uz
Feedback

Firibgarlarga uchmang! Telemetrio bunday kanallarni topadi va belgilaydi 👉 Belgini ko‘rmoqchi bo‘lsangiz, obuna bo‘ling

Анализ данных (Data analysis)

Анализ данных (Data analysis)

Kanalga Telegram’da o‘tish

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

Ko'proq ko'rsatish

📈 Telegram kanali Анализ данных (Data analysis) analitikasi

Анализ данных (Data analysis) (@data_analysis_ml) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 51 911 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 2 581-o'rinni va Rossiya mintaqasida 11 797-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 51 911 obunachiga ega bo‘ldi.

16 Noyabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 444 ga, so‘nggi 24 soatda esa -8 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.

  • Tasdiqlash holati: Tasdiqlanmagan
  • Jalb etish (ER): Auditoriya o‘rtacha 11.63% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 8.47% ini tashkil etuvchi reaksiyalarni to‘playdi.
  • Post qamrovi: Har bir post o‘rtacha 6 040 marta ko‘riladi; birinchi sutkada odatda 4 397 ta ko‘rish yig‘iladi.
  • Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 192 ta reaksiya keladi.
  • Tematik yo‘nalishlar: Kontent llm, контекст, openai, архитектура, deepseek kabi asosiy mavzularga jamlangan.

📝 Tavsif va kontent siyosati

Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp”

Yuqori yangilanish chastotasi (oxirgi ma’lumot 17 Noyabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.

51 911
Obunachilar
-824 soatlar
+27 kun
+44430 kun
Postlar arxiv
Что лучше — нанять тимлида из сторонней компании или вырастить самостоятельно? Как правильно выбрать подходящего на эту роль
Что лучше — нанять тимлида из сторонней компании или вырастить самостоятельно? Как правильно выбрать подходящего на эту роль сотрудника? На эти и другие важные вопросы отвечает руководитель аналитики в Авито Глеб Белогорцев. В своем гайде он подробно рассказывает, как понять, какой именно тимлид нужен компании, как распознать потенциального руководителя в числе сотрудников и кого точно не нужно брать на роль тимлида. Если вы хотите найти тимлида, который сможет качественно управлять командой, вам просто необходима эта инструкция! Переходите по ссылке и узнавайте уникальную информацию от опытного специалиста! Реклама.ООО "КЕХ ЕКОММЕРЦ" ИНН 7710668349 erid: Kra23e76V

У каналов в Телеграме теперь есть уровни и за них можно голосовать пользователям с премиум аккаунтами. С первым уровнем откроются истории в канале. Версия телеграм должна быть последней, работает только с премиум подписчиками. Проголосовать @data_analysis_ml

💻 Как создать простой агент с Guidance и локальной моделью LLM Guidance  — это инструмент от Microsoft, представляющий собой “язык, организующий управление LLM”. Он позволяет управлять выводом LLM, что облегчает выполнение инструкций. Что касается GPT 3.5–4, то он успешно работает с большинством инструкций. Но небольшие локальные модели, такие как LLaMa и ее разновидности (Alpca, WizardML), не всегда выдают правильный ответ. А это большая проблема. Некоторые фреймворки, такие как ReAct, требуют определенного формата инструкций для ответа. Кроме того, работу усложняет тот факт, что LLM иногда предоставляет данные в формате JSON с синтаксической ошибкой. Пример: valid_dish = ["Pizza", "Noodles", "Pho"] # определение текстовой подсказки order_maker = guidance("""The following is a order in JSON format. ```json { "name": "{{name}}", "age": {{gen 'age' pattern='[0-9]+' stop=','}}, "delivery": "{{#select 'delivery'}}Yes{{or}}No{{/select}}", "order": "{{select 'order' options=valid_dish}}", "amount": {{gen 'amount' pattern='[0-9]+' stop=','}} }```""") # генерация имени заказчика доставки order_maker( name="Alex", valid_dish=valid_dish ) **Вывод** The following is a order in JSON format. ```json { "name": "Alex", "age": 25, "delivery": "Yes", "order": "Noodles", "amount": 10 }``` Как видно, мы легко составили текстовую подсказку, предварительно определили несколько пунктов и добились от LLM точного их выполнения. Скорректировали регулярное выражение для поля age с помощью {{gen ‘age’ pattern=’[0–9]+’ stop=’,’}}. Это значит, что оно принимает только цифры и заканчивается на ,. Кроме того, используя valid_dish, ограничили тип заказанной еды с помощью “{{select ‘order’ options=valid_dish}}”. Более подробная информация предоставлена по официальной ссылке на GitHub. Агент ReAct с Guidance и Wizard-Mega-13B-GPTQ Примечание. С кодом данного раздела можно ознакомиться по ссылке. Перед запуском необходимо разместить LLM на локальном ПК. В данном случае для этой цели применяется wizard-mega-13B-GPTQ. Вы можете выбрать и другие модели. Сначала загружаем модель и позволяем Guidance ее использовать: model_para = 'YOUR_MODEL_DIR' checkpoint_para = 'YOUR_MODEL_FILE' model = load_quant(model_para, checkpoint_para, 4, 128) model.to(DEV) tokenizer = AutoTokenizer.from_pretrained(model_para) llama = guidance.llms.Transformers(model=model, tokenizer=tokenizer, device=0) guidance.llm = llama Испытаем на простой текстовой подсказке. С помощью формата ReAct проверяем, насколько корректно работает модель. 📌 Читать

