Start Career in DS

2022-08-18 21:12:49 ​ Python для анализа данных.
Я тут понял, что в канале не было материалов по изучению питона для новичков.
После ухода курсеры стало совсем печально (раньше часто ссылались на курс от Яндекса и МФТИ).

Перерыл кучу материалов, кажется, вот этот ресурс один из лучших: https://dfedorov.spb.ru/python3/
Тут и базовый Python, и азы библиотек для анализа данных. На скрине приведён скрин части лекций из него :)

А по чему вы изучали/изучаете Python? Открыть/Комментировать

2022-07-14 18:01:07 Если кто не слышал, у Глеба Михайлова есть классный видос по всему базовому питону и инструментам анализа данных:



Глеб делает крутой контент, например у него есть марафон по LeetCode, разборы тестовых заданий, гайд по гиту и много чего ещё

Канал в tg, канал на Youtube Открыть/Комментировать

2022-07-08 09:15:33 ​Подборка ресурсов по математике для Data Science:

Уровни:
- закончил универ сто лет назад, ничего не помню
- знаю и помню базу (матан, линал, тервер, матстат)
- хорошо разбираюсь в высшей математике, хочу поднатаскать специфические для DS темы

Наглядный разбор теории в серии «X для чайников»: что такое вектор, как считать производную, матричные уравнения и т.д.
Материалы с лекций и семинаров ВМК МГУ от «Ёжика в матане»: VK, YouTube. Тут можете спокойно начинать с лекций и семинаров Никитина по математическому анализу, их читают в самом начале

Хорошие задачки с подробным разбором решений на Матбюро: линейная алгебра, теория вероятностей, математическая статистика.
Курс Райгородского «Основы теории вероятностей». Тут наглядно и на пальцах объясняются базовые аспекты
[Eng] Курс «Matrix Methods in Data Analysis, Signal Processing, and Machine Learning», в нём есть вся ключевая математика для DS

[Eng] Сборник задач и теории по базовой математике (линейная алгебра, оптимизация, графы) и машинному обучению:
Pen and Paper Exercises in Machine Learning
[Eng] Книга «Математика для Data Science»: https://mml-book.github.io/ Открыть/Комментировать

2022-06-29 20:17:45 Интервью с Александром Дьяконовым!

Обсудили в нём ряд интересных вопросов, в частности:
- Что было в первых требования к Data Scientist’у в России?
- Зачем учить то, что не используется в проде (теорию)?
- Как отличить качественные курсы от не очень качественных?
- Что ждёт аналитику и глубокое обучение в будущем?



Открыть/Комментировать

2022-06-24 08:52:52 ​ Семинар от ребят из Сберлоги
Если вы всегда хотели узнать куда можно двигаться на стыке исследований и индустрии - приходите послушать сегодня доклад ребят. Звучит очень интересно

@SBERLOGABIG online seminar on data science and bioinformatics:
Андрей Зиновьев (Institut Curie/Paris Artificial Intelligence Research Institute, France) «Domain Adaptation Principal Component Analysis (DAPCA): новый линейный метод для доменной адаптации»
Пятница 24 июня, 19.00 по Москве

Domain adaptation - это возможность применить алгоритм машинного обучения, тренированный на одних данных, к данным полученным из несколько другого распределения (домена). Классические подходы машинного обучения предполагают, что распределения данных на тренировочной выборке и тестовой одинаковы. Однако, это предположение может быть легко нарушено в реальной жизни, когда обучающая выборка отличается от данных, с которыми должна работать система в условиях эксплуатации. Хуже всего то, что новые данные не имеют известных меток. Такие ситуации типичны и приводят к задаче "Domain adaptation", которая стала популярной в последнее время.

