Проект посвящен простым примерам решения задач с помошью машинного обучения.

1. Решение простой регрессионной ML задачи:

   • Пример решения задачи линейной регрессии на синтетических данных base_ml.ipynb.
   • Включает загрузку данных, визуализацию, разделение данных, обучение модели и оценку результатов.

2. Пример решения задачи Прогнозирование количества порожних КТК на локации cnt_tred.ipynb:

   • Обзор данных:
     • Загрузка и предобработка данных.
     • Визуализация данных для понимания зависимостей.
   • Декомпозиция задачи:
     • Разделение данных на обучающую и тестовую выборки.
   • Преобразование формы данных (формирование ML задачи):
     • Преобразование данных для обучения моделей.
   • Формирование моделей:
     • Обучение моделей линейной регрессии.
   • Проверка прогнозирования:
     • Оценка качества моделей на тестовых данных.
   • Получение значимых данных из событий:
     • Группировка событий по дате

1. data/base.csv:

   • x_1 — первая синтетическая переменная.
   • x_2 — вторая синтетическая переменная.
   • y — целевая переменная

2. data/cnt_events.csv:

   • dt — дата события.
   • event — тип события (например, "Прибыл_свободным", "Отправлен_по_ЖД").
   • cnt_id — идентификатор контейнера.
   • cnt_type — тип контейнера (20 или 40).
   • location_name — локация, где происходит событие.
   • end_location_name — конечная локация контейнера.

3. data/cnt_empty_count.csv:

   • dt — дата.
   • Москва_20 — количество свободных контейнеров типа 20 в Москве.
   • Владивосток_20 — количество свободных контейнеров типа 20 во Владивостоке.
   • Санкт-Петербург_20 — количество свободных контейнеров типа 20 в Санкт-Петербурге.
   • Москва_40 — количество свободных контейнеров типа 40 в Москве.
   • Владивосток_40 — количество свободных контейнеров типа 40 во Владивостоке.
   • Санкт-Петербург_40 — количество свободных контейнеров типа 40 в Санкт-Петербурге.