Обзор Data Science профессий📜👨🏼💼Data Scientist - это эксперт по аналитическим данным, который обладает техническими навыками для решения сложных задач, а также любопытством, которое помогает эти задачи ставить. Они частично математики, частично компьютерные ученые и частично трендспоттеры.
Data Scientist требует реальных и практических знаний методов статистического анализа данных, навыков построения математических моделей (от нейронных сетей до кластеризации, от факторного до корреляционного анализов), работы с большими массивами данных и уникальной способности находить закономерности.
👨🏼🔧Data engineer должен владеть всем необходимым инструментарием хранения и обработки больших массивов данных. Data Engineer в основном занимается вопросами оптимального и надежного хранения и преобразования данных, а также обеспечения быстрого и удобного к ним доступа. Он отвечают за архитектуру данных.
Data Scientist же почти не заморачивается этими вопросами, его главная задача — уметь проанализировать данные, извлечь из них важную информацию и инсайты, построить и провалидировать модели и выдать какие-то полезные отчеты и выводы, либо готовые приложения, позволяющие решать те или иные предиктивные задачи.
👨🏼💻Статистик - это специалист, который занимается сбором, обработкой, анализом и предоставлением статистической информации.
Статистики собирают эмпирические данные из таких областей, как страхование, демография, социальная работа, управление качеством, медицинские и фармацевтические исследования, исследования рынка и общественного мнения или научные исследования. Они используют модели и методы анализа данных для оценки полученных данных. Результаты могут быть основанием для принятия бизнес-решений, понимания ситуации, например, для представления поведения покупателя или с целью прогнозирования или для оценки рисков.
Jobs in Data Science.jpg
1.1 MB
Или наглядное сравнение этих трёх профессий по сфере деятельности, обязанностям, карьерному росту и так далее 👐🏼.
Какие существуют инструменты автоматизированного машинного обучения (AutoML) для автоматизации машинного обучения?
Как AutoML может помочь в работе Data Scientist?
Коротко об инструментах AutoML: они упрощают процесс обработки данных, делая все возможное, используя имеющуюся информацию.
В данной статье разобраны самые интересные AutoML инструменты, которые смогут вам помочь в работе с данными.
Читайте по ссылке👇👇
https://techgrabyte.com/11-automl-tools-automate-machine-learning/
Как AutoML может помочь в работе Data Scientist?
Коротко об инструментах AutoML: они упрощают процесс обработки данных, делая все возможное, используя имеющуюся информацию.
В данной статье разобраны самые интересные AutoML инструменты, которые смогут вам помочь в работе с данными.
Читайте по ссылке👇👇
https://techgrabyte.com/11-automl-tools-automate-machine-learning/
Techgrabyte
11 Most Amazing AutoML Tools To Automate The Machine Learning
Here are the 11 Most Amazing AutoML Tools which will help you to put many different processes of ML on automation without compromise in the accuracy.
🧐Big Data Science - это не только математика и сложные алгоритмы, но и глубокая связь с компьютерным железом.
Интересная статья о том, как связано машинное обучение нейросетей с ресурсами процессора:
https://m.habr.com/ru/post/455353/
Интересная статья о том, как связано машинное обучение нейросетей с ресурсами процессора:
https://m.habr.com/ru/post/455353/
Хабр
Аппаратное ускорение глубоких нейросетей: GPU, FPGA, ASIC, TPU, VPU, IPU, DPU, NPU, RPU, NNP и другие буквы
14 мая, когда Трамп готовился спустить всех собак на Huawei, я мирно сидел в Шеньжене на Huawei STW 2019 — большой конференции на 1000 участников — в программе которой были доклады Филипа Вонга ,...
❗️до 30 августа❗️
Если кто-то давно искал возможность участия в классном мероприятии, то вот она!
До 30 августа можно подать заявку в Russian Hack Team (на базе МФТИ). Отличный шанс классно развиваться, участвовать в топовых международных хакатонах, путешествовать по миру. Поэтому очень советую поучаствовать и пройти отбор!
Для кого: студенты/выпускники технических специальностей, IT-специалистов с опытом работы в компании или фрилансеров, основателей и сотрудников IT-стартапов.
Зарегистрироваться можно по ссылке 👇🏽❗️
http://russianhackteam.com/
Если кто-то давно искал возможность участия в классном мероприятии, то вот она!
До 30 августа можно подать заявку в Russian Hack Team (на базе МФТИ). Отличный шанс классно развиваться, участвовать в топовых международных хакатонах, путешествовать по миру. Поэтому очень советую поучаствовать и пройти отбор!
