你好。 我的姓名是纳杰梅德哈尼。
我是A数据工程师在仲量联行。
我有我的掌握程度在分析中从德克萨斯州是。
我的顶点项目是在询价过程优化
为了预先设计金属建筑物。
我得到到知道联合管理计划和SAS在学校在德克萨斯州是。
我成立A精彩的工具到做分析
和履行分析和那。
但实际上，我的顶点项目是在两个都在联合管理计划和还Python。
我有完毕它在两个都。
基本上，这客观的的我的项目是到预测这重量
的预先设计的金属建筑经过考虑到各种各样的几何的
和地理的要求。
让我们有一个介绍到这金属建筑物。
金属建筑物，基本上预先设计的金属建筑物
是结构那利用钢框架到支持这屋顶和墙控制板。
我们能做这定制在他们基于在这顾客要求。
他们能是商业的或者住宅。
他们有一个准确性因为他们是预先设计的
和这方面是精确的。
他们有灵活性。
我们能改变这设计基于在这顾客需要
和顾客要求。
什么确切地在这项目我们有到做
是那估计这重量到预测这价格。
这钢结构是A批判的因素在这金属建筑价钱。
我们想到看如果我们能预测那重量。
最终，我们能预测这价格
和最终，我们能工作在这询价过程。
基本上，让我们拿A看在这询价过程。
什么是这询价过程那我们想到优化
和什么是确切地他们的当前的系统是正在做。
作为我提及，这商业挑战在手在这项目
是到提升这询价过程为了金属建筑物
和到看如果我们能提升这回复时间，
减少这服务器成本，
和缓解这丢失的机会为了这公司。
到发送出去这询价到他们的客户，
基本上，他们是去到选择一些过程，一些脚步。
他们审查这查询那未来到这公司，指定这目的，尺寸，
布局，设计要求的这建筑。
他们查看全部的这技术的规格，
这加载容量，屋顶和绝缘和其他因素
到准备准确的引号那覆盖全部的这材料，劳动和成本为了他们，
计算这价格和发送出去这询价后退到这顾客。
他们的当前的系统那加工这询价为了他们基本上是喜欢这。
他们是正确的现在拥有三服务器。
每个服务器是加工关于第480章询价每天。
这时间每个询价将要拿到过程是关于180秒。
这成本每询价是大约75美分。
划分全部的这些一起，
我们能来向上和A数字的0.004 美元每第二到过程询价。
到考虑第480章每天每服务器，
它是去到是$360每天到过程这询价。
他们有三服务器。
完全，它是去到是关于1,000 美元每天为了全部三服务器
到过程这询价。
如果我们考虑365天在A年，它是去到是关于40万美元服务器
和维护成本为了这公司到过程全部的这询价。
基本上，我们想到看如果我们能提升这过程
为了这公司经过预测这重量基于的这历史的数据。
这方法我有用过的在这项目
大概基于全部的这机器学习项目为了预测。
它是去到是数据收藏和预处理,特征工程
和选择，和模型选择。
让我们拿A看。
我们开始了经过定义确切地什么是这商业问题。
这商业问题是那预测这重量的这金属建筑。
这数据收藏和预处理是那
如何我处理这部分是那关于182 SQL桌子是假如到我
作为A部分的子集的历史的数据从这制造商。
大约50万记录曾是包括在那些桌子,
更多的比500特征，我们数据仅有的。
我有执行的这ETL过程
和打扫我的数据放美好的异常数据在北欧航空公司， Python和联合管理计划
和融合的全部的我的数据在一桌子
和这帮助的这些三工具。
我的下一个步曾是到，这特征选择或者萃取。
这初步的特征选择，我执行的它开始工业的学习
和还得到这专业知识判断到排除这特征
那它曾是真的无关到我们的目标。
然后我开始了相关性分析到检查这相关性
和寻找这多重共线性之间我的特征
到排除更多的特征。
然后描述性的分析和可视化到查看全部
