你好。 我的姓名是納杰梅德哈尼。
我是A數據工程師在仲量聯行。
我有我的掌握程度在分析中從德州是。
我的頂點專案是在詢價過程最佳化
為了預先設計金屬建築物。
我得到到知道聯合管理計劃和SAS在學校在德州是。
我成立A精彩的工具到做分析
和執行分析和那。
但實際上，我的頂點專案是在兩個都在聯合管理計劃和也Python。
我有完畢它在兩個都。
基本上，這客觀的的我的專案是到預測這重量
的預先設計的金屬大樓經過考慮到各種各樣的幾何的
和地理的要求。
讓我們有一個介紹到這金屬建築物。
金屬建築物，基本上預先設計的金屬建築物
是結構那利用鋼框架到支援這屋頂和牆控制板。
我們能做這客製化在他們基於在這顧客要求。
他們能是商業的或者住宅。
他們有一個準確性因為他們是預先設計的
和這方面是精確的。
他們有靈活性。
我們能改變這設計基於在這顧客需要
和顧客要求。
什麼確切地在這專案我們有到做
是那估計這重量到預測這價格。
這鋼結構是A批判的因素在這金屬大樓價錢。
我們想到看如果我們能預測那重量。
最終，我們能預測這價格
和最終，我們能工作在這詢價過程。
基本上，讓我們拿A看在這詢價過程。
什麼是這詢價過程那我們想到最佳化
和什麼是確切地他們的目前的系統是正在做。
作為我提及，這商業挑戰在手在這專案
是到提升這詢價過程為了金屬建築物
和到看如果我們能提升這回覆時間，
減少這伺服器成本，
和緩解這遺失的機會為了這公司。
到傳送出去這詢價到他們的客戶，
基本上，他們是去到選擇一些過程，一些腳步。
他們審查這查詢那未來到這公司，指定這目的，尺寸，
佈局，設計要求的這建築。
他們查看全部的這技術的規格，
這載入容量，屋頂和絕緣和其他因素
到準備準確的引號那覆蓋全部的這材料，勞動和成本為了他們，
計算這價格和傳送出去這詢價後退到這顧客。
他們的目前的系統那加工這詢價為了他們基本上是喜歡這。
他們是正確的現在擁有三伺服器.
每個伺服器是加工關於第480章詢價每天。
這時間每個詢價將要拿到過程是關於180秒。
這成本每詢價是大約75美分。
劃分全部的這些一起，
我們能來向上和A數位的0.004 美元每第二到過程詢價。
到考慮第480章每天每伺服器,
它是去到是$360每天到過程這詢價。
他們有三伺服器.
完全，它是去到是關於1,000 美元每天為了全部三伺服器
到過程這詢價。
如果我們考慮365天在A年，它是去到是關於40萬美元伺服器
和維護成本為了這公司到過程全部的這詢價。
基本上，我們想到看如果我們能提升這過程
為了這公司經過預測這重量基於的這歷史的數據。
這方法我有用過的在這專案
大概基於全部的這機器學習專案為了預測。
它是去到是數據收藏和預處理,特徵工程
和選擇，和模型選擇。
讓我們拿A看。
我們開始了經過定義確切地什麼是這商業問題。
這商業問題是那預測這重量的這金屬建築。
這數據收藏和預處理是那
如何我處理這部分是那關於182 SQL桌子是假如到我
作為A部分的子集的歷史的數據從這製造商。
大約50萬記錄曾是包括在那些桌子,
更多的比500特徵，我們數據僅有的。
我有執行的這ETL過程
和打掃我的數據放美好的異常數據在北歐航空公司， Python和聯合管理計劃
和融合的全部的我的數據在一桌子
和這幫助的這些三工具。
我的下一個步曾是到，這特徵選擇或者萃取。
這初步的特徵選擇，我執行的它開始工業的學習
和也得到這專業知識判斷到排除這特徵
那它曾是真的無關到我們的目標。
然後我開始了相關性分析到檢查這相關性
和尋找這多重共線性之間我的特徵
到排除更多的特徵。
然後描述性的分析和視覺化到查看全部
的這關係之間我的數據作為我有完畢在傑普, Python，
和畫面。
這下一個步為了我曾是到開始計算出去或者探索這楷模，
這演算法基於在這特徵的我的數據。
作為我的數據曾是，我的目標是一個不可缺少的目標，
所以我開始了到看進入這線性回歸逐步，隨機的森林，
決定樹，和一些其他更多的演算法.
