Приходилось ли строить модели для классификации или регрессии

Да, строил модели для обеих задач.

Классификация:

• Логистическая регрессия, Random Forest, XGBoost для бинарной и многоклассовой классификации.
• Пример с sklearn:

from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(X_train, y_train)
predictions = model.predict(X_test)

Регрессия:

• Линейная регрессия, Gradient Boosting (например, LightGBM) для предсказания числовых значений.
• Пример:

from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)

Работал с метриками (Accuracy, F1, ROC-AUC для классификации; MAE, RMSE, R² для регрессии), подбирал гиперпараметры, занимался feature engineering.