🐼Как устроен Pandas: взгляд изнутри Структура данных Pandas Как правило, датафрейм поддерживается каким-нибудь массивом, например NumPy или Pandas ExtensionArray. Эти массивы хранят данные датафрейма. pandas добавляет промежуточный слой Block и BlockManager. Он управляет этими массивами, обеспечивая максимальную эффективность операций. Это одна из причин, почему в Pandas методы, работающие с несколькими столбцами, могут быть очень быстрыми. Далее более подробно рассмотрим упомянутые слои. Массивы Фактические данные датафрейма могут храниться в наборе массивов NumPy или Pandas ExtensionArray. Этот слой обычно направляет к базовой реализации, например использует NumPy API при условии хранения данных в массивах NumPy. Pandas хранит в них данные и вызывает свои методы без расширения интерфейса. Массивы NumPy обычно являются двумерными и дают ряд преимуществ в производительности, о которых речь пойдет далее. На данный момент Pandas ExtensionArray в основном представляют собой одномерные структуры данных, благодаря чему операции становятся предсказуемыми. Однако не обошлось и без недостатков: в ряде случаев страдает производительность. ExtensionArray допускает применение датафреймов, которые поддерживаются массивами PyArrow и другими типами данных Pandas. Block Датафрейм обычно состоит из столбцов, представленных по крайней мере одним массивом. Как правило, имеется коллекция массивов, так как один массив может хранить только один определенный тип данных. Эти массивы хранят данные, но не владеют информацией о том, какие столбцы они представляют. Каждый массив из датафрейма обернут соответствующим блоком Block. ✔ Block добавляет дополнительную информацию в массивы, например расположение представленных им столбцов. ✔Block служит слоем вокруг фактических массивов с возможностью расширения вспомогательными методами, необходимыми для операций Pandas. ✔ При выполнении фактической операции с датафреймом Block гарантирует, что метод направляется в базовый массив. Например, при вызове astype он убедится, что эта операция вызывается в массиве. Данный слой не располагает информацией о других столбцах в датафрейме, являясь автономным объектом. BlockManager Как следует из названия, BlockManager управляет всеми Block, связанными с одним датафреймом. Он содержит сами Block и информацию об осях датафрейма, например имена столбцов и метки Index. И самое главное в том, что он направляет большинство операций к фактическим Block: df.replace(...) BlockManager гарантирует, что replace выполняется для каждого Block. Понятие консолидированного датафрейма Мы исходим из того, что датафреймы поддерживаются типами данных NumPy, например их данные могут храниться в двумерных массивах. При создании датафрейма Pandas гарантирует, что на каждый тип данных приходится только один Block: df = pd.DataFrame( { "a": [1, 2, 3], "b": [1.5, 2.5, 3.5], "c": [10, 11, 12], "d": [10.5, 11.5, 12.5], } ) У этого датафрейма есть 4 столбца, представленные двумя массивами: один из них хранит целочисленный тип данных, а другой — числа с плавающей точкой. Это и есть консолидированный датафрейм. Добавим новый столбец к этому датафрейму: df["new"] = 100 У него такой же тип данных, как и у существующих столбцов "a" и "c". Рассмотрим 2 возможных варианта дальнейших действий: 1. Добавление нового столбца в существующий массив, содержащий целочисленные столбцы. 2. Создание нового массива только для хранения нового столбца. ◾️ Первый вариант предусматривает добавление нового столбца в существующий массив. Для этого требуется скопировать данные, поскольку NumPy не поддерживает эту операцию без копирования. В итоге добавление одного столбца оборачивается слишком большими затратами. ◾️ Второй вариант 📌 Читать @data_analysis_ml

