Если вы читали нашу статью «Нетехническое введение в LMM», то наверняка помните: вечеринка с Особенным представляет собой сложную ситуацию. Однако всё может стать ещё хуже. Особенный может пригласить своих друзей.
Как они будут взаимодействовать друг с другом? Начнут играть в чехарду или уничтожат вечеринку независимо друг от друга? Об этом нам и предстоит узнать.
В сегодняшней статье ментора Karpov.Courses, Александра Манаенкова, мы поговорим про ситуацию с несколькими группировками в данных, а также об альтернативном способе их анализировать!
Как они будут взаимодействовать друг с другом? Начнут играть в чехарду или уничтожат вечеринку независимо друг от друга? Об этом нам и предстоит узнать.
В сегодняшней статье ментора Karpov.Courses, Александра Манаенкова, мы поговорим про ситуацию с несколькими группировками в данных, а также об альтернативном способе их анализировать!
Telegraph
Нетехническое продолжение LMM
Итак, недавно мы делали нетехническое введение в LMM, а значит, пришло время продолжить этот разговор. Нужные нам пакеты: pandas, statsmodels Ссылка на данные: тык Приступим! Больше случайных эффектов! В прошлый раз мы рассмотрели ситуацию с одним случайным…
Обучить собственную нейросеть, не написав ни строчки кода? Легко!
Каждую минуту жизни мы решаем задачи, связанные с распознаванием изображений: определить дорожный знак будучи за рулем, узнать съедобность гриба в лесу или вспомнить, что за порода у той милой собаки в кофейне. Для получения ответов на эти вопросы человек непременно обращаетесь к своему накопленному опыту. То же самое и нейросетями.
Ни для кого не секрет – работа с искусственным интеллектом всегда напоминает танцы с бубном, поэтому компания Microsoft сделала приложение Lobe, где вы попробуете себя в машинном обучении, даже не зная основы программирования.
В Lobe достаточно загрузить изображение. Работа приложения строится таким образом, что вы занимаетесь только созданием выборки фотографий каждого из классов для обучения ИИ. В крайних случаях – еще и корректировкой результатов. Например, вы можете создать базу всевозможных кроссовок, чтобы потом определять модель по одной лишь фотографии. Такое, к слову, однажды делали разработчики приложения Sloy для определения видов одежды.
А на определении чего вы хотели бы натренировать свою нейросеть?
Каждую минуту жизни мы решаем задачи, связанные с распознаванием изображений: определить дорожный знак будучи за рулем, узнать съедобность гриба в лесу или вспомнить, что за порода у той милой собаки в кофейне. Для получения ответов на эти вопросы человек непременно обращаетесь к своему накопленному опыту. То же самое и нейросетями.
Ни для кого не секрет – работа с искусственным интеллектом всегда напоминает танцы с бубном, поэтому компания Microsoft сделала приложение Lobe, где вы попробуете себя в машинном обучении, даже не зная основы программирования.
В Lobe достаточно загрузить изображение. Работа приложения строится таким образом, что вы занимаетесь только созданием выборки фотографий каждого из классов для обучения ИИ. В крайних случаях – еще и корректировкой результатов. Например, вы можете создать базу всевозможных кроссовок, чтобы потом определять модель по одной лишь фотографии. Такое, к слову, однажды делали разработчики приложения Sloy для определения видов одежды.
А на определении чего вы хотели бы натренировать свою нейросеть?
GitHub
Lobe
Machine Learning Made Easy. Lobe has 11 repositories available. Follow their code on GitHub.
webinar_prophet.ipynb
9.6 KB
Ноутбук с вебинара по прогнозированию временных рядов
Представим, вы увидели рекламу мобильного приложения и решили установить его. Первый запуск, регистрация, возможно даже какие-то покупки. Словом, первые шаги в освоении только что скачанной программы. В это время где-то в мире аналитик начинает кропотливый подсчет сколько же стоило разработчикам довести это самое приложение до конечного потребителя (то есть Вас). Другими словами, он должен рассчитать unit-экономику. Но что же это за зверь такой, unit-экономика?
Об этом мы поговорим на вебинаре «Unit-экономика мобильного приложения», который проведет Ярослав Баранов, Senior BI Analyst в компании Tango.
