1. Загрузите числовые данные (датасет) из Интернета согласно выбранному варианту. 2. Загрузите набор данных в Python с использованием библиотеки Pandas и проведите первичный анализ данных: • исследуйте структуру данных, оцените количество строк, столбцов,

Задание сдано на оценку 5. Вариант 9.

Задания:
1. Загрузите числовые данные (датасет) из Интернета согласно
выбранному варианту.
2. Загрузите набор данных в Python с использованием библиотеки
Pandas и проведите первичный анализ данных:
• исследуйте структуру данных, оцените количество строк,
столбцов, пропущенных значений и т.д.;
• проведите статистический анализ данных с использованием
функций Pandas и NumPy.
3. Визуализируйте данные с использованием библиотек Matplotlib и
Seaborn, чтобы определить возможные зависимости между переменными:
• создайте графики распределения для каждой переменной;
• постройте графики парной корреляции (scatterplot) и тепловую
карту корреляции (heatmap) между переменными;
• определите переменные, которые могут быть использованы для
линейной регрессии.
4. Разделите данные на обучающую и тестовую выборки (например, в
соотношении 80 % на 20 %).
5. Реализуйте модель линейной регрессии с использованием
библиотеки Scikit-learn, для чего:
• создайте и обучите модель линейной регрессии на обучающей
выборке;
• протестируйте модель на тестовой выборке и оцените качество
прогнозирования с использованием метрик, таких как
среднеквадратическая ошибка (RMSE), средняя абсолютная
ошибка (MAE) и коэффициент детерминации (R2
).
6. Напишите программу, решающую аналогичную задачу без
использования библиотек Python, но с использованием MPI и OpenMP
(OpenCL).
7. Визуализируйте результаты прогнозирования с использованием
Matplotlib и Seaborn, сравнивая предсказанные значения с истинными
значениями.
8. Подготовьте отчет о проделанной работе, включая:
• описание выбранного набора данных и проведенного анализа
данных;
• визуализацию данных, полученных на этапе исследования
зависимостей между переменными;
• процесс создания, обучения и тестирования модели линейной
регрессии с использованием Scikit-learn;
• результаты тестирования модели на тестовой выборке, включая
метрики качества прогнозирования (RMSE, MAE, R2
) и
визуализацию результатов прогнозирования;
• выводы об эффективности использования структур MPI и OpenMP
(OpenCL) для решения задачи прогнозирования на основе
выбранного набора данных.
Вариант № 9:
Weather Dataset: Прогнозирование температуры на основе атмосферных
условий, таких как влажность, атмосферное давление и скорость ветра.Показать/скрыть дополнительное описание