Когда data driven подход не работает Сейчас многие используют А/B-тесты в своей работе, но часто делают это неправильно и не
Когда data driven подход не работает Сейчас многие используют А/B-тесты в своей работе, но часто делают это неправильно и не учитывают всех нюансов, чтобы data driven подход сработал. Например, если вы запускаете А/В-тестирование новой фичи и пытаетесь принять окончательное решение на неполных данных. Или не учитываете праздники в дизайне эксперимента, если ваш А/В-тест выпал и на такие дни. В общем, есть много нюансов, о которых нужно знать, поэтому у меня есть рекомендация для вас. karpovꓸcourses сделали «Симулятор A/B-тестов», где вы сможете освоить весь пайплайн проведения экспериментов, научитесь не допускать типичных ошибок и сможете избежать потери денег из-за неправильных выводов. Вы также научитесь определять, нужно ли вам вообще проводить A/B-тесты в вашем конкретном случае. Make A/B tests great again: https://karpov.courses/simulator-ab Реклама. ООО "Карпов Курсы". Erid: LjN8JwHjv

❗️ Как стать высокооплачиваемым специалистом в ML? 👉 Совершенствуй мастерство ML в сообществе единомышленников на открытом у
❗️ Как стать высокооплачиваемым специалистом в ML? 👉 Совершенствуй мастерство ML в сообществе единомышленников на открытом уроке 26 сентября в 20:00 мск —  «Алгоритм PCA как один из популярных Unsupervised алгоритмов ML» 🔹 Зачастую нам приходится проецировать многомерные данные на плоскость либо в пространство меньшей размерности. На открытом уроке вы узнаете, что из себя представляет задача снижения размерности 📌 Результаты урока: Вы изучите основные техники снижения размерности и изучите метод PCA 👉 РЕГИСТРАЦИЯ https://otus.pw/CmLw/ Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8KNnbA

🚀 𝐄𝐱𝐜𝐢𝐭𝐢𝐧𝐠 𝐀𝐧𝐧𝐨𝐮𝐧𝐜𝐞𝐦𝐞𝐧𝐭: 𝐈𝐧𝐭𝐫𝐨𝐝𝐮𝐜𝐢𝐧𝐠 𝐃𝐞𝐜𝐢𝐃𝐢𝐟𝐟𝐮𝐬𝐢𝐨𝐧 𝟏.𝟎 - 𝐑𝐞𝐯𝐨𝐥𝐮𝐭𝐢𝐨𝐧�
🚀 𝐄𝐱𝐜𝐢𝐭𝐢𝐧𝐠 𝐀𝐧𝐧𝐨𝐮𝐧𝐜𝐞𝐦𝐞𝐧𝐭: 𝐈𝐧𝐭𝐫𝐨𝐝𝐮𝐜𝐢𝐧𝐠 𝐃𝐞𝐜𝐢𝐃𝐢𝐟𝐟𝐮𝐬𝐢𝐨𝐧 𝟏.𝟎 - 𝐑𝐞𝐯𝐨𝐥𝐮𝐭𝐢𝐨𝐧𝐢𝐳𝐢𝐧𝐠 𝐓𝐞𝐱𝐭-𝐭𝐨-𝐈𝐦𝐚𝐠𝐞 𝐆𝐞𝐧𝐞𝐫𝐚𝐭𝐢𝐨𝐧!✨ DeciDiffusion 1.0, новая модель диффузии текста в изображение. Имея впечатляющие 820 млн. параметров, она достигает такого же исключительного качества, как и модель Stable Diffusion v1.5 с 860 млн. параметров, но за 40% меньшее количество итераций. 🔹 Высочайшая эффективность вычислений: на 40% меньше итераций и в 3 раза быстрее, чем в Stable Diffusion v1.5, что привело к снижению затрат почти на 66%. pip install diffusers --upgrade pip install invisible_watermark transformers accelerate safetensors ▪Colab ▪Model ▪Demo @data_analysis_ml