Вторник, 10 ноября, 19:30
Регистрация на вебинар
Об этом мы поговорим на вебинаре «Unit-экономика мобильного приложения», который проведет Ярослав Баранов, Senior BI Analyst в компании Tango.
Вторник, 10 ноября, 19:30
Регистрация на вебинар
Залетайте к нам сегодня на вебинар в 19:30!
В этот раз Ярослав Баранов, Senior BI Analyst в компании Tango, будет рассказывать про Unit-экономику мобильных приложений и способы её расчета.
Скоро начинаем по ссылке
В этот раз Ярослав Баранов, Senior BI Analyst в компании Tango, будет рассказывать про Unit-экономику мобильных приложений и способы её расчета.
Скоро начинаем по ссылке
Не так давно мы выкладывали нетехническое введение и продолжение LMM от Александра Манаенкова, ментора karpov.courses. Однако тема LMM/GEE таит в себе много других тонких моментов, часто зависящих от конкретной области исследования. И их каждый должен открыть для себя сам.
Что ещё почитать?
Что ещё почитать?
● Статья «Линейные модели со смешанными эффектами в когнитивных исследованиях»
Один из немногих русскоязычных источников по LMM за авторством А. А. Четверикова. Статья главным образом ориентирована на когнитивных психологов, но может быть полезна и для “непосвящённых”.
● Mixed Effects Models and Extensions in Ecology with R, Alain F. Zuur
Однозначный мастридом является книга «Mixed Effects Models and Extensions in Ecology with R». Она на R и ориентирована на экологов, однако рассказывает не только про LMM, но и про GLM, GEE и нелинейные модели.
● Multilevel Analysis: An Introduction To Basic And Advanced Multilevel Modeling, Tom A. B. Snijders
Более ориентирована именно на модели со смешанными эффектами книга «Multilevel Analysis: An Introduction To Basic And Advanced Multilevel Modeling». Она больше говорит именно о теории, лежащей за LMM, но содержит много примеров из разных статистических программ.
● Generalized Estimating Equations, James W. Hardin, Joseph M. Hilbe
Аналогичная по своей сути книга, но для GEE. Сочетание теории и практики с большим количеством примеров – всё, что нужно для глубокого погружения в тему.
Один из немногих русскоязычных источников по LMM за авторством А. А. Четверикова. Статья главным образом ориентирована на когнитивных психологов, но может быть полезна и для “непосвящённых”.
● Mixed Effects Models and Extensions in Ecology with R, Alain F. Zuur
Однозначный мастридом является книга «Mixed Effects Models and Extensions in Ecology with R». Она на R и ориентирована на экологов, однако рассказывает не только про LMM, но и про GLM, GEE и нелинейные модели.
● Multilevel Analysis: An Introduction To Basic And Advanced Multilevel Modeling, Tom A. B. Snijders
Более ориентирована именно на модели со смешанными эффектами книга «Multilevel Analysis: An Introduction To Basic And Advanced Multilevel Modeling». Она больше говорит именно о теории, лежащей за LMM, но содержит много примеров из разных статистических программ.
● Generalized Estimating Equations, James W. Hardin, Joseph M. Hilbe
Аналогичная по своей сути книга, но для GEE. Сочетание теории и практики с большим количеством примеров – всё, что нужно для глубокого погружения в тему.
👍1
Человечество не раз сталкивалось со стремительным распространением инфекционных заболеваний. Увы, лекарства появлялись не так же стремительно, поэтому были придуманы такие меры противодействия, как изоляция больных и минимизация контактов между людьми. Для оценки эффективности предпринимаемых мер важно предсказать, как будет меняться число заражений после их принятия.
В рамках лекции вы узнаете:
● Как устроен часто используемый способ моделирования течения эпидемий
● Как улучшить результаты подобного моделирования
● Какие факторы не учитываются в этих моделях
По итогу вы сможете самостоятельно смоделировать график заболеваемости в отдельно взятой стране и влияния на него введения карантина.
Занятие провёл руководитель группы аналитики поиска Mail.ru, преподаватель Python на программах проф.переподготовки ФКН ВШЭ – Ян Пиле.
Ссылка на ноутбук
В рамках лекции вы узнаете:
● Как устроен часто используемый способ моделирования течения эпидемий
● Как улучшить результаты подобного моделирования
● Какие факторы не учитываются в этих моделях
По итогу вы сможете самостоятельно смоделировать график заболеваемости в отдельно взятой стране и влияния на него введения карантина.
