VICDS

🌎TOP-25 DS-events all over the world: • Feb 9-11 • WAICF - World Artificial Intelligence Cannes Festival • Cannes, France https://worldaicannes.com/ • Feb 15-16 • Deep Learning Summit• San Francisco, USA https://ai-west-dl.re-work.co/ • Mar 30 • MLconf • New York City, USA https://mlconf.com/event/mlconf-new-york-city/ • Apr 26-27 • Computer Vision Summit • San Jose, USA https://computervisionsummit.com/location/cvsanjose • Apr 27-29 • SIAM International Conference on Data Mining (SDM23) • Minneapolis, USA https://www.siam.org/conferences/cm/conference/sdm23 • May 01-05 • ICLR - International Conference on Learning Representations • online https://iclr.cc/ • May 17-19 • World Data Summit• Amsterdam, The Netherlands https://worlddatasummit.com/ • May 25-26 • The Data Science Conference • Chicago, USA https://www.thedatascienceconference.com/ • Jun 14-15 • The AI Summit London • London, UK https://london.theaisummit.com/ • Jun 18-22 • Machine Learning Week • Las Vegas, USA https://www.predictiveanalyticsworld.com/machinelearningweek/ • Jun 19-22 The Event For Machine Learning Technologies & Innovations • Munich, Germany https://mlconference.ai/munich/ • Jul 13-14 • DELTA - International Conference on Deep Learning Theory and Applications • Rome, Italy https://delta.scitevents.org/ • Jul 23-29 • ICML - International Conference on Machine Learning • Honolulu, Hawai’i https://icml.cc/ • Aug 06-10 • KDD - Knowledge Discovery and Data Mining • Long Beach, USA https://kdd.org/kdd2023/ • Sep 18-22 • RecSys – ACM Conference on Recommender Systems • Singapore, Singapore https://recsys.acm.org/recsys23/ • Oct 11-12 • Enterprise AI Summit • Berlin, Germany https://berlin-enterprise-ai.re-work.co/ • Oct 16-20 • AI Everything 2023 Summit • Dubai, UAE https://ai-everything.com/home • Oct 18-19 • AI in Healthcare Summit • Boston, USA https://boston-ai-healthcare.re-work.co/ • Oct 23-25 • Marketing Analytics & Data Science (MADS) Conference • Denver, USA https://informaconnect.com/marketing-analytics-data-science/ • Oct 24-25 • Data2030 Summit 2023 • Stockholm, Sweden https://data2030summit.com/ • Nov 01-02 • Deep Learning Summit • Montreal, Canada https://montreal-dl.re-work.co/ • Dec 06-07 • The AI Summit New York • New York, USA https://newyork.theaisummit.com/ • Nov • Data Science Conference • Belgrade, Serbia •https://datasciconference.com/ • Dec • NeurIPS • https://nips.cc/ • Dec • Data Science Summit • Warsaw, Poland • https://dssconf.pl/

Данный курс является первым из серии в специализации "Введение в Data Science". Он полностью посвящен теме изучения фундаментальных основ языка программирования Python, одного из самых распространенных и востребованных языков, особенно, в сфере анализа данных.

Всех приветствую на курсе “Программирование на Python” Если вы дано хотели в сверху IT или конкретно в Data Science, но не знали с чего начать 😔 То ваше время пришло! ❗️Самый главный навык любого АйТи специалиста, это навык программирования. А обрести его легче всего на языке программирования Python 🐍 Этот язык является одним из самых востребованных и распространённых, а в Data Science он вошёл быстрыми уверенными шагами и занял лидирующую позицию. Представляю вашему внимаю курс по основам программирования на Python, который мы разработали в соавторстве с Евгением : https://stepik.org/a/100567 Евгений Левянт Аспирант Прикладной математики и информатики. Senior Data Scientist в компании ИТ Магнит. Python разработчик. Ментор Junior Data Scientist более 3 лет. Опыт преподавания математики более 5 лет. Виктория Тюфякова Магистр Прикладной математики и информатики. Middle Data Scientist в компании ИТ Магнит. Преподаватель/ ментор студентов более 2 лет. Спикер профессиональных конференций PyConf. Автор экспертного блога о Data Science в instagram//telegram: @vic.dscience На данном курсе вы ознакомитесь с типами и структурами данных, изучите основы программирования: условные операторы, циклы, функциональное программирование, а так же ООП. Научитесь работать в профессиональном IDE Pycharm и использовать Debug. ❗️Длительность курса 4 недели. ❗️Старт 22.10 ❗️❗️успейте на самые первые низкие цены❗️❗️

Новость, которая обрадовала: бронь для ИТ специалистов с профильным образованием 🙆‍♀️

