Как ускорить свое развитие в области Data Science/Machine Learning? Где искать практические знания, которые помогут и собеседование успешно пройти, и облегчить/улучшить работу? 🤔

Предлагаю узнать это из очередного выпуска подкаста BIZNES MYŚLI, куда я пригласил выпускников своего авторского курса по Data Science.

Все выпускники из этого подкаста работают в IT, но на разных позициях:
✔️ Data Scientist
✔️ Руководитель IT отдела
✔️ Программист

Рекомендую узнать мнение и опыт каждого, ведь все они практики.

Прочитать статью на русском языке можно ЗДЕСЬ.

@data_work

Новогодняя распродажа авторских курсов по Data Science.
Скидки до 50%

Обучаем с 2017 года
1500+ довольных студентов


🎁🎁🎁Если еще не выбрали подарок для близких - вы знаете что делать.
А самое главное сделайте подарок себе - инвестиции в образование окупаются многократно!

Купить курсы со скидкой можно ЗДЕСЬ.

Акция продлится до 7 января.

@data_work

Последние новости из мира Python 🐍:

✔️ Python (согласно индекса TIOBE) по-прежнему занимает лидирующую позицию и популярность его растет.

✔️ В октябре этого года был релиз версии 3.11 для Python, но ​​Python продолжает свое развитие и уже запущена первая alpha версия 3.12.

В этой версии:
- Сообщения об ошибках станут еще более информативными. Особенно это полезно будет для новичков - будут не просто сообщения об ошибках, но и подсказки.
- Будет прекращена поддержка старых модулей, функций и классов
- Поддержка Linux perf profiler и др.

✔️ Будьте осторожны с загрузкой сторонних пакетов для Python. Вы можете случайно сделать опечатку в имени пакета и тем самым загрузить вредоносное ПО 😱

✔️ Этим летом Microsoft сделала общедоступным GitHub Copilot, который пытается сгенерировать код на основании написанного вами комментария. Замысел этой технологии - сделать разработчиков более счастливыми 🙂

@data_work

В продолжение рассуждений о том, как работает наш мозг и его связь с машинным обучением.

Сразу скажу, что никто не знает как работает мозг человека, но люди активно пытаются за ним наблюдать и есть некоторые предположения, что мы что-то понимаем, хотя правильнее сказать - замечаем как внешние наблюдатели 👀.



Одна особенность мозга (как он обучается) - там нет финишной точки, нет такого состояния, что если чему-то научился, то задача решена. Обычно здесь включается механизм сохранения энергии (т.е. лень) и тогда обучение может замедляться, но если мы стимулируем мозг (про это нужно отдельно сказать), то мозг постоянно пробует познавать мир.


И здесь есть некое кардинальное отличие, особенно когда мы сравниваем это с классическим программированием (и “массовым подходом” к машинному обучению). Что я имею в виду?


В IT задачи сводятся к конкретной галочке, например в Jira, и когда задача решена, к ней уже не возвращаются и нужно бежать дальше 🏃‍♀️🏃‍♂️.


А представь теперь другой мир и другой подход. Например, мозгу нужна функциональность как память. Хорошо бы было помнить что произошло вчера, позавчера или год назад. И мы это часто называем памятью, но подвох заключается в том, что память разная.



И я сейчас не только про краткосрочную или долгосрочную. Давай возьмем просто долгосрочную память, например, что-то что произошло год или несколько лет назад. Оказывается, у нас мозг научился запоминать по-разному, в зависимости от события. Это все равно , что у нас в голове одновременно два или более журналиста, которые записывают (и каждый по-своему) ту же самую реальность.



🤖 Как это связано с машинным обучением и может быть полезно?


Во-первых, одна из вещей, которую я очень рекомендую, это любознательность, т.е. постоянно пробовать решать задачу по-разному. Это полная противоположность к тестовому подходу. Когда есть одно правильное решение и однозначная завершенность (если интересно, раскрою тему более подробно как я об этом думаю).


Во-вторых, изучая машинное обучение, очень важно активировать “правильного журналиста”, чтобы знания “легли правильно”. Иными словами, просто читать (и даже умные и правильные вещи) - мало, нужно прожить этот опыт, чтобы были эмоции, радость. Например поэтому на курсе кроме твердых фактов, так много уделяется внимания вовлеченности и эмоциональному состоянию. Я самоучка и мои выводы по поводу того, как обучаться правильнее , я делаю на основании большого количества экспериментов и смотрю - что работает лучше.