Занятие провёл руководитель группы аналитики поиска Mail.ru, преподаватель Python на программах проф.переподготовки ФКН ВШЭ – Ян Пиле.
Ссылка на ноутбук
YouTube
Моделирование течения инфекционных заболеваний | Вебинар Яна Пиле | karpov.courses
Курс Start ML: https://bit.ly/3yFyqPY
Человечество не раз сталкивалось со стремительным распространением инфекционных заболеваний. Увы, лекарства появлялись не так же стремительно, поэтому были придуманы такие меры противодействия, как изоляция больных и…
Человечество не раз сталкивалось со стремительным распространением инфекционных заболеваний. Увы, лекарства появлялись не так же стремительно, поэтому были придуманы такие меры противодействия, как изоляция больных и…
karpov.courses
Залетайте к нам сегодня на вебинар в 19:30! В этот раз Ярослав Баранов, Senior BI Analyst в компании Tango, будет рассказывать про Unit-экономику мобильных приложений и способы её расчета. Скоро начинаем по ссылке
На прошлом неделе мы провели вебинар по Unit-экономике мобильных приложений, а значит самое время для дополнительных материалов!
● Статья Олега Якубенкова для GoPractice
Несмотря на то, что одним из основных пунктов вебинара был ответ на вопрос «что же такое Unit-экономика?», всё равно советуем самостоятельно углубиться в изучение темы. Ну, или почти самостоятельно – со статьей «Юнит-экономика за 30 слов. Расчет юнит-экономики без калькулятора».
● Вся Unit-экономика в одной инфографике
21 метрика, 16 формул и более 40 связей на одном листе А4. Можно распечатать и повесить над рабочим столом для полного погружения в причинно-следственные связи между метриками.
● Презентация с вебинара Ярослава Баранова
Тезисный конспект лекции «Unit-экономика мобильных приложений». Только формулы, определения и никакой воды. Но все-таки рекомендуем посмотреть вебинар, тем более он все еще доступен в записи по ссылке :)
● Статья Олега Якубенкова для GoPractice
Несмотря на то, что одним из основных пунктов вебинара был ответ на вопрос «что же такое Unit-экономика?», всё равно советуем самостоятельно углубиться в изучение темы. Ну, или почти самостоятельно – со статьей «Юнит-экономика за 30 слов. Расчет юнит-экономики без калькулятора».
● Вся Unit-экономика в одной инфографике
21 метрика, 16 формул и более 40 связей на одном листе А4. Можно распечатать и повесить над рабочим столом для полного погружения в причинно-следственные связи между метриками.
● Презентация с вебинара Ярослава Баранова
Тезисный конспект лекции «Unit-экономика мобильных приложений». Только формулы, определения и никакой воды. Но все-таки рекомендуем посмотреть вебинар, тем более он все еще доступен в записи по ссылке :)
👍1
Unit-экономика_Karpov_Courses.pdf
169.6 KB
Та самая статья с вебинара по Unit-экономике! Сохраняйте и не теряйте :)
Всем привет! На связи Анатолий Карпов.
Вместе с командой Karpov.Courses мы создали онлайн-курс по анализу данных, где делаем упор на задачи, с которыми ежедневно сталкиваются настоящие специалисты.
Близится новый месяц, а значит мы запускаем уже седьмой поток специализации «Аналитик данных».
Хотите сменить профессию или получить новые навыки? За 5 месяцев интенсивного обучения вы освоите спектр Hard Skills, необходимых на позиции аналитика: Python, Git + Airflow, SQL, статистика, A/B тесты, продуктовая аналитика, развитие продукта и, конечно же, визуализация.
Подробнее ознакомиться с программой можно на нашем сайте karpov.courses, а задать свои вопросы – в личные сообщения сообщества.
Старт нового потока уже 1 декабря. До встречи на курсе!
Вместе с командой Karpov.Courses мы создали онлайн-курс по анализу данных, где делаем упор на задачи, с которыми ежедневно сталкиваются настоящие специалисты.
Близится новый месяц, а значит мы запускаем уже седьмой поток специализации «Аналитик данных».