Для кого: студенты/выпускники технических специальностей, IT-специалистов с опытом работы в компании или фрилансеров, основателей и сотрудников IT-стартапов.
Зарегистрироваться можно по ссылке 👇🏽❗️
http://russianhackteam.com/
Хочу быть Data Scientist или прокачаться в этой сфере, что делать
Сегодня Data Science - очень трендовая тема, ведь любая компания собирает данные, поэтому за последнее время к этой сфере особенно возрос интерес. Однако, чтобы стать Data Scientist нужны так или иначе знания в этой области.
Какие есть варианты?
🏛ВУЗЫ
⁃ Факультет компьютерных наук в Высшей Школе Экономики
⁃ Факультет инноваций и высоких технологий в МФТИ
⁃ Магистерская программа «Большие Данные» на факультете ВМиК МГУ
⁃ Магистерская программа по большим данным в СПБГУ
Однако вузы занимают достаточно продолжительное время обучения, что и является в данном случае минусом, и не всегда ясно, насколько это обучение может быть полезно.
💡НЕКОММЕРЧЕСКИЕ КУРСЫ ДОПОЛНИТЕЛЬНОГО ОБРАЗОВАНИЯ
Это специальные учебные центры, которые создаются компаниями специально для увеличения кадров на рынке. Однако, чтобы поступить на эти курсы, необходимо сдать определенные экзамены.
Самые известные:
⁃ Школа Анализа Данных «Яндекса» (Срок обучения - 2 года)
⁃ Техносфера Mail.RU и факультета ВМиК МГУ (Срок обучения - 2 года)
⁃ Технопарк Mail.Ru и МГТУ им. Баумана (Срок обучения - 2 года)
⁃ Центр компьютерных наук или Computer Science Center (Срок обучения - 2 года)
⚙️КОММЕРЧЕСКИЕ КУРСЫ
Здесь уже значительно более короткие сроки обучения.
⁃ Курс «Специалист по большим данным» от «Лаборатории Новых Профессий»
⁃ «Школа данных Билайна»
⁃ Изучение профессии Data Scientist при Нетологии (формат онлайн-вебинаров
и очных лекций)
🖥ОНЛАЙН-ОБРАЗОВАНИЕ
Большинство онлайн-курсов англоязычные, однако за последнее время число русскоязычных значительно увеличилось.
Можно выделить:
⁃ Специализация «Машинное обучение и анализ данных» на Coursera
⁃ «Введение в машинное обучение на Coursera»
⁃ «Анализ данных в R» на Stepic
⁃ Курс Эндрю Ына
Помимо курсов есть также митапы, Data Science - тусовки, например, DS-завтраки, конференции и различные интересные лекции и вебинары. Этих мероприятий бесплатные и на них может прийти любой желающий.
Конечно же выбирать вам, что лучше лично для вас, в том числе учитывая все финансовые и временные моменты.
Очень важно отметить, что сегодня сфера аналитики и больших данных не стоит на месте, поэтому постоянно открываются новые возможности, появляются новые курсы и также компании вводят новые должности, которых до этого не было. Так что необходимо всегда обновлять свои знания в данной сфере.
Удачи 💫
Сегодня Data Science - очень трендовая тема, ведь любая компания собирает данные, поэтому за последнее время к этой сфере особенно возрос интерес. Однако, чтобы стать Data Scientist нужны так или иначе знания в этой области.
Какие есть варианты?
🏛ВУЗЫ
⁃ Факультет компьютерных наук в Высшей Школе Экономики
⁃ Факультет инноваций и высоких технологий в МФТИ
⁃ Магистерская программа «Большие Данные» на факультете ВМиК МГУ
⁃ Магистерская программа по большим данным в СПБГУ
Однако вузы занимают достаточно продолжительное время обучения, что и является в данном случае минусом, и не всегда ясно, насколько это обучение может быть полезно.
💡НЕКОММЕРЧЕСКИЕ КУРСЫ ДОПОЛНИТЕЛЬНОГО ОБРАЗОВАНИЯ
Это специальные учебные центры, которые создаются компаниями специально для увеличения кадров на рынке. Однако, чтобы поступить на эти курсы, необходимо сдать определенные экзамены.