Подробнее про доклад можно почитать тут, ссылка на зум будет у ребят в канале Открыть/Комментировать

2022-06-19 12:04:18 Про DL в банках
Выше уже была подборка статей на эту тему, хочу её обогатить свежими материалами :)

Во-первых рекомендую канал Нескучный Data Science. Его автор Женя Смирнов - Head of ML Lab в Альфе, ребята там делают очень крутые проекты. А Женя в этом году даже номинировался в Forbes 30 under 30

А ещё ребята сейчас делают трек по DL в Финансах на датафесте. Там можно найти много интересных материалов и попрактиковаться: в треке есть соревнование по решению задачи кредитного скоринга на основе банковских транзакций (как раз то, про что писали а прошлом посте) Открыть/Комментировать

2022-06-10 17:56:48 Про прогноз спроса в ритейле

Одна из самых важных и денежных задач в ритейле - предсказание спроса. Именно проекты связанные со спросом часто бывают ключевыми в работе DS команд крупнейших игроков рынка.
Причём спрос как таковой можно прогнозировать как для первостепенной цели - автопополнения распределительных центров/торговых точек, так и для косвенных. К примеру, можно построить зависимость спроса от цен (фактически, усложнённую эластичность) и таким образом управлять ценообразованием, чтобы максимизировать ожидаемую выручку. Либо же строить зависимость спроса от ассортимента и формировать ассортимент, который будет максимизировать спрос.

Подборка материалов, которые помогут разобраться в теме:
1. Прогноз спроса для промо акций в Магните: часть 1 (более бизнесовая) и часть 2 (более техническая). Ребята выиграли несколько премий в этом году, так что знают о чём говорят
2. Доклад про предсказание спроса от ребят из Rubbles и х5. Есть ещё один от Саши Фонарёва, более подробный. Оба скорее бизнесовые.
3. #кудажебезвалеры Валерий Бабушкин про предсказание спроса в х5 (но обратите внимание что видео от 2020 года, часть инфы устарела). Тут есть.и про признаки, и про построение непосредственно моделей.
4. Евгений Бурнаев: Топологический анализ временных рядов для прогнозирования спроса
5. Топовый вебинар Богдана Печёнкина по ценообразованию (тут есть модели спроса и целый блок про признаки)
6. Доклад Максима Гончарова про управление ассортиментом на основе моделей спроса
7. Учебное соревнование по прогнозу продаж на Kaggle. А ещё есть соренование от Walmart и от Favorita.
Здесь в ноутбуках можно найти примеры применения различных подходов.

За помощь в создании подборки большое спасибо Максиму Открыть/Комментировать

2022-06-03 08:00:06 Научись программировать на Python бесплатно!

Для этого есть БЕСПЛАТНЫЙ канал, где собраны задачи по Python и машинному обучению!

Каждый день новая задача по алгоритмам, функциям, класса, регулярным выражениям, итераторам, генераторам, ООП, исключениям, numpy, pandas, matplotlib, scikit-learn, TensorFlow.

Подписывайся и прокачивай свои скиллы, начать можно даже с нуля. Открыть/Комментировать

2022-05-30 09:31:04 #SQL и #Pandas очень похожи. Настолько, что если вы знаете одно, то научиться писать на другом сможете буквально за день

К слову, если вы работаете бизнес-аналитиком/аналитиком (который использует Excel/SQL), то научиться работать на Pandas - самое первое что вам стоит сделать. Потому что это во-первых будет просто для вас, а во вторых - вы сможете быстро понять, почему крутить данные в питоне сильно быстрее и удобнее.

Классная статья, в которой проводятся аналогии между SQL и Pandas запросами (своего рода словарик):
https://tproger.ru/translations/rewrite-sql-queries-in-pandas/ Открыть/Комментировать

2022-05-14 00:00:41 Про навыки аналитиков на разных уровнях

В этой статье рассказывается про роль аналитика данных и грейды в Яндексе.
Мне очень понравилось что в ней есть и собранные в табличку ключевые навыки (см. файл), и подробно расписанные скиллы как для аналитиков, так и для руководителей.

По ней можно:
1. Понять чем занимаются аналитики
2. Понять стандартную структуру грейдов Открыть/Комментировать