Data Science | Machinelearning [ru]

🤔 Как айтишники отдыхают от кода? Варят идеальный кофе прямо у себя дома, проплывают километры в бассейне, готовят такой скрэмбл, что Гордону Рамзи осталось бы только аплодировать. Посмотрите 5 новых серий «Люди Битрикс» — там про самую настоящую жизнь, не только работу. Возможно, ваша история станет следующей! ⚡️Смотреть все истории тут.

🔎 Подборка вакансий для джунов Data-analyst (junior) 🟢SQL, Python, Pandas, Matplotlib, Numpy, статистика 🟢Уровень дохода не указан | Без опыта Power BI разработчик 🟢Power BI, Python, PostgreSQL, Apache Airflow, Git 🟢от 120 000 ₽ | Опыт работы: 1–3 года Junior Data Analyst 🟢SQL, DataLens, Power BI, Python, ETL 🟢Уровень дохода не указан | Опыт работы: 1–3 года

👩‍💻 Классификация данных с использованием k-Nearest Neighbors (kNN) Напишите функцию на Python, которая принимает обучающий набор данных, тестовый набор данных и значение 𝑘, а затем использует алгоритм k-ближайших соседей (kNN) для классификации тестовых данных. Функция должна возвращать предсказанные метки для тестового набора данных. Пример:

import numpy as np

X_train = np.array([[1, 2], [2, 3], [3, 4], [5, 5]])
y_train = np.array([0, 0, 1, 1])
X_test = np.array([[2, 2], [4, 4]])

predictions = knn_classification(X_train, y_train, X_test, k=3)
print(predictions)  # Ожидаемый результат: [0, 1]

Решение задачи🔽

from sklearn.neighbors import KNeighborsClassifier def knn_classification(X_train, y_train, X_test, k=3): model = KNeighborsClassifier(n_neighbors=k) model.fit(X_train, y_train) return model.predict(X_test) # Пример использования: import numpy as np X_train = np.array([[1, 2], [2, 3], [3, 4], [5, 5]]) y_train = np.array([0, 0, 1, 1]) X_test = np.array([[2, 2], [4, 4]]) predictions = knn_classification(X_train, y_train, X_test, k=3) print(predictions) # Ожидаемый результат: [0, 1]

🎁 Динамическая адаптация награды с помощью Pydantic Статья рассказывает, как Pydantic помогает бизнесу гибко управлять наградами для пользователей. Описаны преимущества Pydantic в валидации и преобразовании данных по сравнению с dataclass. Читать...

Суперзадача для профи в ML: Разработайте курс вместе с Яндекс Практикумом! Яндекс Практикум — сервис современного онлайн-образования, где обучают актуальным цифровым профессиям. Сейчас мы обновляем курс «Инженер машинного обучения» и собираем команду, которая свежим взглядом сможет посмотреть на материал и сделать контент лучше. Что делает автор курса? Разрабатывает уроки, тесты, чек-листы, а если шире, то его задача так упаковать свой опыт, чтобы заинтересовать, объяснять и мотивировать. Условия сотрудничества — комфортные: ▪︎дополнительный доход, удалёнка, нагрузка от 10 часов в неделю, ▪︎возможность строить программу по своему усмотрению, ▪︎команда, где ценятся как знания, так и мемы. 🔗 Узнать подробности и откликнуться

🔥 Самые интересные статьи за последние дни: • Смарт-функции в Алисе: как LLM помогает понять, чего хочет пользователь • Сбер выкладывает GigaChat Lite в открытый доступ • История YOLO – самой известной архитектуры компьютерного зрения • Магия простоты: как мы улучшили отображение общественного транспорта на карте • Обучение и fine-tuning моделей простым языком: зачем, как, где

👩‍💻 Поиск наиболее часто встречающегося слова в тексте Напишите функцию, которая принимает текстовую строку и возвращает наиболее часто встречающееся слово и количество его вхождений. Игнорируйте регистр и знаки препинания. Пример:

text = "Python is great, and Python is fun! Learning Python is rewarding."
result = most_common_word(text)
print(result)
# Ожидаемый результат: ('python', 3)

Решение задачи🔽

import re from collections import Counter def most_common_word(text): words = re.findall(r'\b\w+\b', text.lower()) counter = Counter(words) return counter.most_common(1)[0] # Пример использования: text = "Python is great, and Python is fun! Learning Python is rewarding." result = most_common_word(text) print(result)

⚙️ Машинное обучение: Логистическая регрессия. Теория и реализация. С нуля В этой статье я привел базовые сведения о логистической регрессии и показал как сделать модель с нуля на чистом Python. Логистическая функция, обучение, метрики качества для модели классификации, реализация и небольшой разбор обучения весов. Читать...

⚙️ Как я взломал одну из самых топовых нейросетей (Claude 3.5 Sonnet) для студенческой научной статьи Статья раскрывает исследование по снятию защиты в современной языковой модели ИИ. Описан процесс автоматизации взлома модели и представлена программа, демонстрирующая успешный обход встроенных механизмов безопасности. Читать...

🔍 Будь ленивым — автоматизируй Каждый раз вручную выполняешь одно и то же действие? Создаёшь файлы, пишешь повторяющиеся команды? 👉 Совет: если ты делаешь одно и то же больше трёх раз, это надо автоматизировать. Скрипты, алиасы, макросы в IDE — пусть машина работает за тебя, а ты занимайся более сложными задачами.

⚙️ MarketNet: Применение компьютерного зрения на финансовых рынках Рассмотрим, может ли машинное обучение реально помогать трейдерам. Разберём процесс создания MarketNet, от экспериментов с классификацией до оценки успешности сделок на основе данных OHLC и рыночных профилей. Читать...

