1.Используя платформу Data Science and Machine Learning (любую на выбор: Knime, RapidMiner, Trifacta, Loginom) выполнить консолидацию данных кейса, провести очистку, трансформацию данных (ETL), выполнить preprocessing. Обогатить данные кейса – провести ABC-XYZ, RFM-анализ. Обучить и оценить по метрикам качества модель машинного обучения (решение одной из задач: классификации и/или регрессии и/или кластеризация и/или анализ временных рядов – одна или несколько на выбор исходя из данных кейса). Экспортировать подготовленный датасет в BigQuery (или в формате .csv в Google Drive).

2.Colab (подключившись к BigQuery или используя Colab (подключившись к BigQuery или используя подготовленный датасет .csv в Google Drive) провести EDA с использованием любой библиотеки Python (pandas-profiling, dataprep, bamboolib, D-tale или другую), обучить модель машинного обучения с использованием любого фреймворка: scikit-learn (или LightGBM или XGBoost или CatBoost или h2o- 3 или AutoGluon или PyCaret). Провести прогнозирование ответа лучшей модели на новых данных (новые (не видимые ранее моделью) данные до обучения взять из исходных или сгенерировать самостоятельно используя исходные данные). Сравнить результаты, полученные в пункте 1.

На выбор любой из 3 4, 5, 6 пунктов: в любой из BI-платформ (можно, конечно, во всех):

3. Подключившись к BigQuery или использовать уже подготовленный датасет) разработать несколько отчетов в Power BI. Выявить инсайты, оформить их в “закладках”. Внедрить интерактивные отчеты в Colab.

4. В Tableau Public использовать подготовленный датасет построить дашборды, выявить инсайты, оформить истории (Story), опубликовать в своем аккаунте в Tableau Public, внедрить интерактивные отчеты в Colab.

5.В DataLens импортировать подготовленный датасет построить дашборды, выявить инсайты, оформить истории (Story), оформить отчёт в Word (используя скрины).

6. В BigQuery создать, обучить и оценить по метрикам качества модели машинного обучения используя SQL; создать интерактивный отчет, включающий исходные данные и результаты (прогнозы) машинного обучения (можно на другой странице) в Data Studio и внедрить в Colab.

7. По результатам выполнения работы составить эссе (защита работы) на 3-5 минут
- Краткое описание задания (необходимо было найти, разработать и т.д.)
- Краткое описание выполнения задания (задание выполнено в следующих программах, выполнялось так-то)
- Описание полученных результатов (вывод должен быть заранее четко сформирован).