最終，我訓練有素的和評價不同的楷模在兩個都Python和JMP。
我比較的這表現指標和做過這叉驗證
和k 倍驗證為了全部的我的楷模。
如果我們拿A看在這裡在這中間，
我們能看這楷模那我訓練有素的我的數據在它。
一些的他們是在Python，一些的他們是在JMP。
到比較這模型到看哪個一是這最好的，
我有到比較這楷模基於在這日月光，
和也到查看哪個模型是表演更好的
和也查看這R平方到看如何關閉我們的預報，
我們的預言去到是到這實際的數據。
這是這剩餘的陰謀為了全部的這楷模。
如果你去後退這裡，
你能看出去的全部的這楷模那我有跑步，
我有二楷模那是這最好的，
A決定樹在Python和增強的樹在JMP。
如果我們拿A看在兩個都的他們，我們能看最多的這特徵
那兩個都已選擇是這相同的，甚至這重要性是關閉到每個其他。
看著在這日月光，
我們能看這日月光公司為了決定樹是關於4,000,
但為了這增強的樹是關於2,000,哪個是很多更多的更好的。
也, R平方為了這增強的樹是A小的位元更高。
這剩餘的，如果我們看在這殘差
從兩個都軟體,我們能看這剩餘的是真的好的，
關閉到這實際的價值觀，或者從Python是關閉到是大約零價值觀。
兩個都模型是真的好的和他們是預測好的。
它方法那我們能預測這重量
的這大樓基於的這歷史的數據那我們有。
讓我們看如何它是去到影響這商業這裡。
好的，我們有A好的模型。 這模型是表演出色地。
讓我們看如果這商業想到實施這模型，
什麼是這好處為了他們？
這第一的圖表我們能看曾是這圖表
那我已經呈現到你作為他們的目前的系統。
我們知道他們是每個伺服器,他們有三伺服器
和每個伺服器是加工第480章詢價每天
那完全它成本$360每天為了每個伺服器.
考慮那我們想到過程這相同的數量的這詢價， 480.
但在這時間，和實施這模型，
我們能降低向下這過程時間到一第二
因為這模型去到只是即刻跑步和給予這價格到我們。
考慮到這成本去到是每詢價去到是這相同的，
成本每第二去到是這相同的，只是加工時間將要是一第二
出去的180秒。
這全部的成本將要降低向下到2 美元每天每伺服器.
然後他們有三伺服器,它是去到是6 美元。
如果我們考慮，它是去到是365天每年
那全部三伺服器是跑步，它是去到是關於2,000 美元。
比較和目前的成本，
他們是支付為了這伺服器和加工時間。
它是幾乎99%成本儲存為了這商業和這公司。
但出奇，這是不是這僅有的成本他們能節省。
這其他成本他們能節省是或者他們能帶來更多的機會。
他們是遺失的一些機會。
正確的現在，他們是加工第480章詢價每天，一伺服器.
但如果我們降低向下這加工時間到一第二，
他們能過程80,000詢價。
考慮到這贏速度為了他們將要是4%。
正確的現在，這全部的數位他們能贏每天是去到是19.
但和實施這模型因為他們是加工更多的詢價，
所以他們能贏更多的和他們能帶來更多的機會。
實際上，基本上他們是遺失的關於3,000機會每天。
大概這是去到是更多的比他們的容量，
但這是一的這點
那他們能思考關於他們的商業發展。
這是我的專案關於他們可以有預測A好的模型和最終
我們能看他們是去到是A巨大的商業影響為了這公司。
我希望你享受它和感謝你所以很多到德州是
和博士。瓊斯作為我的頂點教練。
