Data Analysis / Big Data

Применение Propensity Score Adjustment для коррекции смещений в онлайн-панелях Это вторая часть нашего рассказа о работе со смещениями оценок медиа активности респондентов онлайн-панелей. В предыдущей статье мы разобрали саму проблему, причины возникновения смещений и способы их коррекции, а теперь более подробно остановимся на практическом применении алгоритма Propensity Score Adjustment для коррекции реальных онлайн-данных. Читать Читать: https://habr.com/ru/post/657827/

Как работать со смещениями онлайн-панелей: методы и ML-алгоритмы коррекции Если вы проводите панельные исследования, то обязательно столкнетесь с одним из главных вызовов – набрать выборку достаточного размера, которая будет достоверно отражать важные для исследования параметры генеральной совокупности. Набрать большую и качественную, а значит несмещенную выборку с применением оффлайн-рекрутмента дорого и проблематично. Однако существует альтернативный вариант – это онлайн-рекрутмент, который давно зарекомендовал себя как максимально быстрый, простой и дешевый способ привлечь респондентов для различных исследований. В то же время выборки, набранные в интернете, являются неслучайными и, как правило, искажены по ряду параметров, даже если процедура рекрутирования была хорошо  спланирована.  В этой статье мы расскажем о методе  Propensity Score Adjustment, который применили для коррекции смещений и улучшения данных, полученных на онлайн-панелях. Этот алгоритм помогает калибровать (уточнять) вклад респондентов, набранных в панель онлайн. Читать Читать: https://habr.com/ru/post/657813/

Launching The Data Founder Story Edition Read: https://www.dataengineeringweekly.com/p/launching-the-data-founder-story

Оптимальный маршрут доставки, скидки от срока годности и подбор одежды онлайн: 3 примера машинного обучения в e-com Чем больше у компании клиентов, тем выше объем полезных данных, на которых аналитики могут обучить предсказательные модели. Поэтому для развития логистических алгоритмов особый интерес представляют научные публикации исследователей из крупных азиатских, европейских и американских компаний. Дата-сайентист из команды СберМаркета Дмитрий Руденко рассмотрел три научных статьи, посвященных применению машинного обучения для доставки товаров в международной компании Zalando и в двух китайских компаниях Meituan и Alibaba. Читать: https://habr.com/ru/post/654869/

Scrape all Naver Video Results using pagination in Python What will be scraped Prerequisites Full Code Links Outro What will be scraped Title, link, thumbnail, origin, views, date published, channel from all results. 📌Note: Naver Search does not provide more than 600 video search results for the b... Read: https://serpapi.hashnode.dev/scrape-all-naver-video-results-using-pagination-in-python

Причина и следствие Мы привыкли, что Machine Learning предоставляет нам большое количество предиктивных методов, которые с каждым годом предсказывают события лучше и лучше. Деревья, леса, бустинги, нейронные сети, обучение с подкреплением и другие алгоритмы машинного обучения позволяют предвидеть будущее все более отчетливо. Казалось бы, что нужно еще? Просто улучшать методы и тогда мы рано или поздно будем жить в будущем так же спокойно, как и в настоящем. Однако не все так просто. Когда мы рассматриваем бизнес задачи, мы часто сталкиваемся с двумя моментами. Во-первых, мы хотим понять что к чему относится и что с чем связано. Нам важна интерпретация. Чем сложнее модели мы используем, тем более нелинейные они. Тем больше они похожи на черную коробку, в которой очень сложно выявить связи, понятные человеческому разуму. Все же мы привыкли мыслить довольно линейно или близко к тому. Во-вторых, мы хотим понять - если мы подергаем вот эту "ручку", изменится ли результат в будущем и насколько? То есть, мы хотим увидеть причинно-следственную связь между нашим целевым событием и некоторым фактором. Как сказал Рубин - без манипуляции нет причинно следственной связи. Мы часто ошибочно принимаем обыкновенную корреляцию за эту связь. В этой серии статей мы сконцентрируемся на причинах и следствиях. Но что не так с привычными нам методами ML? Мы строим модель, а значит, предсказывая значение целевого события мы можем менять значение одного из факторов - одной из фич и тогда мы получим соответствующее изменение таргета. Вот нам и предсказание. Все не так просто. По конструкции, большинство ML методов отлично выявляют корреляцию между признаком и таргетом, но ничего не говорят о том, произошло ли изменение целевого события именно из-за изменения значения фичи. То есть, ничего не говорят нам о том - что здесь было причиной, а что следствием. Читать: https://habr.com/ru/post/657747/

Data Engineering Weekly #80 Read: https://www.dataengineeringweekly.com/p/data-engineering-weekly-80

[recovery mode] Low Cost Engineering как метод бережливого производства в технологическом стартапе Тот, кто не готов внедрять новые решения, достаточно скептично относится к такой формулировке как Low Cost Engineering, считая, что создание прототипа – это огромные затраты. Опытные же инженеры все чаще используют данную концепцию как один из инструментов бережливого производства. Читать: https://habr.com/ru/post/657627/

