стать «цифровым» малевичем: работа с рисунками и изображениями в Google Docs
Помните цикл наших статей по Google Docs? Так вот, мы все об этом. Продолжаем изучать функционал сервиса, совершенствуем свои навыки ну и просто балуемся.В Google Docs довольно легко и удобно работать с разного рода изображениями. Готовые картинки легко вставлять в текст – для этого достаточно прос...
Читать дальше
Начинаем работать в Google Docs: инструкция к использованию и ответы на вопросы
Мы уже писали о том, как и зачем пользоваться этим сервисом, о его преимуществах и недостатках. А теперь, раз уж вы все-таки решились его использовать, мы расскажем вам об основах работы с ним. В статье рассказываем все о Гугл Документах: что это такое, как им пользоваться, и как сделать документ н...