В ЧЕМ РАЗНИЦА??? Business Intelligence VS Data Science 👨‍💻В работе с данными есть множество направлений, которые тесно пересекаются между собой и даже часто выполняют одни и те же задачи для бизнеса. С другой стороны, всех специалистов разделяют по специальностям, так как компетенции у каждого преобладают свои. Давайте разберемся в чем разница между Business Intelligence и Data Science. ❗️Понятие Business Intelligence связано с технологиями, практиками и анализом информации для бизнеса. Сами BI системы позволяют делать продукты, которые используют данные в качестве основы для анализа текущей, прошедшей или предсказания будущей ситуации для бизнеса и бизнес-показателей. Это позволяет предоставлять ценную информацию для конечных пользователей и людей, принимающих бизнес-решения. 📌Ключевыми задачами в BI являются: • создание аналитических хранилищ данных внутри компании • разработка и настройка интерактивной отчетности компании на основе данных • построение систем принятия решений на основе анализа данных 👩‍🎓Соответственно, ключевыми компетенциями специалистов по BI будут: • знание и понимание бизнес-домена • понимание методик бизнес-анализа • работа с аналитическими хранилищами данных • описание и разработка аналитических систем и ETL/ELT процессов • работа с данными (извлечение, проверка на качество, описание модели, очистка) • работа с бизнес-метриками • работа с BI инструментами ❗️Data Science же, в какой то мере, идет дальше, помимо стандартного анализа данных, расчета метрик и получения информации, из данных извлекают знания с помощью алгоритмов машинного обучения (ML). 📌Ключевыми задачами в DS являются: • предобработка данных и построение на их основе признаков для обучения модели • построение ML моделей, их оптимизация и тестирование • внедрение модели в систему принятия решений 👩‍🎓Ключевые компетенции специалистов по DS: • знание и понимание бизнес-домена • работа с хранилищами для извлечения данных • работа с данными (предобработка, построение признакового пространства) • знание математики, статистики, ML и построение моделей на их основе • работа с ML и бизнес-метриками • навык программирования и знания ПО для разработки: Pycharm, Git и тд; ⁉️Каким направлением вам хотелось бы заниматься? Совместный пост с https://t.me/data_study

Кто хочет узнать всю информацию о курсе одним из первых, оставляете заявку: https://forms.yandex.ru/cloud/62dbb3e0fe6772ff501936d6/

КАК ПОВЫСИТЬ ЗАРПЛАТУ 2Х? 💸💸Самый простой и очевидный способ это найти хорошую вакансию, подготовиться и заполучить ее. Но если вы долго работаете на одном месте, у вас хороший коллектив и вообще отличная командная работа - вы не хотите никуда уходить🙄 В таком случае вы можете расчитывать на повышение зп на 20-30% в год/пол года (зависит от компании) или ожидать премию за хорошую работу, если постараетесь. Но есть некая «несправедливость» на рынке труда 🙃: - зарплатные вилки новых позиций могут быть выше, чем ваши текущие🙀 Это объясняется конкуренцией на рынке вакансий - компании вынуждены предлагать релевантные цифры, но это совсем не значит повышение зп всем уже имеющимся сотрудникам соответственно🤨 💵 Поэтому если вы хотите получать зп соответствующую рынку, вам необходимо часто менять место работы. ⁉️Так делают многие и в этом есть как + так и -, можете подумать о них в комментариях. 🤓Так же есть ещё один рискованный способ поднять свою зп - принести новый оффер своему начальнику, т.е. заполучить вакансию с интересными вам цифрами и сказать об этом на текущем месте. ‼️Если вы являетесь ценным сотрудником, вам могут предложить контр оффер и обсудить новые условия ⚠️Ну или пожелать вам хорошей работы на новом месте, к этому тоже нужно быть готовым. ⁉️Были ли у вас такие случаи?

Приглашаем на тест-драйв Yandex DataLens по следам «BI круг Громова» 🗓 21 июля в 15:00 (Мск) эксперты «Ёлва», BI Consult и Yandex проведут тест-драйв Yandex DataLens в рамках road-show российских BI-решений. На вебинаре познакомим с компонентами и архитектурой DataLens и детально разберем решение реального кейса: ▫️ Загрузка данных в Yandex Cloud с помощью Object Storage ▫️ Импорт данных в витрину ClickHouse и подключение DataLens к ClickHouse как к источнику данных ▫️ Создание набора данных (датасета) ▫️ Построение визуализаций и дашбордов в сервисе DataLens Регистрация 👈

Олег Харатов из команды DWH выступит 21 июля на IT’s Tinkoff Data Meetup, чтобы поделиться знанием, как найти данные о данных. Приглашаем зарегистрироваться! Тем временем в открытом доступе появился доклад Жени Николаева, коллеги Олега, который презентовался на Smart Data 2021. В нём — о продуктовом подходе к разработке платформы хранилища данных. Кстати, мы даже статью такую писали. Помните? #dwh_avitotech #видео_avitotech #avitoteam

