Разработка модели машинного обучения для решения задачи бинарной классификации. Python

Введение 4
1 Теоретические выкладки по теме машинного обучения 5
1.1 Определение машинного обучения 5
1.2 Общая постановка задачи обучения по прецедентам 5
1.3 Способы машинного обучения 6
1.4 Классические задачи, решаемые с помощью машинного обучения 7
1.5 Типы входных данных при обучении 8
1.6 Типы функционалов качества 8
1.7 Практические сферы применения 8
2 Машинное обучение на языке Python 10
2.1 Библиотеки для работы с данными: NumPy, Pandas 10
2.2 Библиотеки для визуального представления: Matplotlib, Seaborn 11
2.3 Библиотека Scikit-learn 12
2.4 IPython и Jupyter notebook 13
3 Описание основной программы 15
3.1 Поставновка задачи 15
3.2 Импорт библиотек и подготовка данных 16
3.3 Выбор и обучение модели 31
Заключение 33
Список использованных источников 34
Приложение А. Код проекта 35

Катастрофа Титаника является одним из самых печально известных кораблекрушений в истории. 15 апреля 1912 года во время своего первого рейса «Титаник» затонул после столкновения с айсбергом, убив 1502 из 2224 пассажиров и экипажа. Эта сенсационная трагедия потрясла международное сообщество и привела к улучшению правил безопасности судов.
Одной из причин, по которой кораблекрушение привело к такой гибели людей, было то, что для пассажиров и экипажа было недостаточно спасательных шлюпок. Несмотря на некоторый элемент удачи, связанный с выживанием, некоторые группы людей с большей вероятностью выживают, чем другие (к примеру, женщины, дети, высший класс).
В этой задаче я изучил вероятности выживания различных пассажиров с помощью методов машинного обучения.
Данная работа посвящена анализу данных и различным моделям машинного обучения, способным работать с бинарной классификацией.
В курсовом проекте необходимо решить следующие задачи:
– Изучить теоретические основы машинного обучения;
 рассмотреть машинной обучение на языке программирования Python;
 разработать модель машинного обучения, способную достаточно точно классифицировать данные;
 оценить точность работы моделей машинного обучения.
В первой части отчёта описаны теоретические выкладки на тему машинного обучения. Во второй части отчёта описана реализация средств машинного обучения и анализа данных на языке Python. В третьей части отчёта описано выполнение конкретной задачи, производится анализ данных, выбор моделей, оценка результатов.

Курсовой проект 37 страниц, 47 рисунков, 8 источников.

Ключевые слова: машинное обучение, модели, параметры, данные, набор данных, корреляция.

Объект исследования: наборы данных и модели машинного обучения

Предмет исследования: использование библиотек в языке Python для анализа и подготовки данных, создания и обучения моделей машинного обучения.

Цель курсового проекта: разработка модели машинного обучения для решения задачи бинарной классификации.

Выводы: разработана модель машинного обучения, способная достаточно точно классифицировать данные.