В этом посте я собираюсь изучить открытые данные Airbnb по Нью-Йорку за 2019 год и попытаться разработать точную модель глубокого обучения, которая может успешно предоставлять хозяевам рекомендации по ценам для выхода на рынок. Для этого я создам и буду использовать три алгоритма обучения с учителем. В качестве базового уровня производительности я разработаю модель линейной регрессии, используя sci-kitlearn, библиотеку машинного обучения, которая содержит множество алгоритмов регрессии, классификации и кластеризации — все они специально созданы для использования с Python. Затем я попытаюсь повысить точность, внедрив более сложную технику — модель регрессии случайного леса (RFR). Наконец, я создам нейронную сеть с глубоким обучением в надежде еще больше повысить производительность с помощью Keras — высокоуровневого API нейронной сети. Keras — чрезвычайно мощная библиотека, потому что она позволяет нам создавать и обучать глубокие нейронные сети с помощью очень небольшого количества строк кода. Для целей этого проекта я буду запускать Keras поверх Tensorflow — среды искусственного интеллекта с открытым исходным кодом, способной к высокопроизводительным числовым вычислениям (она поддерживает математику глубокой нейронной сети, которую мы создадим с помощью Keras).