​​В сети появилось решение импорта курса валют в BigQuery с примерами SQL-запросов для работы с ними.
Free Plan позволяет настроить почасовый импорт до 1000 запросов на месяц.

via @BigQuery

Технический обзор app+web, с описанием параметров нового measurement protocol

http://bit.ly/35LsIuS

Очень важная история: мозилла продолжают развивать свой движок распознавания речи DeepSpeech, вышла версия 0.6. Важно это потому, что это общедоступный движок с подготовленными датасетами для обучения 40 разным языкам, который может работать не в облаке, а прямо на вашем железе. Производительности текущей версии хватает, чтобы распознавать речь без задержек даже на Raspberry Pi 4!

Развитие технологий очень быстро двигается сразу в двух направлениях: “все будет через стримминг на серверах” и “все будет прямо у вас на устройстве”. Интересно, что гугл и яндекс делают ставку на первое, а эппл и мозилла на второе. https://hacks.mozilla.org/2019/12/deepspeech-0-6-mozillas-speech-to-text-engine/

История из жизни про показатель отказов. Владелец интернет-магазина захотел смотреть "чистый" показатель отказов "просто так" и требовал отключить события, которые мешают этому.
https://www.facebook.com/454859268600716/posts/584328065653835/?sfnsn=scwspmo

Друзья, подписчик нашего канала создал Таблицу для учета своих активов и написал про это статью.

Вводная от меня. Основа его Таблицы — функция IMPORTXML, она позволяет вытаскивать почти любую строку из веб-страницы, вам нужно только научиться писать xpath запрос.

Таким образом вы всегда сможете собирать нужные вам котировки и другую информацию без скриптов / интеграции с АПИ.

Кстати, скриптами это делать даже сложнее — чтобы обычный parsexml из скрипта проглотил сайт, html нужно сначала обработать, экранировать экранируемое, с тегами порядок навести, с кавычками, etc.

Так что разбирайтесь, как писать xpath и пользуйтесь этой мощной функцией.

Статья: https://vc.ru/finance/92990-upravlencheskiy-uchet-lichnyh-aktivov
Таблица с портфелем: https://clck.ru/K9CLT

Полюбившийся многим аддон OWOX BI BigQuery Reports поможет вам собрать любые отчеты в Google-таблицах на данных из Google BigQuery.

Попробуйте, очень удобно и быстро. И, к тому же, бесплатно.
https://www.owox.com/c/4gn

Калькулятор unit-экономики для мобильных приложений:
https://ltvcalculator.pollen.vc/index.html

• есть возможность выбрать нишу (games, travel, health & fitness, etc);
• есть возможность сравнить с бенчмарком ниши;
• есть возможность оценить LTV, payback period и ещё получить ряд полезных статистик и рекомендаций.

via @ProductAnalytics

Наткнулся на библиотеку pomegranate. Она предоставляет ряд высокоуровневых методов для работы с вероятностными моделями: цепи Маркова, байесовские классификаторы, модели распределения вероятностей, скрытые марковские модели и ещё куча всего. Отдельный плюс библиотеки - доступная документация с множеством примеров, например, вот документация по использованию цепей Маркова со ссылкой на ноутбук с примерами.

https://pomegranate.readthedocs.io/en/latest/index.html

Оказывается QuantStack (это те товарищи, что сделали Voila и приложили большие усилия в развитию экосистемы Jupyter) сделали виджеты для работы с таблицами внутри ноутбуков. Прелесть не только в том, что можно выводить таблицы, но и редактировать в них данные, а также привязывать данные в таблицах к другим виджетам (слайдерам, инпутам и т.д.)

https://towardsdatascience.com/interactive-spreadsheets-in-jupyter-32ab6ec0f4ff

Статья, посвященная не самым распространенным методам Pandas - idxmax(), idxmin(), ne(), nlargest(). В статье приводятся интересные примеры использования этих методов при решении практических задач анализа.

https://habr.com/ru/company/ruvds/blog/479276/

Годнота подъехала! Павел Максимов выложил в открытый доступ библиотеку для получения данных из API Яндекс.Метрики (как Logs API, так и из обычного).

https://github.com/pavelmaksimov/tapi-yandex-metrika

Введение в визуализацию данных с помощью Matplotlib. Достаточно подробно объяснены многие нюансы создания визуализаций, например, объектная модель графиков, построение subplots.

https://pythonlearning.org/2019/12/19/introduction-to-data-visualization-using-matplotlib/

​​«Исследуя ИИ, мы подобны собаке, догнавшей машину».
Отрезвляющая оценка будущего ИИ стала итогом 2019.
Все видели, как дурная дворняга преследует машину. Все понимают, чем для нее это может закончиться, если, не бай бог, догонит. Но она-то не понимает, и тупо продолжает.
Вот и мы – исследователи ИИ - «подобны собаке, догнавшей машину» (“We’re kind of like the dog who caught the car”). Не понимаем, что будем делать, если догоним, и не осознаем, к чему это ведет.
Так сказал Блез Агуэра-и-Аркас – один из ключевых людей по машинному обучению в Google, а ранее в Microsoft, – на только что завершившейся крупнейшей конференции года NeurIPS, собравшей более 13 тыс. исследователей и разработчиков ИИ со всего мира.

