Практическая работа по машинному обучению на Phyton

1. По индивидуальному заданию (можно использовать использовать датасеты с Kaggle https://www.kaggle.com/datasets?fileType=csv или взять любой датасет из PyCaret, ссылка на блокнот приведена ниже), используя виртуальную машину в облачной платформе Google Colaboratory, создать, обучить и сравнить модели машинного обучения в библиотеках scikit-learn (можно только случайный лес и градиентый бустинг), h2o-3 (веб интерфейс Flow, localhost 54321, сделать скриншоты в Word), AutoGluon, PyCaret (или LightGBM, XGBoost, CatBoost по отдельности).

2. Провести прогнозирование ответа лучшей модели на новых данных.

3. Поделиться блокнотом с преподавателем и ссылку на задание разместить здесь.

В прикрепленном файле должен быть размещен "Пример загрузки данных из репозитория", но он не приклепляется...

- https://colab.research.google.com/drive/1kXxUEBiG3Zc7fM73vLc34-rAk0vsGjij?usp=sharing

- https://pycaret.org/get-data/