SmartDev 2023 — большая конференция про технологии от Сбера 21 сентября в кинотеатре «Октябрь» пройдет технологическая конференция SmartDev 2023, организованная Сбером. На одной площадке соберутся ведущие инженеры и разработчики из Сбера, VK, Яндекса, Kaspersky и других компаний, чтобы обменяться опытом создания лучших технологических решений в мире. Основные темы конференции: – Машинное обучение и искусственный интеллект – Архитектура программных решений – DevOps – Работа с большими данными – Безопасность приложений – Инновации и стратегии в разработке ПО Помимо этого впервые в России можно услышать выступление генерального директора Gitee, китайского аналога GitHub.Yong Xu. Также участники конференции смогут задать вопросы создателям нашумевших проектов от Сбера — сервиса GigaChat и нейросети Kandinsky. Конференция соберёт 1500 участников в офлайне и несколько тысяч зрителей в онлайне. Участие бесплатное, подробности и регистрация — на сайте конференции.

🐍 Курс «Основы программирования на Python» Старт: 2 октября Продолжительность: 2 месяца Основы Python с полного нуля, началь
🐍 Курс «Основы программирования на Python» Старт: 2 октября Продолжительность: 2 месяца Основы Python с полного нуля, начальные знания не нужны! Идеально подойдет новичкам в сфере IT, желающим освоить один из самых популярных языков программирования в мире! Курс охватывает все основные концепции Python, начиная от базовых операций и структур данных, таких как списки и словари, заканчивая более сложными темами - функции, модули и обработка исключений. 🎓 В ходе обучения вы научитесь: — Писать прикладные программы на Python — Разрабатывать приложения для работы с файлами — Работать с регулярными выражениями — Применять условные операторы — Создавать программы с использованием циклов и функций 🏆 Выдаём сертификат при успешной сдаче экзамена 📌 Узнать подробнее о курсе Реклама. ООО "АКАДЕМИЯ КОДЕБАЙ". ИНН 9706020333. erid: LjN8K8TCT

