SQLiteのPythonのエンジニアをフリーランス個人へ依頼・外注 13ページ目

miyazaki (miyazaki_001)

チェックして比較

プロフィール

大手IT商社で営業経験1年の経験。コミュニケーション能力はもちろん勤勉さも兼ね備えております。

30日前以上 対応可能です

• 実績 0
• 満足率 0%
• 完了率 ---
• リピーター ---人 2回以上継続してお仕事をしている人数

機械学習学習歴6か月

■スキル要約
言語:Python,SQL

フレームワーク・ライブラリ:
class/method,リスト内包表記,numpy,pandas,matplotlib,seaborn
Dockerを用いたPython分析環境
EC2を用いたjupyter分析環境構築
Django3

ツール・その他:Jupyter, Git Bash, GitHub(Jupyter連携,ソースコード管理), Slack, PostgreSQL, SQLite, MySQL,Linux

■扱ったデータ・モデル
・株価予測(二値分類)
・taitanic号の生存者予測
・国勢調査からの収入予測
・自動車の走行距離予測
・Djangoを用いたTodoリストアプリ開発

■資格
統計検定2級, ITパスポート

■前職
【業界・業種】
IT業界・卸
【業務内容】
新規、既存顧客へのOA機器販売

■成果物
「signateでの自動車の走行距離予測」
【概要】
[内容]:ガソリン１ガロンあたりの走行距離を予測するモデルを作成した。
ベースラインモデルとしてlightgbmを用いて粗方スコアを算出し、
最終的には特徴量選択、lightgbmにadboost,optuna行うことでスコアアップを目指した。
[+E34評価指標]:Accuracy

【データの性質と前処理内容】
train.tsv ・・・(データ数:199, カラム数:9)
test.tsv ・・・(データ数:199, カラム数:8)

　試行錯誤した主な前処理としては、以下の3つである。
1. 不要なカラムの削除
2. 欠損値の補完
3. 教師なし学習による分析と特徴量追加

【実装の流れと内容】
1. データ分析
　相関図を作成し、走行距離と相関のある特徴量を特定した。
　教師なし学習により、kmeans法とward法を使って相関のある特徴量を視覚化して分析

2. 前処理
3.ベースラインモデル作成
4. 学習と予測
　上記の前処理とlightgbmにおいてOptunaによってハイパーパラメータを最適化することでスコアを向上できた。
　ハイパーパラメータの調整は交差検証の際にランダムグリッドサーチとoptunaを主に用いた。
　　現在スコア： 0.86855