VICDS

​​Data Fest возвращается! 🎉 Data Fest Online 2021 откроется уже 22 мая 🤩 Как и прошлой осенью вас ждут: 🍿 Целый день премьер и прямых включений из зоопарка с топовыми ведущими из ODS, плюс ваши любимые мохнатые и пернатые соведущие. Специальный гость - маленький медведь Потап 🐻 🤝 Море нетворкинга в Spatial Chat: десятки комнат по интересам со всеми полюбившимися и принципиально новыми форматами 💣 Десятки треков от сообщества и партнёров феста с докладами топовых спикеров и практическими заданиями для всех зарегистрированных участников 🎁 Ещё куча новых крутых штук 😉 Регистрируйтесь, чтобы получить доступ ко всем активностям Data Fest. До встречи!

Тут один уважаемый член нашего сообщества Франсуа Холе, который изобрел Keras и XceptionNet, говорит, что через 10-20 лет каждая область науки будет подобластью Computer Science. Вычислительная физика, компьютерная химия, компьютерная биология, компьютерная медицина ... Даже компьютерная археология. Симуляции, анализ больших данных и машинное обучение будут повсюду. Я частично с ним согласен. Смотря на темпы развития машинного обучения и компьютеризации всего и вся, нетрудно представить, что базовые умения в азы программирования и AI нужны будут почти любому интеллигентному человеку, а тем более ученому. Из забавного, Франсуа говорит, что доменные знание будут так же релевантны как сейчас, скажем, релевантно знание лингвистики для чела, который занимается Neural Language Processing и обучает всякие Берты и GPT лол. Такое предсказание может показаться диким, но ведь также мало кто мог представить в 2000 году, что почти все крупные компании к 2020 будут в той или иной степени IT-компаниями.

● Лекции специалистов Samsung Innovation Campus об искусственном интеллекте и машинном обучении

📈 ● По данным IDC Worldwide Artificial Intelligence Spending Guide, российский рынок ИИ в 2020 году достиг $291 млн, а его прогнозируемый объем к 2024 году — $555,1 млн

ЗАЧЕМ РАЗРАБАТЫВАТЬ AI/ML/CV — ПРОДУКТЫ? Для ответа на этот вопрос достаточно взглянуть на исследование, посвящённое использованию AI-технологий от McKinsey. • Использование AI в стандартных бизнес-процессах выросло на 25% по сравнению с прошлым годом. Показатель применения AI в мире составил 58%. • 63% внедривших AI сообщили об увеличении выручки. Топ-области: маркетинг (ценообразование, прогнозирование вероятности покупки и анализ обслуживания клиентов) и продажи, разработка продуктов и услуг, логистика (прогнозирование продаж и спроса, анализ трат). • 44% заявили о снижении расходов. Топ-области: производство, логистика и сервис. • 74% респондентов, чьи компании внедрили или планируют внедрить AI, заявили, что их организации увеличат инвестиции в AI в течение следующих трёх лет (в среднем на 10–30%). • Требования к специалистам также растут. ❓Верите сухим цифрам или думаете это все мыльный пузырь?🧼

Где работать с данными с помощью Python? Anaconda — дистрибутив Python, предоставляет все необходимое по анализу и обработке данных. Требует установки на ПК. PyCharm — (Integrated Development Environment) - IDE для профессиональной разработки на Python. Входит в Anaconda. Jupyter Notebook — это мощный инструмент для разработки и представления проектов DS в интерактивном виде. Он объединяет код и вывод все в виде одного документа, содержащего текст, математические уравнения и визуализации. Входит в Anaconda. Kaggle Notebook — аналогично jupyter, но расположено на платформе Kaggle и доступно через браузер, ничего скачивать и устанавливать на ПК не нужно. Плюс предоставляются хорошие мощности для обучения моделей. Google Colab — это бесплатный облачный сервис на основе Jupyter Notebook. Предоставляет всё необходимое для машинного обучения прямо в браузере, даёт бесплатный доступ к невероятно быстрым GPU и TPU. Datalore — это онлайн-блокнот для Data Science c функциями умного редактора кода, доступна командная работа. Это что-то вроде Google colab + Pycharm. Также есть в Anaconda с 2020. Какими инструментами пользуетесь вы?

Где работать с данными с помощью Python? Anaconda — дистрибутив Python, предоставляет все необходимое по анализу и обработке данных. Требует установки на ПК. PyCharm — (Integrated Development Environment) - IDE для профессиональной разработки на Python. Входит в Anaconda. Jupyter Notebook — это мощный инструмент для разработки и представления проектов Data science в интерактивном виде. Он объединяет код и вывод все в виде одного документа, содержащего текст, математические уравнения и визуализации. Входит в Anaconda. Kaggle Notebook — Интегрированная среда разработки jupyter, но расположено на платформе Kaggle и доступно через браузер, ничего скачивать и устанавливать на ПК не нужно. Плюс предоставляются хорошие мощности для обучения моделей. Google Colab — это бесплатный облачный сервис на основе Jupyter Notebook. Предоставляет всё необходимое для машинного обучения прямо в браузере, даёт бесплатный доступ к невероятно быстрым GPU и TPU. Datalore — это онлайн-блокнот для Data Science c функциями умного редактора кода, доступна командная работа. Это что-то вроде Google colab + Pycharm. Также есть в Anaconda с 2020. Какими инструментами пользуетесь вы?