📊Python Matplotlib. Визуализация данных на PRO уровне. 📌Видео @data_analysis_ml

🟥 Как автоматизировать создание контента для YouTube и блога с помощью LangChain и OpenAI Часть 1. Базовые настройки Шаг 1. Настройка среды Прежде чем начать, нужно убедиться, что у нас установлены все необходимые пакеты. 🔴LangChain: фреймворк, упрощающий использование больших языковых моделей. 🔴OpenAI: большая языковая модель, которую мы будем использовать. 🔴Streamlit: фреймворк для создания веб-приложений на Python. 🔴Python-dotenv: пакет для управления переменными окружения. Чтобы установить эти пакеты, откройте терминал и запустите: pip install langchain openai streamlit python-dotenv Шаг 2. Получение API-ключа OpenAI Далее вам необходимо получить API-ключ OpenAI. Это уникальный ключ, открывающий доступ к модели GPT-3 (GPT-3.5/ChatGPT, GPT-4). После регистрации учетной записи в OpenAI вы найдете API-ключ на дашборде. Полученный ключ нужно надежно сохранить в файле .env. В каталоге проекта создайте файл .env и добавьте в него следующую строку: OPENAI_API_KEY=ваш_ключ_openai Замените ваш_ключ_openai на свой действительный ключ OpenAI. Этот файл будет использоваться для безопасного хранения API-ключа. Шаг 3. Настройка файла app.py и импорт библиотек Создадим главный файл Python, app.py. В нем и будем разрабатывать маркетингового ИИ-помощника. Начнем с импорта необходимых библиотек и загрузки переменных среды: from langchain.llms import OpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain, SimpleSequentialChain, SequentialChain import os from dotenv import load_dotenv load_dotenv() В этих строках кода импортируется класс OpenAI из модуля langchain.llms, который позволяет взаимодействовать с моделью GPT. Кроме того, импортируются классы PromptTemplate и LLMChain, которые будут использоваться для создания промптов и цепочек. Функция load_dotenv() загружает переменные среды OPENAI_API_KEY из файла .env. Часть 2. Компоновочные блоки LangChain Шаг 4. Обзор основных компонентов Прежде чем приступить к написанию кода, сделаем краткий обзор компонентов, которые будем использовать. 🔵Большая языковая модель (LLM): экземпляр модели GPT-3. 🔵Шаблон промптов (Prompt Template): простая инструкция для LLM. Она принимает входные переменные и использует их в шаблоне. 🔵Цепочка (Chain): комбинация LLM и шаблона промптов. Она является самой малой рабочей единицей в LangChain. Эти три компонента будут использованы для разработки генератора публикаций в блоге. Шаг 5. Создание первой LLMChain Чтобы создать первую цепочку, нужно инициализировать LLM, разработать шаблон промптов, а затем объединить их в цепочку. Настройте LLM и первый шаблон промптов: # Пример LLMChain # Модель llm = OpenAI(temperature=0.9) # Промпт blog_prompt_template = PromptTemplate( input_variables = ['product_description'], template = 'Write a blog post on {product_description}' ) # Цепочка blog_chain = LLMChain(llm=llm, prompt=blog_prompt_template, verbose=True) # Запуск product_description = 'best eco-friendly coffee' blog_chain.run(product_description) СОВЕТ: ПАРАМЕТР TEMPERATURE УПРАВЛЯЕТ РАНДОМНОСТЬЮ ВЫХОДНЫХ ДАННЫХ МОДЕЛИ. ОН ПРИНИМАЕТ ЗНАЧЕНИЯ ОТ 0 ДО 1, ГДЕ МЫ УСТАНОВИЛИ ЗНАЧЕНИЕ 0,9, ПОСКОЛЬКУ ХОТИМ ПОЛУЧИТЬ МНОГО НОВЫХ ИДЕЙ, В ТО ВРЕМЯ КАК МЕНЬШЕЕ ЗНАЧЕНИЕ, НАПРИМЕР 0, ДЕЛАЕТ МОДЕЛЬ БОЛЕЕ ДЕТЕРМИНИРОВАННОЙ. В приведенном выше коде настраивается LLM и создается шаблон промптов, который принимает описание продукта и генерирует в блоге публикацию о нем. Затем эти два шаблона объединяются, чтобы сформировать цепочку. Потом запускается LLMChain с product_description. Часть 3. Освоение основ цепочек в LangChain Шаг 6. Создание SimpleSequentialChain 📌Читать @data_analysis_ml

Сбер расширяет географию своих ивентов: 26 сентября в Ереване состоится первый технологический митап, посвящённый разработке
Сбер расширяет географию своих ивентов: 26 сентября в Ереване состоится первый технологический митап, посвящённый разработке рекомендательных систем 👨‍💻 На RecSys MeetUp вы познакомитесь с экспертами Сбера, станете частью одного из крупнейших IT-комьюнити и узнаете о: ✔️ Технологических трендах в области искусственного интеллекта и машинного обучения. ✔️ Устройстве современных стримингов компаний-партнёров Сбера. Гарантируем: будет интересно и безумно полезно каждому DS-специалисту. Регистрируйтесь по ссылке, встречаемся 26 сентября в 18:30 по адресу: Ереван, ресторан «Монтана Мьюзик Хаус», улица ул. Алека Манукяна, 4/3 💚

