Тестовое задание для решения задач по машинному обучению и SQL

SQL задачи

1. Активность пользователей

Запрос возвращает пользователей с их ролями и количеством активностей за последний месяц. Результат сортируется по убыванию активности.

2. Фильтрация транзакций

Поиск операций клиентов по двум условиям:

1. Точное совпадение суммы в период T+10 дней
2. Превышение суммы транша

3. Оптимизация запроса

3.1. Вместо 4 отдельных коррелирующих подзапросов, которые выполнялись для каждой строки таблицы clients, использованы два подзапроса с GROUP BY и LEFT JOIN.

3.2. Подзапросы для total_accounts и total_balance объединены в один запрос, так как они используют одну и ту же таблицу accounts. Аналогично, подзапросы для total_deposits и total_withdrawals объединены с использованием условной агрегации (CASE).

3.3. Использование COALESCE: Добавлена функция COALESCE для обработки NULL значений (клиенты без счетов или транзакций), чтобы результат всегда содержал 0 вместо NULL.

Python задачи

1. Классификация

Генерация данных через make_blobs (1000 наблюдений, 2 признака) Модели: Logistic Regression, SVM, Decision Tree, Random Forest Подбор гиперпараметров через GridSearchCV Оценка качества: коэффициент Джини

2. Регрессия

Генерация данных (1000 наблюдений, 10 признаков) Модель: BaggingRegressor с LinearRegression Анализ мультиколлинеарности (VIF) и остатков

3. Временные ряды

Генерация ряда (синусоида + тренд + шум, 1000 точек) Модели: AR и ETS Оценка: MAE и RMSE

Технологии

SQL: PostgreSQL Python: pandas, numpy, scikit-learn, statsmodels, matplotlib

Python: pandas, numpy, scikit-learn, statsmodels, matplotlib