Подсчет количества пар товаров в продуктовых чеках с помощью трех инструментов: Python, Spark, SQL Добрый день, уважаемые читатели! Не открою для большинства секрета, если скажу, что большая часть задач в материалах к учебным курсам сформулирована шаблонно. Какие-то вопросы в принципе могут представлять интерес, но очень оторваны от реальных потребностей бизнеса. Какие-то моменты выдернуты из книг, поэтому лучше знакомиться с ними, читая первоисточник. Но есть кейсы, которые на первый взгляд хоть и кажутся простыми и стереотипными, но, если присмотреться к ним более пристально, могут дать пищу для размышления. Вот на одной из таких полезных задач мне хотелось бы заострить внимание в данной заметке. Формулируется вопрос следующим образом: «Необходимо определить количество пар товаров в продуктовых чеках. Вывести 10 самых частых сочетаний». Пример, чек 1 содержит товар 1, товар 2, товар 3, а чек 2 -  товар 1, товар 2, товар 5. Следовательно, комбинация «товар 1, товар 2» встречается 2 раза, «товар 1 , товар 3» один раз и т.д. В исходнике решать данный кейс предлагалось силами Python. Но реальная жизнь может потребовать от аналитика данных умения выполнять данное упражнение как с помощью SQL, так и Spark. Следовательно, рассмотрим три подхода, оставив за скобками разговора четвертый вариант – расчеты на платформах BI. Читать: https://habr.com/ru/post/657623/

Starting as a Junior Data Analyst... at 40? Hell yeah I'm excited, I landed my first opportunity for a job as a Data Analyst! Well, it's not guaranteed yet. I'm not celebrating something I don't have, just the opportunity because, that's enough reason to celebrate! However, no matter how this ... Read: https://franciscorua.hashnode.dev/starting-as-a-junior-data-analyst-at-40

Нейросетевой подход к моделированию транзакций расчетного счета Естественным источником информации в банке о покупках клиента являются карточные транзакции – любые операции, проводимые по дебетовым или кредитным картам. При этом денежные операции клиента не ограничиваются транзакциями, проводимыми с помощью карт. Оплата ЖКХ, оплата образования, крупные покупки и другие денежные переводы – это примеры транзакций, которые никак не привязаны к карте клиента, но при этом они ассоциируются с другой банковской сущностью – расчетным счетом. Про то, как мы в Альфа-Банке применяем карточные транзакции в моделировании, мы уже рассказывали в этом посте. Логичным развитием идеи использования карточной транзакционной истории клиента является использование данных, которые содержатся в клиентской истории транзакций расчетного счета. Читать: https://habr.com/ru/post/657577/

KNN from scratch VS sklearn Welcome👋, In this article, we are going to build our own KNN algorithm from scratch and apply it to 23 different feature data set using Numpy and Pandas libraries. First, let us get some idea about the KNN or K Nearest Neighbour algorithm. What is t... Read: https://dipankarmedhi.hashnode.dev/knn-from-scratch-vs-sklearn

Day 5/100 Delta Lake [Part 3] - Delta table Streaming Delta Lake is deeply integrated with Spark Structured Streaming through readStream and writeStream along with following features, Coalesce small files Maintains Exactly-once processing Discovering new file... Read: https://rawdatareaders.hashnode.dev/day-5100

Dummy models for dummies Sometimes in your data science work you need to prove that your model is better than a 'dummy' model. Instead of write your own random guess snippet, you can take advantage of dummy models from sklearn package. We will be using one dummy model for re... Read: https://hanhhoang.hashnode.dev/dummy-models-for-dummies

Scrape Google Carousel Results with Python Prerequisites What will be scraped Full Code Code Explanation Links Outro Prerequisites Install libraries: pip install requests parsel google-search-results Basic knowledge scraping with CSS selectors CSS selectors declare which part of the mark... Read: https://serpapi.hashnode.dev/scrape-google-carousel-results-with-python

Scrape Google Carousel Results in Python Prerequisites What will be scraped Full Code Code Explanation Links Outro Prerequisites Install libraries: pip install requests parsel google-search-results Basic knowledge scraping with CSS selectors CSS selectors declare which part of the mark... Read: https://dimitryzub.hashnode.dev/scrape-google-carousel-results-in-python

Сеть данных: как уравновесить централизацию и децентрализацию Архитектура сети данных (data mesh) распределяет владение данными среди команд из разных предметных областей, с федеративным управлением и децентрализованными продуктами по обработке данных. Сеть данных отличается от других аналогичных архитектур именно своей высокой децентрализацией: она распределена, а не централизована. Читать: https://habr.com/ru/post/657351/

Microsoft Power BI Desktop scrapbox.io で表形式に Power BIOfficial site scrapbox　=> JSON => Power BI scrapbox.io で書き留めていた情報をJSONでEXPORTし、Microsoft Power BI で取り込んで表形式にしてみました。 意外とサクサク分析できるので積極的に使っていきたいと思います。 iPad, iPhoneでも使えるのは嬉しい誤算です。 Read: https://friendbear.hashnode.dev/microsoft-power-bi-desktop-scrapboxio

Four Oracle Analytics Dataset Editor Tricks Every Dataset Author Should Know Oracle Analytics provides powerful self-service visual data editing capabilities to let you quickly and easily clean, normalize, and enrich data for analysis. This post provides quick and helpful tricks you can apply in the Dataset editor when preparing datasets for analysis. Read: https://blogs.oracle.com/analytics/post/four-oracle-analytics-dataset-editor-tricks-every-dataset-author-should-know

What to consider when migrating data warehouse to Amazon Redshift Read: https://aws.amazon.com/blogs/big-data/what-to-consider-when-migrating-data-warehouse-to-amazon-redshift/