🔥 Самые нужные каналы для Data Scientist, чтобы расти в доходе 💸 • Data Science | Вопросы собесов • Data Science | Вакансии с удаленкой • Data Science | Тесты Подпишись, чтобы не потерять ☝️

📝 Подборка вакансий для лидов Team Lead Data Science • Python, PySpark, SQL, Hadoop, Linux, Bash, Git • Уровень дохода не указан | от 3 лет опыта Team Lead Data Scientist (Персонификация) • Git, Машинное обучение, NLP • Уровень дохода не указан | Опыт не указан Ведущий инженер данных (Data Platform и ML) • SQL, Python, ClickHouse, Apache Kafka, Apache Airflow, Grafana, DWH, ETL, Apache Spark • Уровень дохода не указан | от 3 лет опыта

⚙️ Что такое модуль collections в Python и как он используется? collections — это стандартный модуль Python, который предоставляет высокопроизводительные контейнеры данных, такие как Counter, deque, и defaultdict. Он используется для более удобной работы со структурами данных. ➡️ Пример:

from collections import Counter

data = ['apple', 'banana', 'apple', 'orange', 'banana', 'apple']
counter = Counter(data)
print(counter)  # Counter({'apple': 3, 'banana': 2, 'orange': 1})

🗣️ В этом примере Counter подсчитывает количество каждого элемента в списке data. Это полезно для анализа данных, работы с частотами или подсчёта элементов в коллекциях.

🖥 Подробнее тут

📕 Тест по навыкам работы с базами данных для разработчиков, архитекторов и аналитиков данных 📕 Ответьте на 20 вопросов и проверьте, насколько вы разбираетесь в базовых принципах работы с Linux/Docker, понимаете особенности работы с базами данных и на сколько готовы к обучению на курсе — «NoSQL». За 4 месяца курса вы: - Научитесь эксплуатировать все популярные NoSQL решения от выделенных виртуальных серверов до больших шардированных кластеров и облачных провайдеров - Освоите синтаксис и особенности работы встроенного языка каждой NoSQL БД - Сможете работать с основными типами NoSQL БД и оптимизировать медленные запросы Время прохождения теста ограниченно 10 минут 👉 ПРОЙТИ ТЕСТ — https://otus.pw/4bbw/ 💣 Пройдите тест, получите скидку на курс, и записи уроков от преподавателей курса в подарок. Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, erid: 2Vtzqujxw33

📝 Подборка вакансий для сеньоров Prompt-инженер • Технический перевод, техническая документация, Python • до 200 000 ₽ | Старший (Senior) уровень Аналитик данных / Data Analyst • SQL, Python, математическая статистика, Jupyter Notebook, A/B тестирование • от 300 000 до 400 000 ₽ | Старший (Senior) уровень Database Administrator • ClickHouse, PostgreSQL, Python • до 5 000 $ | Старший (Senior) уровень

💬 Внедрение ИИ в общение с клиентами Статья исследует развитие ИИ в общении с клиентами и его интеграцию в бизнес. Обсуждаются успехи и сложности внедрения чат-ботов, важность настройки под бизнес-цели и перспективы замены сотрудников ИИ. Читать...

🎞 Как за 6 промтов к ChatGPT создать Python скрипт, скачивающий видео с YouTube для просмотра на телевизоре через Kodi Статья рассказывает, как с помощью Python и ChatGPT создать скрипт для автоматической загрузки видео с YouTube и генерации метаданных (описаний и обложек) для интеграции с медиацентром Kodi. Читать...

Нет опыта — нет работы. Как начинающему аналитику получить свой первый оффер? 🟠пилите уникальные пет-проекты для портфолио 🟠учите не только инструменты, но и развивайте понимание того, что и зачем вы делаете 🟠много много практикуйтесь А если хочется и всю базу освоить и закрыть все три пункта выше присмотритесь к курсу-симулятору «Аналитик данных» от Simulative. Симулятором он называется неспроста — там вы будете учиться и готовиться к реальной работе на огромном количестве проектов из реального бизнеса. Постановка задачи, данные и сами проекты — все будет как на реальной работе. Поэтому пройдя Симулятор вы будете на 100% готовы врываться в работу и приносить пользу бизнесу с первых дней. А работодатель точно оценит уникальные пет-проекты в портфолио, ваше резюме и развитое аналитическое мышление. Кстати, уже скоро стартует новый поток Симулятора Узнать подробности можно по ссылке По промокоду DEVSP дарят скидку 12% до конца недели

👩‍💻 Проверка, являются ли две строки анаграммами Напишите функцию, которая принимает две строки и проверяет, являются ли они анаграммами. Анаграммы — это слова, которые содержат одинаковые буквы в одинаковом количестве, но в разном порядке. Игнорируйте регистр и пробелы. Пример:

result1 = are_anagrams("listen", "silent")
print(result1)  # Ожидаемый результат: True

result2 = are_anagrams("hello", "world")
print(result2)  # Ожидаемый результат: False

Решение задачи🔽

def are_anagrams(str1, str2): # Удаляем пробелы и приводим к одному регистру str1 = ''.join(str1.lower().split()) str2 = ''.join(str2.lower().split()) # Проверяем, равны ли отсортированные символы return sorted(str1) == sorted(str2) # Пример использования: result1 = are_anagrams("listen", "silent") print(result1) # Ожидаемый результат: True result2 = are_anagrams("hello", "world") print(result2) # Ожидаемый результат: False