Wie können Sie lernen, Methoden des maschinellen Lernens anzuwenden, ein Problem zu setzen, ein Modell auszuwählen, Daten für das Training zu finden und den Betrieb von Flughäfen in ein paar Monaten zu vereinfachen, nachdem Sie einen Zusammenhang zwischen Aktienindizes und der täglichen Passagierzahl gefunden haben? Einfacher als es klingt.
Unser Team entwickelt seit mehr als zehn Jahren Anwendungen für den Betrieb der größten Flughäfen: Frankfurt, Dublin, Manila, Jakarta, Miami, Peking. Flughäfen verwenden Anwendungen für ein optimales Ressourcenmanagement, die Organisation der Arbeit und die Kontrolle über den Fluss von Flughafeninformationen sowie die Koordination von Flugplänen.
, . , 2019 70 , . , 190 , , . . . : , , . , , , . , . , . .
: « , – , : , , ». , . , , . , .
, . :
. . , .
. , .
. , , , ( ). , , .
. , , . DAX, .
DAX
Deutscher Aktienindex – German stock index – . .
DAX, Yahoo Finance. 2018 2019 , kaggle. , . , .
. , . DAX – . DAX DAX . 5 : 15 19 .
. MAE, ( / ). , DAX , . Linear Regressor, Random Forest, Gradient Boosting, SGDRegressor. GridSearchCV.
MAE
Mean Average Error
DAX . . () (). MAE . . MAE, score ( DAX + ) .
, DAX 15 . , , MAE. Gradient Boosting 297 . , .
pickle, REST API Docker-. , 15 , DAX, , . . .
. - , . , , .