Самые известные:
⁃ Школа Анализа Данных «Яндекса» (Срок обучения - 2 года)
⁃ Техносфера Mail.RU и факультета ВМиК МГУ (Срок обучения - 2 года)
⁃ Технопарк Mail.Ru и МГТУ им. Баумана (Срок обучения - 2 года)
⁃ Центр компьютерных наук или Computer Science Center (Срок обучения - 2 года)
⚙️КОММЕРЧЕСКИЕ КУРСЫ
Здесь уже значительно более короткие сроки обучения.
⁃ Курс «Специалист по большим данным» от «Лаборатории Новых Профессий»
⁃ «Школа данных Билайна»
⁃ Изучение профессии Data Scientist при Нетологии (формат онлайн-вебинаров
и очных лекций)
🖥ОНЛАЙН-ОБРАЗОВАНИЕ
Большинство онлайн-курсов англоязычные, однако за последнее время число русскоязычных значительно увеличилось.
Можно выделить:
⁃ Специализация «Машинное обучение и анализ данных» на Coursera
⁃ «Введение в машинное обучение на Coursera»
⁃ «Анализ данных в R» на Stepic
⁃ Курс Эндрю Ына
Помимо курсов есть также митапы, Data Science - тусовки, например, DS-завтраки, конференции и различные интересные лекции и вебинары. Этих мероприятий бесплатные и на них может прийти любой желающий.
Конечно же выбирать вам, что лучше лично для вас, в том числе учитывая все финансовые и временные моменты.
Очень важно отметить, что сегодня сфера аналитики и больших данных не стоит на месте, поэтому постоянно открываются новые возможности, появляются новые курсы и также компании вводят новые должности, которых до этого не было. Так что необходимо всегда обновлять свои знания в данной сфере.
Удачи 💫
Forwarded from ODS Events
Видео докладов секции ML economics:
🔸Алексей Чернобровов – Как подготовить бизнес для Data Science
🔸Павел Мягких – Анализ бизнес-процессов для внедрения ML
🔸Федор Лавреньтев – Как не обанкротиться на машинном обучении
🔸Евгений Лимаренко – Ожидание бизнеса от DS стартапа (в бабках)
https://www.youtube.com/playlist?list=PLXggmPzAxFwp2BmXUpNvekhgITA82f2k3
🔸Алексей Чернобровов – Как подготовить бизнес для Data Science
🔸Павел Мягких – Анализ бизнес-процессов для внедрения ML
🔸Федор Лавреньтев – Как не обанкротиться на машинном обучении
🔸Евгений Лимаренко – Ожидание бизнеса от DS стартапа (в бабках)
https://www.youtube.com/playlist?list=PLXggmPzAxFwp2BmXUpNvekhgITA82f2k3
YouTube
ML Economics (Pain stage 10 мая) - YouTube
This media is not supported in your browser
VIEW IN TELEGRAM
Полезные библиотеки для Data Scientist на 5 разных языках (это не R и не Python):
1️⃣SCALA:
Scala - это современный мультипарадигмальный язык программирования с открытым исходным кодом, созданный Мартином Одерским в 2003 году. Scala означает «Масштабируемый язык». Он разработан, чтобы выразить общие стандарты программирования в краткой, элегантной и безопасной для типов форме.
Top Scala Libraries for Data Science:
⁃ Breeze - https://github.com/scalanlp/breeze
⁃ Vegas - https://github.com/vegas-viz/Vegas
⁃ Smile - https://github.com/haifengl/smile
⁃ DeepLearning.scala - https://github.com/ThoughtWorksInc/DeepLearning.scala
2️⃣JULIA:
Julia – это высокоуровневый высокопроизводительный свободный язык программирования с динамической типизацией, созданный для математических вычислений.
Top Julia Libraries for Data Science:
⁃ DataFrames.jl - https://github.com/JuliaData/DataFrames.jl
⁃ Plots.jl - https://github.com/JuliaPlots/Plots.jl
⁃ ScikitLearn.jl - https://github.com/cstjean/ScikitLearn.jl
1️⃣SCALA:
Scala - это современный мультипарадигмальный язык программирования с открытым исходным кодом, созданный Мартином Одерским в 2003 году. Scala означает «Масштабируемый язык». Он разработан, чтобы выразить общие стандарты программирования в краткой, элегантной и безопасной для типов форме.
Top Scala Libraries for Data Science:
⁃ Breeze - https://github.com/scalanlp/breeze
⁃ Vegas - https://github.com/vegas-viz/Vegas
⁃ Smile - https://github.com/haifengl/smile
⁃ DeepLearning.scala - https://github.com/ThoughtWorksInc/DeepLearning.scala
2️⃣JULIA:
Julia – это высокоуровневый высокопроизводительный свободный язык программирования с динамической типизацией, созданный для математических вычислений.