В-третьих, в машинном обучении важно пробовать решить задачи разными способами и даже часто можно их объединить, чтобы еще больше улучшить качество. Наш мозг давно это понял и постоянно находится в состоянии где-то между массой разных систем и общим консилиумом для принятия решения (хотя, что интересно, у каждого из нас это работает по-разному). Но что еще более интересно, чем лучше мы понимаем как работает наш мозг, тем лучше можем его подстроить под нас (в машинном обучении мы это называем тюнингом модели).



Поддержи 🔥, буду дальше делиться мыслями и идеями, как можешь активировать себя (и даже если это не машинное обучение).

13 февраля стартует мой авторский курс "Практическое введение в Python для Data Science".


По этой ССЫЛКЕ можно получить бесплатный пробный урок (в виде статьи) + пошаговое видео с моими объяснениями.


Уже с первых уроков курса пишешь код самостоятельно.
Получаешь доступ к готовому окружению (ничего устанавливать не нужно) и обучаешься в своем ритме.


В комфортной обстановке (получаешь поддержку и ответы на вопросы) движешься к своей цели - а мы поможем.


Доступна оплата в рассрочку. Для этого (и по любым другим вопросам) нужно просто написать на hello@dataworkshop.ru

@data_work

В последнее время много говорится про  ChatGPT. Как и любые новинки это проходит определенные фазы.

Возможно знаешь про эффект Даннинга - Крюгера? ChatGPT тоже через него проходит.

1. 🥳 Сразу была фаза - ChatGPT может ответить на все мои вопросы. Наконец-то с чатботом можно пообщаться как с человеком.
2. 🤔 Хотя нет… там просто очень большая модель обученная на большом корпусе текстов.
3. 😭 Хм… наверное все еще хуже и не всегда отвечает правильно. К тому же она не так быстро переключается между контекстами.
4. 😉 Ну ладно… я могу и это простить, все таки что-то полезное умеет делать.
5. 😘 Даже если так на спокойно посмотреть, то ChatGPT умеет даже очень много чего и может быть полезным.


Хочешь больше про ChatGPT? Поддержи огоньком 🔥.

Пример как можно “доучить” ChatGPT чтобы 2 + 2 = 5 😱


Все старое актуально - с кем поведешься, от того и наберешься 🥳

Кстати, не очевидная мораль сего в том числе касается и тебя - окружай себя правильными людьми (а то научат всякой ерунде) ❤️

Существует множество ситуаций, когда бизнесу необходимо прогнозировать значения во времени (!), например, прогнозирование:

✔️спроса/продаж
✔️оттока клиентов
✔️количество звонков в call центр
✔️количества аварий
✔️стоимости на классических или даже криптовалютных биржах
✔️загрязнения воздуха
✔️динамического ценообразования
возникновения заболеваний

Я хотел бы пригласить Тебя на мой авторский курс "Практическое прогнозирование временных рядов" на языке Python. Мы начинаем в понедельник 20 февраля 🙂 .

👉 Курс по Time Series (временные ряды)
Как обычно, будет много практики.

👉 Вот примерный список задач, которые мы будем решать:
✔прогнозирование спроса на продукцию для сети магазинов (900k+ покупателей, 2.5k+ уникальных товаров, ~1k магазинов)

✔прогнозирование продаж для сети магазинов (общий объем продаж 5 млрд+, 1.1k+ магазинов, 4k+ покупателей)

✔прогнозирование спроса на энергию в Польше (реальные данные)

✔прогнозирование цен на топливо в Германии (реальные данные)
и многое другое

👉 Узнаешь о таких алгоритмах, как:

✔SeasonalNaive (например, мы возвращаем то, что было год назад)
ARMA, ARIMA, SARIMA

✔Exponential Smoothing, т.е. модели (Browna, Holta, Wintersa)

✔Generalized additive model (GAM)
✔Boosting model (+ inżynieria cech dla szeregów czasowych)

✔Deep Learning: LSTM

👉 Узнаешь о самых важных библиотеках, связанных с временными рядами.

@data_work