🎞 Полезные плейлисты YouTube по науке о данных: ❯ Tableau https://www.youtube.com/playlist?list=PLgG9iJlSBmTe4n8doaYFkzLU-dEbb2XGn ❯ Парсинг на Python https://www.youtube.com/playlist?list=PLysMDSbb9Hcz3Gdi9oV-btohZ9zhths-r ❯ SQL https://www.youtube.com/playlist?list=PLBheEHDcG7-k1Y_Uy04Dj2ylWhcfSfqoF ❯ Наука о данных https://www.youtube.com/playlist?list=PLysMDSbb9HcwIpPPBR72Qe7CMCgx-D9Ob ❯ Python и базы данных https://www.youtube.com/playlist?list=PLysMDSbb9HcxdvtQSkYoO7xaF3SvGUD8n ❯ Numpy полный курс https://www.youtube.com/playlist?list=PLysMDSbb9Hcz3Gdi9oV-btohZ9zhths-r ❯ R http://youtube.com/playlist?list=PL6gx4Cwl9DGCzVMGCPi1kwvABu7eWv08P ❯ PowerBI http://youtube.com/playlist?list=PLv2BtOtLblH13vCbf99BptWWk-EWx7QQG ❯ Линейная алгебра и аналитическая геометрия https://www.youtube.com/playlist?list=PLaX3n04-uUZoTu4DcD2Eqgq-h5wimh_uT ❯ Python https://www.youtube.com/playlist?list=PLV0FNhq3XMOKljD7POtuWVAZn8wXcn4-L ❯ Excel https://www.youtube.com/playlist?list=PLzilK6a-UuVl5FP-QY1ks_c--3CrYU3MX ❯ Data Analysis http://youtube.com/playlist?list=PLrRPvpgDmw0ks5W7U5NmDCU2ydSnNZA_1 ❯ Data Analyst http://youtube.com/playlist?list=PLUaB-1hjhk8FE_XZ87vPPSfHqb6OcM0cF ❯ Linear Algebra http://youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab ❯ Calculus http://youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr ❯ Statistics http://youtube.com/playlist?list=PLblh5JKOoLUK0FLuzwntyYI10UQFUhsY9 ❯ Machine Learning http://youtube.com/playlist?list=PLQVvvaa0QuDfKTOs3Keq_kaG2P55YRn5v ❯ Deep Learning http://youtube.com/playlist?list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI ❯ Deep Learning http://youtube.com/playlist?list=PLblh5JKOoLUIxGDQs4LFFD--41Vzf-ME1 ❯ Excel Power Query http://youtube.com/playlist?list=PLmHVyfmcRKyyKV86N7i0q9TfYNN8bBjX- ❯ Microsoft Excel http://youtube.com/playlist?list=PLmHVyfmcRKyx1KSoobwukzf1Nf-Y97Rw0 👇Делитесь полезными DS плейлистами в комментариях @data_analysis_ml

🚀 Гарвардский университет предлагает БЕСПЛАТНОЕ образование мирового класса в области Data Science! Курсы охватывают: - Pyth
🚀 Гарвардский университет предлагает БЕСПЛАТНОЕ образование мирового класса в области Data Science! Курсы охватывают: - Python - Визуализация данных - Вероятность - Статистика - Машинное обучение - Наука о данных: Capstone ▪Курс @data_analysis_ml