Top Julia Libraries for Data Science:
⁃ DataFrames.jl - https://github.com/JuliaData/DataFrames.jl
⁃ Plots.jl - https://github.com/JuliaPlots/Plots.jl
⁃ ScikitLearn.jl - https://github.com/cstjean/ScikitLearn.jl
3️⃣JAVASCRIPT:
JavaScript – это мультипарадигменный язык программирования. Поддерживает объектно-ориентированный, императивный и функциональный стили.
Top JavaScript Libraries for Data Science:
⁃ Math.js - https://github.com/josdejong/mathjs
⁃ D3.js - https://github.com/d3/d3
⁃ Tensorflow.js - https://github.com/tensorflow/tfjs
4️⃣SWIFT:
Swift - это открытый мультипарадигмальный компилируемый язык программирования общего назначения. Создан компанией Apple в первую очередь для разработчиков iOS и macOS.
Top Swift Libraries for Data Science:
⁃ Nifty (Demo) - https://github.com/nifty-swift/Nifty-demo
⁃ Swiftplot - https://github.com/KarthikRIyer/swiftplot
⁃ Swift for TensorFlow - https://github.com/tensorflow/swift
⁃ Swift AI - https://github.com/Swift-AI/Swift-AI
5️⃣SPARK:
Spark - фреймворк с открытым исходным кодом для реализации распределённой обработки неструктурированных и слабоструктурированных данных, входящий в экосистему проектов Hadoop.
Top Spark Libraries for Data Science:
⁃ Spark SQL - https://github.com/apache/spark/tree/master/sql
⁃ GraphX - https://github.com/apache/spark/tree/master/graphx
⁃ MLib - https://github.com/apache/spark/tree/master/mllib
⁃ Spark NLP - https://github.com/JohnSnowLabs/spark-nlp
JavaScript – это мультипарадигменный язык программирования. Поддерживает объектно-ориентированный, императивный и функциональный стили.
Top JavaScript Libraries for Data Science:
⁃ Math.js - https://github.com/josdejong/mathjs
⁃ D3.js - https://github.com/d3/d3
⁃ Tensorflow.js - https://github.com/tensorflow/tfjs
4️⃣SWIFT:
Swift - это открытый мультипарадигмальный компилируемый язык программирования общего назначения. Создан компанией Apple в первую очередь для разработчиков iOS и macOS.
Top Swift Libraries for Data Science:
⁃ Nifty (Demo) - https://github.com/nifty-swift/Nifty-demo
⁃ Swiftplot - https://github.com/KarthikRIyer/swiftplot
⁃ Swift for TensorFlow - https://github.com/tensorflow/swift
⁃ Swift AI - https://github.com/Swift-AI/Swift-AI
5️⃣SPARK:
Spark - фреймворк с открытым исходным кодом для реализации распределённой обработки неструктурированных и слабоструктурированных данных, входящий в экосистему проектов Hadoop.
Top Spark Libraries for Data Science:
⁃ Spark SQL - https://github.com/apache/spark/tree/master/sql
⁃ GraphX - https://github.com/apache/spark/tree/master/graphx
⁃ MLib - https://github.com/apache/spark/tree/master/mllib
⁃ Spark NLP - https://github.com/JohnSnowLabs/spark-nlp
GitHub
GitHub - josdejong/mathjs: An extensive math library for JavaScript and Node.js
An extensive math library for JavaScript and Node.js - josdejong/mathjs
анонс_конференций_сентябрь.docx
17.3 KB
💥Теперь в начале каждого месяца мы будем рассказывать о конференциях, митапах, мастер-классах и прочих ивентах по Big Data, Data Science и Machine Learning.
На многие из этих конференций в качестве слушателя можно попасть бесплатно по предварительной регистрации.
В сентябре нас ждут множество событий в Москве, Санкт-Петербурге, Нижнем Новгороде, Екатеринбурге и Франкфурте-на-Майне. Всю информацию вы сможете найти в прикрепленной таблице.
Участвуйте, делитесь опытом и и повышайте свой профессиональный уровень в Big Data Science!
На многие из этих конференций в качестве слушателя можно попасть бесплатно по предварительной регистрации.
В сентябре нас ждут множество событий в Москве, Санкт-Петербурге, Нижнем Новгороде, Екатеринбурге и Франкфурте-на-Майне. Всю информацию вы сможете найти в прикрепленной таблице.
