Сибирский федеральный округ

Краткое описание решения: Для решения задачи предсказания уровня заражения коронавирусом в городах, использовался стекинг различных алгоритмов машинного обучения, обученных на предобработанных данных.

1. Вычислялись различные метрики для каждого города.

2. Все данные были обработаны различными алгоритмами машинного обучения, получены первые предсказания.

3. Модель обобщала все полученные предсказания для получения более точной оценки.

Технические особенности: Python, Pytorch, Stacking, CatBoost, Random Forest, Gradient Boosting

Уникальность: Объединение различных архитектур для решения задачи регрессии. Использование дополнительных признаков для повышения качества.

Для решения задачи регрессии уровня заражения вирусом Covid-19 в начале пандемии была проведена очистка данных и построены математические модели прогнозирования

В рамках очистки данных мы:

• Удалили значения с пропусками в зависимой переменной inf_rate
• Удалили дубликаты городов
• Заменили медианным и нулевыми значениями пропуски в числовых признаках, в зависимости от распределения
• Нормализовали числовые признаки с помощью техники Min Max Normalization
• Закодировали категориальные признаки региона и федерального округа

В рамках построения математических моделей мы обучили:

• Градиентный бустинг CatboostRegressor
• KNeighborsRegressor с предсказанием на основе наиболее похожих городов
• DecisionTreeRegressor

Технические особенности: Python3, Scikit-learn, Pandas, Colab, Eli5

Построенные модели обладают преимуществами:

• Высокая скорость работы
• Минимальные требования к железу
• Возможность быстрого дообучения на новых данных

Для отбора признаков, использованных для обучения моделей, командой были проанализированы исследования:

• https://istina.msu.ru/publications/article/425547394/

Уникальность построенного решения:

Построенные алгоритмы позволяют провести глубокую оценку предсказанного уровня заражения вирусом Covid-19 в том или ином городе.

Мы разработали Telegram-бота, который может прогнозировать уровень заражения населения вирусом в условиях пандемии с помощью технологий искусственного интеллекта. Также в нашем боте вы можете узнать интересную информацию о вирусе COVID-19 и способы профилактики.

Стек решения: Python (Среды разработки: PyCharm, Google Colab)

Уникальность: Наиболее точный и удобный способ прогнозирования информации о случаях заражения в условиях пандемии в виде Telegram-бота. Использовался градиентный бустинг.

Решение позволяет на основе большого количества уже собранных данных прогнозировать степень зараженности в условиях пандемии по городам.

Были использованы библиотеки Python: AIOGram, scikit-learn, CatBoost (Градиентный бустинг, библиотека Яндекса), Matplotlib, seaborn, pandas.