Полезные ссылки для знакомства и работы с DataLens Большой функциональный демо дашборд: - datalens.yandex/demo - публичный, только чтение - Развернуть дашборд в своем DataLens для редактирования Сообщество: - Телеграм чат (вы сейчас тут) - Предложить и проголосовать за новую фичу - Плейлист официальных видео на YouTube Обучение: - Быстрый старт, пошаговая инструкция - Более детальные пошаговые инструкции по сценариям - Туториалы по аналитическим функциям: агрегации, оконные функции, Level-of-Detail выражения - Создание SQL-чартов (если вам нужно больше гибкости модели данных) - Образовательные проекты FAQ - FAQ в документации - ETL для DataLens? - Яндекс.Метрика и DataLens Публичные кейсы использования DataLens: - КазаньЭкспресс - Аналитика retail маркетплейса - Правительство С.-Петербурга - Аналитика городских сервисов - Окраина - Аналитика на мясоперерабатывающем заводе - МВидео - Платформа данных в облаке, геоаналитика - Rubetek - Аналитика IOT по датчикам домов и квартир застройщика ПИК - Moneycare - Кредитный брокер, корпоративный BI - AnywayAnyDay - Аналитика онлайн туристического агентства - JustSchool - Аналитика над CRM школы английского языка - SevenTech - Аналитика технологического стартапа над ClickHouse - НефтеТрансСервис - Промышленная аналитика интернета вещей - RADAR - Аналитика аудитории наружной рекламы по всей России - Цифровое образование - Аналитика олимпиад, учеников, школ - Биологический Факультет МГУ - Предсказание и аналитика урожая - tproger – Веб аналитика портала - Car-Taxi - Продуктовая аналитика сервиса эвакуации авто - Datanomics - Анализ результатов прогнозирования в ритейле - Кинопоиск - Публичная статистика оценок фильмов Примеры публичных дашбордов: - Анализ качества воздуха - Статистика коронавируса - Погода - Показатели Российских ВУЗов - Демография Ставрополья - Исследование про работу вахтовым методом в РФ - Безработица РФ - Пример с LOD выражениями от @ab0xa Презентации: - DataLens - Yandex Cloud Data Platform Помощь: - Обсудить ваш проект - Завести тикет в техподдержку - Оставить заявку на помощь партнера Yandex Cloud - Публичный каталог партнеров

Стажировки лучший способ притронуться к реальным задачам и получить первый опыт, а если повезёт то первый offer. Поэтому я собрала несколько актуальных стажировок в крупных компаниях: https://vk.tinkoff.ru/start_osen2022 https://job.mts.ru/youth#section-steps https://job.megafon.ru/internship https://job.ozon.ru/internships/ https://yandex.ru/yaintern/?ysclid=l5ebax4k61718876020 Рекомендую попытаться, подготовить резюме и порешать тестовые, пройти собесы🔥 Удачи 🍀

КАК УПРАВЛЯТЬ DATA SCIENCE ПРОЕКТОМ? В классической разработке программисты взаимодействуют с несколькими версиями кода - любая доработка это изменение исходной версии кода. Чтобы предотвратить путаницу и ошибки, разработчики используют системы управления версиями, например, Git. В системе управления версиями есть центральный репозиторий кода, представляющий текущее состояние проекта. Далем его копию, вносим нужные правки, тестируем и, если все хорошо, добавляем к исходной версии👌 😑В проектах связанных с машинным обучением все немного сложнее, помимо кода, есть ещё данные, модели и куча экспериментов, версии которых тоже необходимо отслеживать. Так вот для контроля версий моделей можно использовать библиотеки с открытием исходным кодом ClearML/MlFlow. А масштабные эксперименты удобно проводить в AirFlow, так как удобно использовать асинхронный граф между задачами. А вы следите за своими экспериментами?

ЧТО ОБЯЗАТЕЛЬНО НУЖНО ЗНАТЬ В DATA SCIENCE? 1. Машинное обучение Машинное обучение - это основа науки о данных. Специалисты по обработке данных должны хорошо разбираться в ML. 2. Моделирование Математические модели позволяют выполнять быстрые вычисления и делать прогнозы на основе данных. Моделирование является частью машинного обучения и включает в себя определение того, какой алгоритм является наиболее подходящим для решения конкретной задачи. 3. Статистика Статистика лежит в основе науки о данных. Уверенное владение статистикой может помочь извлечь больше информации и получить более значимые результаты. 4. Программирование Для успешного выполнения проекта по DS требуется определенный уровень программирования. Наиболее распространенными языком программирования является Python. Он особенно популярен, потому что прост в освоении и поддерживает множество библиотек для data science и ML. 5. Базы данных Специалист по обработке данных должен понимать, как работают базы данных, как ими управлять и как извлекать из них данные. ⁉️Продолжите список?

+ полезности по Python