Хотите сменить профессию или получить новые навыки? За 5 месяцев интенсивного обучения вы освоите спектр Hard Skills, необходимых на позиции аналитика: Python, Git + Airflow, SQL, статистика, A/B тесты, продуктовая аналитика, развитие продукта и, конечно же, визуализация.
Подробнее ознакомиться с программой можно на нашем сайте karpov.courses, а задать свои вопросы – в личные сообщения сообщества.
Старт нового потока уже 1 декабря. До встречи на курсе!
Начиная с сентября, karpov.courses начали активно развиваться в почти всех популярных социальных сетях! Разве что до TikTok еще не дошли 🙂 А пока мы не начали снимать тиктоки, предлагаем поддерживать нас там, где удобнее.
Другие наши соц.сети:
Наш ВКонтакте
Страница Facebook
Канал YouTube
Другие наши соц.сети:
Наш ВКонтакте
Страница Facebook
Канал YouTube
Если вы искали курсы по программированию, то наверняка не раз встречали слово «буткемп». Давайте разберемся, что это такое.
Изначально в Штатах буткемпом называли программы интенсивной подготовки новобранцев в армии. Сегодня же, этот термин используется гораздо шире и чаще ассоциируется с тренировочными лагерями по кодингу. Это неслучайно: время в IT течет гораздо быстрее, чем в других специальностях, и знания быстро устаревают. Иными словами, то, чему вы научитесь сейчас, через два года уже может стать неактуальным.
А как же выпускники технических ВУЗов? Главное отличие «лагерей» от университета кроется в длительности и в практикоориентированности. Никаких общеобразовательных предметов, преподаватели – востребованные специалисты своей области, а программа обучения адаптируется и регулярно обновляется в соответствии с тенденциями IT-рынка.
Karpov.Courses как раз построены по системе буткемпов, ведь чем быстрее и напряженнее программа обучения, тем проще будет влиться в реальную работу и следовать за изменениями.
1 декабря у нас старт нового потока – узнайте, что такое буткемп на собственном опыте! Вам обязательно понравится :)
Изначально в Штатах буткемпом называли программы интенсивной подготовки новобранцев в армии. Сегодня же, этот термин используется гораздо шире и чаще ассоциируется с тренировочными лагерями по кодингу. Это неслучайно: время в IT течет гораздо быстрее, чем в других специальностях, и знания быстро устаревают. Иными словами, то, чему вы научитесь сейчас, через два года уже может стать неактуальным.
А как же выпускники технических ВУЗов? Главное отличие «лагерей» от университета кроется в длительности и в практикоориентированности. Никаких общеобразовательных предметов, преподаватели – востребованные специалисты своей области, а программа обучения адаптируется и регулярно обновляется в соответствии с тенденциями IT-рынка.
Karpov.Courses как раз построены по системе буткемпов, ведь чем быстрее и напряженнее программа обучения, тем проще будет влиться в реальную работу и следовать за изменениями.
1 декабря у нас старт нового потока – узнайте, что такое буткемп на собственном опыте! Вам обязательно понравится :)
karpov.courses
Школа Data Science: программы обучения для любого уровня подготовки | karpov.courses
Karpov.Courses. Школа Data Science
Несколько месяцев назад мы проводили открытый вебинар про GLM, где знакомились с обобщенными линейными моделями. Это знание значительно улучшило уровень жизни при подборе правильного распределения.
Однако в реальном мире не существует истинно линейных взаимосвязей. Хотя для коротких промежутков данных допущение линейности иногда работает, на практике же легко могут попасться такие переменные, взаимосвязи между которыми нельзя анализировать с использованием этого допущения.
На вебинаре «Шум и GAM: обобщённые аддитивные модели» мы узнаем:
● Как нелинейность взаимосвязи портит наши данные?
● Как моделировать нелинейные взаимосвязи, оставаясь в регрессионном контексте?
● Что такое лекало и какое отношение это имеет к вопросу?
● Какие похожие регрессионные методы могут встретиться в работе аналитика?
Занятие проведет Манаенков Александр, ментор KarpovCourses и выпускник кафедры психофизиологии факультета психологии МГУ.
Ждем всех в этот четверг, 3 декабря, в 20:00
Запись по ссылке
Однако в реальном мире не существует истинно линейных взаимосвязей. Хотя для коротких промежутков данных допущение линейности иногда работает, на практике же легко могут попасться такие переменные, взаимосвязи между которыми нельзя анализировать с использованием этого допущения.
