Анализ данных (Data analysis)

Характеристики качетсва требований к ПО: Что делает требование к ПО хорошим? Для этого есть характеристики качества требоаваний к ПО, которые можно использовать, как чек-лист при написании или тестировании требований. Характеристики качества требований по-разному определены различными источниками. Однако, следующие характеристики являются общепризнанными: ✅ Единичность - требование относится только к одному свойству, т.е. должна существовать только одна трактовка требования ✅ Завершенность - требование является полным и законченным с точки зрения представления в нём всей необходимой информации, ничего не пропущено по соображениям «это и так всем понятно». Также требование должно быть описано целиком в одном месте, а не разбросано по документу ✅ Последовательность - Требование не противоречит другим требованиям и полностью соответствует внешней документации ✅ Атомарность - требование является атомарным, если его нельзя разбить на отдельные требования без потери завершенности, и оно описывает одну и только одну ситуацию/функцию ✅ Отслеживаемость - возможность отследить связь между требованием и другими артефактами проекта, каждое требование имеет уникальный идентификатор, по которому оно легко прослеживается ✅ Актуальность - требование не должно быть устаревшим с течением времени ✅ Выполнимость - Требование должно быть технологически выполнимым, реализуемым в рамках бюджета и сроков разработки проект ✅ Недвусмысленность - требование кратко определено без обращения к техническому жаргону, акронимам и другим скрытым формулировкам ✅ Проверяемость - выполнение требования можно проверить. Реализованность требования может быть определена через один из четырёх возможных методов: осмотр, демонстрация, тест или анализ. ✅Обязательность - Без выполнения этого требования пользователь не сможет в полной мере использовать систему. Если требование не является обязательным к реализации, оно должно быть просто исключено из набора требований ✅ Полнота - требование должно быть определено для всех возможных ситуаций

Машинное обучение в среде SQL-Server https://vc.ru/ml/206038-mashinnoe-obuchenie-v-srede-sql-server @data_analysis_ml

Как машинное обучение изменит мир и что нужно для старта карьеры в Data Science https://vc.ru/hr/335704-kak-mashinnoe-obuchenie-izmenit-mir-i-chto-nuzhno-dlya-starta-karery-v-data-science @data_analysis_ml

В ветке реддита сгенерировали персонажей атаки титанов с помощью этой сетки. потс: https://www.reddit.com/r/titanfolk/comments/uve0wq/attack_on_titan_but_its_liveaction_i_made_this/ @data_analysis_ml

Нейросеть DALL-E 2 позволяет генерировать изображение под абзац абсолютно любой книги Пройдите тест, который покажет можете ли вы угадать, какая картинка создана человеком, а какая Dalle 2. https://thisimagedoesnotexist.com/ @data_analysis_ml

Нейросетевой подход к моделированию транзакций расчетного счета https://uproger.com/nejrosetevoj-podhod-k-modelirovaniyu-tranzakczij-raschetnogo-scheta/ @data_analysis_ml

Создание изображений Читать @data_analysis_ml

⚖️ Как в PyTorch случайным образом мутировать веса. https://uproger.com/kak-v-pytorch-sluchajnym-obrazom-mutirovat-vesa/ @data_analysis_ml

10 лучших шпаргалок для науки о данных на Python в 2022 году Статья @data_analysis_ml

Как импортировать наборы данных Kaggle в Google Colab? Kaggle используется практически всеми, кто занимается наукой о данных. Эта платформа содержит датасеты для всех областей знаний. Вы можете получить набор данных практически для любого случая использования, включая развлечения, медицину, электронную коммерцию и даже астрономию. Пользователи Kaggle могут попрактиковаться на различных наборах, чтобы проверить свои компетенции в науке о данных и машинном обучении. В этой статье будет показано, как импортировать наборы данных из Kaggle непосредственно в блокноты Google Colab. Читать дальше @data_analysis_ml

🚀 Машинное обучение. Обнаружение аномалий с использованием модифицированного zscore Читать @data_analysis_ml

Введение в обработку изображений с использованием OpenCV в Google Colab Читать @neural

Цифровая экономика и экосистема R Источник

Основные ОТЛИЧИЯ DATA ENGINEER, DATA SCIENTIST и DATA ANALYST Источник

Машинное обучение и нейросети / Интервью с техническим директором Яндекс.Дзен Источник

Изучение data science с нуля: этапы и вехи Источник

Как стать программистом в data science? Источник