的这关系之间我的数据作为我有完毕在杰普, Python，
和画面。
这下一个步为了我曾是到开始计算出去或者探索这楷模，
这算法基于在这特征的我的数据。
作为我的数据曾是，我的目标是一个不可缺少的目标，
所以我开始了到看进入这线性回归逐步，随机的森林，
决定树，和一些其他更多的算法。
最终，我训练有素的和评价不同的楷模在两个都Python和JMP。
我比较的这表现指标和做过这叉验证
和k 倍验证为了全部的我的楷模。
如果我们拿A看在这里在这中间，
我们能看这楷模那我训练有素的我的数据在它。
一些的他们是在Python，一些的他们是在JMP。
到比较这模型到看哪个一是这最好的，
我有到比较这楷模基于在这日月光，
和还到查看哪个模型是表演更好的
和还查看这R平方到看如何关闭我们的预报，
我们的预言去到是到这实际的数据。
这是这剩余的阴谋为了全部的这楷模。
如果你去后退这里，
你能看出去的全部的这楷模那我有跑步，
我有二楷模那是这最好的，
A决定树在Python和增强的树在JMP。
如果我们拿A看在两个都的他们，我们能看最多的这特征
那两个都已选择是这相同的，甚至这重要性是关闭到每个其他。
看着在这日月光，
我们能看这日月光公司为了决定树是关于4,000,
但为了这增强的树是关于2,000,哪个是很多更多的更好的。
还， R平方为了这增强的树是A小的少量更高。
这剩余的，如果我们看在这残差
从两个都软件，我们能看这剩余的是真的好的，
关闭到这实际的价值观，或者从Python是关闭到是大约零价值观。
两个都模型是真的好的和他们是预测好的。
它方法那我们能预测这重量
的这建筑基于的这历史的数据那我们有。
让我们看如何它是去到影响这商业这里。
好的，我们有A好的模型。 这模型是表演出色地。
让我们看如果这商业想到实施这模型，
什么是这好处为了他们？
这第一的图表我们能看曾是这图表
那我已经呈现到你作为他们的当前的系统。
我们知道他们是每个服务器，他们有三服务器
和每个服务器是加工第480章询价每天
那完全它成本$360每天为了每个服务器。
考虑那我们想到过程这相同的数量的这询价， 480.
但在这时间，和实施这模型，
我们能降低向下这过程时间到一第二
因为这模型去到只是即刻跑步和给予这价格到我们。
考虑到这成本去到是每询价去到是这相同的，
成本每第二去到是这相同的，只是加工时间将要是一第二
出去的180秒。
这全部的成本将要降低向下到2 美元每天每服务器。
然后他们有三服务器，它是去到是6 美元。
如果我们考虑，它是去到是365天每年
那全部三服务器是跑步，它是去到是关于2,000 美元。
比较和当前的成本，
他们是支付为了这服务器和加工时间。
它是几乎99%成本保存为了这商业和这公司。
但出奇，这是不是这仅有的成本他们能节省。
这其他成本他们能节省是或者他们能带来更多的机会。
他们是丢失的一些机会。
正确的现在，他们是加工第480章询价每天，一服务器。
但如果我们降低向下这加工时间到一第二，
他们能过程80,000询价。
考虑到这赢速度为了他们将要是4%。
正确的现在，这全部的数字他们能赢每天是去到是19.
但和实施这模型因为他们是加工更多的询价，
所以他们能赢更多的和他们能带来更多的机会。
实际上，基本上他们是丢失的关于3,000机会每天。
大概这是去到是更多的比他们的容量，
但这是一的这点
那他们能思考关于他们的商业发展。
这是我的项目关于他们可以有预测A好的模型和最终
我们能看他们是去到是A巨大的商业影响为了这公司。
我希望你享受它和感谢你所以很多到德克萨斯州是
和博士。琼斯作为我的顶点教练。