🔥 Дайджест полезных материалов из мира : Data Science за неделю Почитать: — Как мы решили вопрос нехватки кадров, обучив соискателей работе с Apache Spark — Создание приложения для потоковой передачи видео с физическими элементами управления — Пять подходов к созданию ad-hoc-датафреймов в PySpark — Искусство ETL. Пишем собственный движок SQL на Spark [часть 1 из 5] — 7 аргументов почему UUID лучше, чем автоинкрементные идентификаторы — Тестирование производительности на Python: Пошаговое руководство с Flask — Boosting Resiliency with ML-Based Telemetry Analytics Architecture — Dominando a função WITH: Criando Consultas Temporárias no SQL — The Secret Sauce of Success: Soft Skills Every data Scientist needs — What AI-driven analytics tools aid in data-driven decision-making for businesses? — Unlocking Computational Efficiency in Event Analysis Through Centroids and Blocks: A Conceptual Exploration — How can AI-driven cybersecurity tools protect businesses from daily threats and breaches? — SQL Roadmap for Data Analysts[Step-by-Step] — Dataviz accessibility review: what we can learn from the Norwegian 2023 election graphs — Data Science Mentorship in Ahmedabad Learning from the Best — 7-Stage Roadmap for Data Science Посмотреть: 🌐 Leveraging Generative AI in Education - A M Aditya (⏱ 31:24) 🌐 Невероятная нейросеть переводит любое видео на другие языки с сохранением оригинального голоса. (⏱ 00:55) 🌐 Python анализ данных с Pandas. PandaSQL (⏱ 12:13) 🌐 Python анализ данных с Pandas. Join, merge, concat в Pandas (⏱ 19:25) 🌐 Python+SQL часть2 создание таблиц. (⏱ 05:15) 🌐 Управление жестами всегда было в ваших часах, просто его нужно было активировать. (⏱ 00:11) 🌐 Уроки Golang с нуля /#28 - Встраивание типов (⏱ 06:16) 🌐 Уроки Golang с нуля /#27 - Bufio. Чтение и запись (⏱ 10:35) 🌐 Python анализ данных с Pandas. (⏱ 17:04) 🌐 ODSC Webinar | A Path to Insights Starts with Trusted Data (⏱ 23:23) 🌐 Not Just Deep Fakes: Apps of Visual Generative Models in Pharma Manufacturing - Guglielmo Iozzia (⏱ 01:18:40) 🌐 Lightning Interview “Beyond the Code: How AI Is Disrupting the Programmer's Role” (⏱ 58:40) 🌐 AI Reads Minds of 29 Patients! (⏱ 06:01) 🌐 OpenAI’s ChatGPT Nails 150+ Difficult Tasks! (⏱ 05:54) Хорошего дня! @data_analysis_ml

💻 Принципы SOLID в инженерии данных. Как принципы SOLID трансформируются в функциональном программировании? ▪️Принцип единственной ответственности: у каждой функции должно быть одно назначение, то есть возможно несколько задач, но одна достигаемая цель. ▪️Принцип открытости/закрытости: исходный код каждой функции открыт для расширения, но закрыт для модификации. ▪️Принцип подстановки Лисков: каждая функция заменяется на другую с той же сигнатурой без изменения поведения программы. ▪️Принцип разделения интерфейса: каждая функция не зависит от ненужных ей функций. ▪️Принцип инверсии зависимостей: все функции зависят от входных аргументов, а не жестко заданного в функции поведения. Интерпретация принципов SOLID: ООП против функционального программирования (в изображении) Нарушение и соблюдение принципов SOLID на примерах 1. Принцип единственной ответственности Согласно этому принципу, функция должна меняться только по одной причине. То есть у нее может быть несколько задач, но лишь одна цель в большой единице работы. Именно здесь осуществляется разделение обязанностей, когда каждой частью программы выполняется только одна задача, и выполняется хорошо. Например, если единственная причина изменений конвейера данных для обслуживания команды — ускорение обработки, занятый улучшением производительности код отделяется от частей программы с другими задачами. 🔘 Примеры 🔘 Часть 1. 🔘 Часть 2.

Знаете основы анализа данных и хотите получить заветный оффер? Наберитесь опыта, поработав над реальными рабочими задачами на
Знаете основы анализа данных и хотите получить заветный оффер? Наберитесь опыта, поработав над реальными рабочими задачами на Симуляторе аналитика. Симулятор аналитика — это практически настоящая стажировка, где под руководством ведущих аналитиков с опытом работы в Яндексе, ВКонтакте и JetBrains вы будете сами проводить A/B-тесты, автоматизировать отчётность, создавать дашборды с продуктовыми метриками и разбираться с другими важными бизнес-задачами. Будет непросто, но с опытом решения кейсов, доступных в симуляторе, вас будут ждать в любой компании! Записывайтесь на следующий поток: https://karpov.courses/simulator Кстати, по промокоду DATA23ML для вас действует скидка 5% до 27 сентября Реклама. ООО "Карпов Курсы". Erid: LjN8KWWWj