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ЭТО НЕ НАУЧНАЯ ФАНТАСТИКА 🖱Необходимо помнить о том, что ИИ – это технология. ❗️Ни одна технология не способна очень быстро и резко изменить нашу жизнь к лучшему. Давайте разберемся, что в этой области реально, а что нет, что мы можем ожидать от ИИ и его практического применения. ❗️❗️Реально:❗️❗️ 🌀Оптимизировать процессы, которые имеют историю. При этом оптимизация возможна только на 5–10%. 🌀Выявлять отличия и аномалии в «нормальном» потоке данных. 🌀Автоматизировать рутинную работу, выполняемую человеком. ❓❓Не реально:❓❓ 🌀Предсказать то, чему не было аналогов в прошлом. 🌀Получать решения на малом объеме данных. 🌀Приобретать новые знания, улучшать понимание

ГОРЬКАЯ ПРАВДА О РАБОТЕ В DATA SCIENCE 1. Данные никогда не бывают чистыми. 2. Большую часть времени вы потратите на очистку, разметку и подготовку данных. 3. 95% задач не требуют глубокого обучения. 4. В 90% случаев помогает обобщённая линейная регрессия. 5. Большие данные — это лишь инструмент. 6. Никого не волнует, как вы это сделали. 7. Академия и бизнес — два разных мира. 8. Презентация является архиважным моментом — станьте мастером Power Point. 9. Все модели ложны, но некоторые из них полезны. 10. Не существует полностью автоматизированной науки о данных. Вам нужно запачкать руки, работая с ней. Желаете продолжить список? Пишите номера, с которыми согласны/ не согласны👇

AI PRODUCT MANAGER Менеджер по продуктам на основе искусственного интеллекта 🦾ИИ - бурно растущий рынок, требующий опытного менеджмента. 👨‍🔬На каждую команду Data Scientist/Engineer/Analyst необходим управленец, человек от бизнеса, который понимает зачем и куда должна двигаться команда. ❗️НО❗️Нужен не просто управленец в классическом понимании, так как работа с технологиями ИИ требует специфических знаний. ❓Что должен знать менеджер, работающий с ИИ? ⁃ Знать бизнес и возможную (или невозможную) пользу для него от ИИ. ⁃ Понимать экономику ИИ-решений: ~ где стоит сэкономить на решении; ~ где лучше обойти дешёвые варианты внедрения. ⁃ Разбираться в специфике ИИ: ~ понимать, когда модель, работающая в бизнесе, перестанет приносить пользу; ~ знать, когда и как эту модель заменить или переобучить. ⁃ Обладать навыками управления командой: ~ определять нужных специалистов; ~ ставить цели; ~ координировать работу команды. Вы ещё, действительно, считаете, что Data Science это только для технарей и гуманитариям здесь нет места?

Где работать с данными с помощью Python? Anaconda — дистрибутив Python, предоставляет все необходимое по анализу и обработке данных. Требует установки на ПК. PyCharm — Интегрированная среда разработки (англ. Integrated Development Environment) - IDE для профессиональной разработки на Python. Входит в Anaconda. Jupyter Notebook — это мощный инструмент для разработки и представления проектов Data Science в интерактивном виде. Он объединяет код и вывод все в виде одного документа, содержащего текст, математические уравнения и визуализации. Входит в Anaconda. Kaggle Notebook — аналогично jupyter, но расположено на платформе Kaggle и доступно через браузер, ничего скачивать и устанавливать на ПК не нужно. Плюс предоставляются хорошие мощности для обучения моделей. Google Colab — это бесплатный облачный сервис на основе Jupyter Notebook. Предоставляет всё необходимое для машинного обучения прямо в браузере, даёт бесплатный доступ к невероятно быстрым GPU и TPU. Datalore — это онлайн-блокнот для Data Science c функциями умного редактора кода, доступна командная работа. Это что-то вроде Google colab + Pycharm. Также есть в Anaconda с 2020. Какими инструментами пользуетесь вы?

Хотите поучаствовать в интересном мероприятии Яндекса для аналитиков (Оффер за выходной)? https://forms.yandex.ru/surveys/10028145.142cf94e769bdc3db78c17c58a8bfe34c5c7638f/

Кто хочет в Яндекс? Гайд для подготовки к собеседованию: https://yandex.ru/recruitment-guide/analysts#materialy

Для всех любителей Pycharm и ненавистников Jupyter, держите компромис отJetBrains: https://datalore.jetbrains.com

Цифры зп в DS, актуальная приятная статистика 📊 https://devsday.ru/blog/details/21331