Участвуйте, делитесь опытом и и повышайте свой профессиональный уровень в Big Data Science!
Forwarded from Kantor.AI (Victor Kantor)
Запуск Академии больших данных MADE
В сообществе уже известно, что с июля я работаю в Mail.ru Group. Настало время рассказать, что это значит.
К моим образовательным проектам добавился новый, очень важный для меня проект — Академия больших данных MADE.
Что такое MADE?
Mail.ru Group запускает образовательные программы для специалистов с опытом. Уже запустилась Академия продукт менеджеров.
Последние два месяца большую часть времени я искал преподавателей и уточнял программу для аналогичного (только более продолжительного) проекта для Data scientist’ов, ML и Data инженеров — Академии больших данных.
Длительность программы - 3 семестра (1,5 года), начиная с этого октября, обучение бесплатное.
Что будет в первом семестре?
Первый семестр — «выравнивающий». Он помогает всем подтянуть машинное обучение, алгоритмы и структуры данных и что-то по выбору: либо продвинутые курсы С++/Java/Python от опытных в продакшн-разработке преподавателей, либо прикладную статистику на курсе «Статистические методы анализа данных» Михаила Борисовича Лагутина (автора той самой «Наглядной матстатистики» — она же «книжка с коровой» 🙂
В случае курсов по программированию ожидается, что вы выбираете тот язык, на котором уже умеете писать код, но хотите делать это чуть увереннее и меньше бояться продакшена. Если же вы хотите быть тем аналитиком данных, который не пишет в продакшн… нет, никто не погонит вас вон из профессии, можете просто смело выбирать статистику и прокачиваться в теории 🙂 То же самое вы можете сделать, если в программировании вы уже сами можете учить кого угодно и чему угодно.
В этом одна из важный особенностей Академии больших данных — мы постарались учесть, что у компаний есть потребности в различных специалистах, а у людей бывают разные таланты, и построить процесс так, чтобы дать как можно большему числу людей возможность прокачаться. Кстати, заочное обучение тоже сразу будет. И это я пока рассказал только про первый семестр, а самое интересное будет во втором и третьем: очень много практики, интересные проекты, курсы про то, как делать ML в большой IT компании для сервисов с миллионами пользователей, ну и конечно — бесподобные преподаватели.
Когда живешь каким-то проектом, можешь говорить о нем очень много, но пожалуй не буду стараться запихнуть все мысли в один пост. Просто заходите на data.mail.ru и посмотрите, а чуть позже я еще напишу про отбор в академию, преподавателей, 2-3 семестр, почему Академия больших данных — это очень важный проект для Data Science сообщества и другие интересные вещи.
В сообществе уже известно, что с июля я работаю в Mail.ru Group. Настало время рассказать, что это значит.
К моим образовательным проектам добавился новый, очень важный для меня проект — Академия больших данных MADE.
Что такое MADE?
Mail.ru Group запускает образовательные программы для специалистов с опытом. Уже запустилась Академия продукт менеджеров.
Последние два месяца большую часть времени я искал преподавателей и уточнял программу для аналогичного (только более продолжительного) проекта для Data scientist’ов, ML и Data инженеров — Академии больших данных.
Длительность программы - 3 семестра (1,5 года), начиная с этого октября, обучение бесплатное.
Что будет в первом семестре?
Первый семестр — «выравнивающий». Он помогает всем подтянуть машинное обучение, алгоритмы и структуры данных и что-то по выбору: либо продвинутые курсы С++/Java/Python от опытных в продакшн-разработке преподавателей, либо прикладную статистику на курсе «Статистические методы анализа данных» Михаила Борисовича Лагутина (автора той самой «Наглядной матстатистики» — она же «книжка с коровой» 🙂
В случае курсов по программированию ожидается, что вы выбираете тот язык, на котором уже умеете писать код, но хотите делать это чуть увереннее и меньше бояться продакшена. Если же вы хотите быть тем аналитиком данных, который не пишет в продакшн… нет, никто не погонит вас вон из профессии, можете просто смело выбирать статистику и прокачиваться в теории 🙂 То же самое вы можете сделать, если в программировании вы уже сами можете учить кого угодно и чему угодно.
В этом одна из важный особенностей Академии больших данных — мы постарались учесть, что у компаний есть потребности в различных специалистах, а у людей бывают разные таланты, и построить процесс так, чтобы дать как можно большему числу людей возможность прокачаться. Кстати, заочное обучение тоже сразу будет. И это я пока рассказал только про первый семестр, а самое интересное будет во втором и третьем: очень много практики, интересные проекты, курсы про то, как делать ML в большой IT компании для сервисов с миллионами пользователей, ну и конечно — бесподобные преподаватели.
