fbpx

Desafios Mensais

Aprenda por meio de experiências de aprendizagem contínua, os desafios levarão suas habilidades de Data Science para o próximo nível.

  • 00Dias
  • 00Horas
  • 00Minutos
  • 00Segundos

Desafio de Novembro

Olá, Cientista de Dados!

Você recentemente foi contratado por um Banco para analisar dados de vários clientes de uma campanha de marketing. O Banco quer entender seus cliente e reduzir custos ao classificar se um cliente vai aderir há um plano bancário.

O desafio é seu, se quiser aceitá-lo!

Entendendo o Dataset

1 – idade (numérica)
2 – trabalho: tipo de trabalho (categórico: “admin.”, “Desconhecido”, “desempregado”, “gerente”, “empregada doméstica”, “empresário”, “estudante”, “operário”, “autônomo”, “aposentado”, “técnico”, “serviços”)
3 – conjugal: estado civil (categoria: “casado”, “divorciado”, “solteiro”; observação: “divorciado” significa divorciado ou viúvo)
4 – educação (categórica: “desconhecido”, “secundário”, “primário”, “terciário”)
5 – inadimplência: tem crédito inadimplente? (binário: “sim”, “não”)
6 – saldo: saldo médio anual, em euros (numérico)
7 – habitação: tem crédito habitacional? (binário: “sim”, “não”)
8 – empréstimo: tem empréstimo pessoal? (binário: “sim”, “não”)
 
Relacionado com o último contato da campanha atual:
9 – contato: tipo de comunicação do contato (categórico: “desconhecido”, “telefone”, “celular”)
10 – dias: último dia de contato do mês (numérico)
11 – mês: último mês de contato do ano (categórico: “jan”, “fev”, “mar”, …, “nov”, “dez”)
12 – duração: duração do último contato, em segundos (numérico)
 
Outros atributos:
13 – campanha: quantidade de contatos realizados durante esta campanha e para este cliente (numérico, inclui último contato)
14 – dias: número de dias que passaram após o último contato do cliente de uma campanha anterior (numérico, -1 significa que o cliente não foi contatado anteriormente)
15 – anterior: número de contatos realizados antes desta campanha e para este cliente (numérico)
16 – poutcome: resultado da campanha de marketing anterior (categórica: “desconhecido”, “outro”, “falha”, “sucesso”)

Variável de saída (alvo desejado):
17 – y – o cliente subscreveu um depósito a prazo? (binário: “sim”, “não”)

Submissão

Todas as submissões de projeto deve ser enviada por e-mail para contato@eloscience.com. O arquivo deve conter as previsões feitas no arquivo predic_bank.csv e deve ter o seguinte formato:

Aprenda, Pratique e Domine | Data Science e Machine Learning

Inscreva-se em nossa newsletter para ficar atualizado.

Junte-se à nossa lista exclusiva para receber as últimas novidades e conteúdos  diretamente em sua caixa de entrada.

Elo Science 2020©. Todos os direitos reservados.