На вебинаре «Шум и GAM: обобщённые аддитивные модели» мы узнаем:
● Как нелинейность взаимосвязи портит наши данные?
● Как моделировать нелинейные взаимосвязи, оставаясь в регрессионном контексте?
● Что такое лекало и какое отношение это имеет к вопросу?
● Какие похожие регрессионные методы могут встретиться в работе аналитика?
Занятие проведет Манаенков Александр, ментор KarpovCourses и выпускник кафедры психофизиологии факультета психологии МГУ.
Ждем всех в этот четверг, 3 декабря, в 20:00
Запись по ссылке
Скоро начинаем! Уже в 20:00 Александр Манаенков, ментор Karpov.Courses, расскажет про нелинейные взаимосвязи и особенности работы с ними.
Присоединяйтесь!
Присоединяйтесь!
Вчера вечером, сквозь небольшой сумбур Александр Манаенков провел вебинар по GAM, где рассказал и о лекалах, и о сплайнах, и об использовании их на практике.
Спасибо всем, кто был на трансляции и комментировал! Это всегда очень поддерживает наших лекторов :)
Как и обещали, прикрепляем ниже презентацию и ноутбук.
P.S. запись лекции доступна по ссылке
Спасибо всем, кто был на трансляции и комментировал! Это всегда очень поддерживает наших лекторов :)
Как и обещали, прикрепляем ниже презентацию и ноутбук.
P.S. запись лекции доступна по ссылке
Алгоритмы машинного обучения – это одни из самых популярных инструментов дата-аналитиков. Однако большинство нейронных сетей используются как black-box: люди даже не знают, как они работают. Например, нейросеть умеет классифицировать породы собак, но делает она это опираясь на знание, что одни породы чаще сфотографированы дома, а другие – на лужайке.
Как определить, опираясь на какие параметры работает нейросеть? Читаем в статье «Интерпретация моделей машинного обучения в python: shap» от Екатерины Скрипцовой, младшего аналитика ВКонтакте и ментора Karpov.Courses.
Как определить, опираясь на какие параметры работает нейросеть? Читаем в статье «Интерпретация моделей машинного обучения в python: shap» от Екатерины Скрипцовой, младшего аналитика ВКонтакте и ментора Karpov.Courses.
Telegraph
Интерпретация моделей машинного обучения в python: shap
Зачем нужна интерпретация? Почему так важно уделять внимание не только метрикам качества, но и интерпретации полученных результатов? С одной стороны, мы хотим получать максимально точные предсказания, но с другой — было бы неплохо понимать, почему получен…
Не за горами запуск 10-го потока, а значит пора поделиться, что же происходит на специализации «Аналитик данных». Каждую неделю мы будем рассказывать о преподавателях karpov.courses и модулях, которые они ведут.
Сегодня начнем, разумеется, с основателя и лектора первых модулей – Анатолия Карпова. Мы уже рассказывали о пути Анатолия в дата аналитику, так что сразу перейдем к его роли как преподавателя курсов. Анатолий читает лекции по самому первому модулю «Python», где закладывается фундамент: основы программирования, знакомство с библиотеками для анализа данных, визуализации и работы с файловой системой.
Зачем же нужен Python начинающего аналитику? Отвечает Анатолий Карпов:
«Python на сегодняшний день – один из самых популярных языков для работы с данными и незаменимый инструмент для аналитика. При помощи Python вы научитесь автоматизировать рутинную работу, применять статистику и строить модели машинного обучения».
Первые три лекции по Python доступны в демо-версии курса.
Сегодня начнем, разумеется, с основателя и лектора первых модулей – Анатолия Карпова. Мы уже рассказывали о пути Анатолия в дата аналитику, так что сразу перейдем к его роли как преподавателя курсов. Анатолий читает лекции по самому первому модулю «Python», где закладывается фундамент: основы программирования, знакомство с библиотеками для анализа данных, визуализации и работы с файловой системой.
Зачем же нужен Python начинающего аналитику? Отвечает Анатолий Карпов:
«Python на сегодняшний день – один из самых популярных языков для работы с данными и незаменимый инструмент для аналитика. При помощи Python вы научитесь автоматизировать рутинную работу, применять статистику и строить модели машинного обучения».
Первые три лекции по Python доступны в демо-версии курса.