Когда живешь каким-то проектом, можешь говорить о нем очень много, но пожалуй не буду стараться запихнуть все мысли в один пост. Просто заходите на data.mail.ru и посмотрите, а чуть позже я еще напишу про отбор в академию, преподавателей, 2-3 семестр, почему Академия больших данных — это очень важный проект для Data Science сообщества и другие интересные вещи.
📚Учебный год только начался, но для тех, кто хотел бы обучаться в университетах за границей по профилям Data Science, самое время задуматься о том, в какой вуз вы хотели бы пойти, узнать сроки подачи заявлений и начать собирать необходимые документы.
Есть варианты в Германии, Испании, Франции, Бельгии, Италии и даже Финляндии:
https://www.analyticsindiamag.com/data-science-in-europe-10-masters-programmes-you-can-apply-for/
Есть варианты в Германии, Испании, Франции, Бельгии, Италии и даже Финляндии:
https://www.analyticsindiamag.com/data-science-in-europe-10-masters-programmes-you-can-apply-for/
Analytics India Magazine
Data Science In Europe: 10 Master’s Programmes You Can Apply For
In this article, we are compiling a list of 10 data science programs from a few countries in the Europe
💥Чемпионат по программированию от Яндекс💥
Компания «Яндекс» объявила о старте регистрации участников нового чемпионата по программированию: победителей мероприятия ждут крупные денежные призы.
Чемпионат предусматривает проведение двух раундов. Первый — квалификационный — будет идти с 14 по 20 октября. Второй, финальный, раунд назначен на 26 октября.
Регистрируемся по ссылке и пытаем удачу🌟:
https://yandex.ru/championship/
Компания «Яндекс» объявила о старте регистрации участников нового чемпионата по программированию: победителей мероприятия ждут крупные денежные призы.
Чемпионат предусматривает проведение двух раундов. Первый — квалификационный — будет идти с 14 по 20 октября. Второй, финальный, раунд назначен на 26 октября.
Регистрируемся по ссылке и пытаем удачу🌟:
https://yandex.ru/championship/
Самая популярная мобильная игра: как создавалась «Змейка» для телефонов Nokia и кто такой Танели Арманто 👇
https://m.habr.com/ru/post/467337/
https://m.habr.com/ru/post/467337/
Habr
Самая популярная мобильная игра: как создавалась «Змейка» для телефонов Nokia
Танели Арманто не любит рассказывать людям, что изменил мир. На самом деле я уверен, что если вы не являетесь другом его семьи, то ничего о нём не слышали. Обычно он никогда не рассказывает о своём...
В дополнение к этой статье советуем посмотреть интересное видео, как с помощью генетического алгоритма и глубокого обучения разработчик научил ИИ играть в «змейку». Обратите внимание, уже на 25-ой попытке змейка показывает впечатляющие результаты.
🐍Ссылка: https://www.youtube.com/watch?v=3bhP7zulFfY
🐍Ссылка: https://www.youtube.com/watch?v=3bhP7zulFfY
YouTube
AI learns to play snake using Genetic Algorithm and Deep learning
Using a neural network and the genetic algorithm I trained an AI to play snake.
Time Passing By by Audionautix is licensed under a Creative Commons Attribution license (https://creativecommons.org/licenses/by/4.0/)
Artist: http://audionautix.com/
Time Passing By by Audionautix is licensed under a Creative Commons Attribution license (https://creativecommons.org/licenses/by/4.0/)
Artist: http://audionautix.com/
💸Как не разориться на Data Science💸
Почему 85% Big Data проектов обречены на неудачу и как запустить успешный проект по аналитике данных с привлечением внештатного консультанта – практические рекомендации бизнесу.
Подробнее читайте в статье:
https://chernobrovov.ru/articles/kak-ne-razoritsya-na-data-science.html
Почему 85% Big Data проектов обречены на неудачу и как запустить успешный проект по аналитике данных с привлечением внештатного консультанта – практические рекомендации бизнесу.
Подробнее читайте в статье:
https://chernobrovov.ru/articles/kak-ne-razoritsya-na-data-science.html
Chernobrovov.ru
Как не разориться на Data Science - Алексей Чернобровов
Почему 85% Big Data проектов обречены на неудачу и как запустить успешный проект по аналитике данных с привлечением внештатного консультанта – практические рекомендации бизнесу.