Это, своего рода, итог 2019.
Его разделил и Йошуа Бенжио - директор института ИИ в Монреале, недавно получивший высшую награду в области вычислительной техники за начало революции глубокого обучения. Он отметил, - «Глубокое обучение дает узкоспециализированные результаты: система, обученная демонстрировать сверхчеловеческую производительность в одной видеоигре, не способна повторить это в никакой другой».

А директор направления ИИ в Facebook Жером Песенти ранее заявил, что его компания, как и другие, не должны ожидать дальнейшего прогресса в области ИИ, просто создавая бОльшие системы глубокого обучения с бОльшей вычислительной мощностью и объемом данных:
«В какой-то момент мы врежемся в стену… И во многих отношениях, - мы уже врезались».

Громкий призыв Бенджио к размышлениям за пределами недавних узких успехов глубокого обучения поддержали и Джефф Клюн из OpenAI, а ранее Uber. Джефф занимается Metalearning - создание алгоритмов обучения, которые могут разработать свои собственные алгоритмы обучения в системах, генерирующих постоянно меняющиеся среды.

«Глубокое обучение - это здорово, но нам нужен набор различных алгоритмов», - добавила Ирина Риш из универа Монреаля. Но проблема в том, что «сторонники глубокого обучения превратились в подобие секты истинно верующих» и просто не желают слышать об альтернативных путях в области ИИ.

«Пытаясь использовать машинное обучения для создания искусственного интеллекта, нам надо больше задумываться о биологических корнях естественного интеллекта», - призвал участников NeurIPS Блез Агуэра-и-Аркас.

Прошедший крупнейший мировой форум по ИИ показал – исследователи ведущих в области ИИ стран и компаний осознают, что уже поздно «что-то в консерватории подправить». Нужны радинальные изменения в направлениях R&D.

Осознают ли это ведущие российские исследователи и разработчики, а также большие боссы, ответственные за развитие ИИ в стране? Боюсь, что нет.
#ИИ

Основы построения графиков в Matplotlib.

https://youtu.be/UO98lJQ3QGI

Легко писать подводки к новостям — куда сложнее к серьезным сложным лонгридам, смысл чтения которых отнюдь не в том, чтобы вычленить одну главную мысль. Но на этот текст я всё равно сошлюсь, хотя читать его надо медленно и вдумчиво.
Длинное интервью со Львом Мановичем начинается с подробного рассказа о его биографии и творчестве, и это правильно: у него нетривиальная судьба художника и профессора computer science, огромный авторитет в двух этих мирах - и современного искусства, и современных технологий.
Его взгляды иногда бесят традиционный истэблишмент, но он умеет прекрасно обосновывать свою точку зрения, которая часто отличается от принятой в тусовке интеллектуалов. Он не видит большой проблемы в fake news — но видит ее в самой журналистике; он не готов критиковать Википедию за то, что ее редакторы недостаточно diverse и ещё он любит Москву ;) Кстати, он приезжал на Открытые Инновации в Сколково, и очень жаль, что там мало народу его слушали.
Ну хоть сейчас почитайте — его мысли полезно знать, даже если не согласны с ними.

https://www.haaretz.com/magazine/.premium.MAGAZINE-fake-news-isn-t-the-issue-leading-internet-researcher-debunks-what-we-know-1.8291672

Уже выкладывал в канале ссылку на код инструмента для анализа цепей Маркова, но появилась хорошая обзорная статья по мотивам доклада Mark Sysoev на Матемаркетинге. Ссылка на Гитхаб внутри статьи

https://vc.ru/skyeng/92219-besplatnyy-python-skript-kotoryy-pomozhet-vam-uluchshit-analiz-voronok-cjm-i-dazhe-poisk-bagov-v-produkte

Тем кто работает в ecommerce точно пригодится. Статья о том как подготовить товарные cross-sell рекомендации с помощью pandas и алгоритма ассоциативных правил из библиотеки MLextend.

https://pythondata.com/market-basket-analysis-with-python-and-pandas/

Симо Ахава сделал новый custom template tag, который отдает гео данные, что весьма приятно
https://www.simoahava.com/analytics/fetch-ip-geolocation-data-using-google-tag-manager/

Гайд для погружения в машинное обучение: https://foobar167.github.io/page/vvedeniye-v-mashinnoye-obucheniye-i-iskusstvennyye-neyronnyye-seti.html

И еще: https://vas3k.ru/blog/machine_learning/

3 способа отследить источники трафика для мобильных приложений

Одной из наиболее сложных задач при настройке мобильной аналитики является отслеживание источников трафика. Здесь вам не помогут привычные UTM-метки, так как приложение скачивается пользователем из специализированного магазина, например AppStore или Google Play.

В новой статье делимся 3 способами настройки отслеживания источников трафика, которые зачастую требуют от аналитика нестандартного мышления и креативности.

via @analyticsroom