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

В декабре прошлого года у нас была встреча - Shell Data Science Meetup.

Если вы пропустили онлайн-встречу, то запись доступна по ЭТОЙ ССЫЛКЕ

Материал может заинтересовать как новичков, так и тех, кто уже продвинулся в этой области, и включает интересные примеры использования Data Science в бизнесе.

На этой встрече я рассказал о ключевых ошибках по работе в Data Science.

Также на встрече сотрудники из Shell делились своим опытом, советами и рассказывали о проблемах, с которыми столкнулись в коммерческих проектах.

@data_work

Помогу Тебе лучше понять пост, который был выше.
Потому что скорее всего усвоить главную мысль, которую я пытался донести, не так легко, по нескольким причинам:

1️⃣ Выступление было на английском
2️⃣У меня был сжатый формат - на выступление отводилось только 10 минут
3️⃣ Если ты никогда с этим не сталкивался(лась), то сложно уловить важные мелочи, на которые я пытаюсь обратить внимание.

Что я имею в виду - нужно понимать, что большинство мелочей в нашей жизни не имеет смысла. Но есть такие мелочи, которые критически важны.

Например, в первом пункте своего выступления я пытался донести такую мысль, что работая специалистом в Data Science, нужно понимать бизнес. Но парадокс заключается в том, Data Scientist-ы никогда не поймут людей из бизнеса и то же самое в обратную сторону. И это факт, но им нужно как-то совместно "жить".

При это все-таки специалистам по данным очень важно понять бизнес. Только вопрос - как? Если физически это невозможно 🙃 - они живут в разных мирах. Я же пытался донести идею, что необходимо создать некий общий язык. И сейчас опять важно - это не значит называть теми же самыми словами разные вещи, а именно создать что-то общее.

Как вариант - дашборд. Например, если анализируем отток клиентов, то нужно создать один простой дашборд с простым графиком и там значение либо увеличивается, либо уменьшается. И когда мы оцениваем качество решения, с двух сторон, то мы смотрим на тот же самый график.

Это очень важная мысль, потому что часто когда бизнес разговаривает с Data Scientist-ами, то они вроде бы и произносят одинаковые слова - "отток клиентов", но каждый из них подразумевает вообще разные вещи.

Это та мелочь, которая очень критичная и которую важно понимать для того, чтобы создать такие условия, когда люди с разными ролями смотрят на то же самое и понимают это одинаково.

И даже если у них в головах возникают разные мысли, то по факту они видят тот же самый график. Это по крайней мере увеличивает шанс, что 2 разных мира как-то встретятся, хотя бы на чуть-чуть.

Это по поводу первого пункта в моем выступлении. Если хочешь объяснения 2 других, то поставь 🔥
@data_work

В эпоху Industry 4.0 мы являемся свидетелями серьезных изменений в способах осуществления производственных процессов. Внедрение AI/ML превратило традиционное производство в умное производство, открыв новые возможности и перспективы для бизнеса.

В основе этой трансформации лежит сила AI/ML. Эти технологии революционизируют способы взаимодействия с машинами и позволяют им разумно адаптироваться. Используя возможности AI/ML, производители могут создавать полностью интегрированные, кооперативные структуры, способные в режиме реального времени реагировать на требования и ситуации на "умной фабрике", в сети поставок и на ожидания клиентов.

Одним из ключевых факторов, делающих AI и ML столь важными в Industry 4.0, является уникальный режим взаимодействия между человеком и машиной. Используя AI, мы можем создавать интеллектуальные машины, которые учатся у человека и принимают решения на основе данных и анализа.

Преимущества AI и ML в Industry 4.0 многочисленны. Они позволяют машинам общаться друг с другом и с заводскими системами, обеспечивая анализ данных и принятие решений в режиме реального времени.

Они также обеспечивают цифровые возможности, которые расширяют возможности машин и сетей поставок для реагирования в режиме реального времени. Это приводит к повышению эффективности, гибкости и маневренности производственных процессов.

Как руководителям и лидерам бизнеса, важно начать думать о том, как можно использовать эти технологии для получения конкурентного преимущества в своей отрасли.

Скоро я расскажу больше (а также будут примеры из практики DataWorkshop).

Вкратце:
1️⃣AI и ML превратили традиционное производство в интеллектуальное производство, открыв новые возможности для бизнеса в Индустрии 4.0.

2️⃣ Уникальный режим взаимодействия между человеком и машиной делает AI и ML важными в Индустрии 4.0.

3️⃣ Как руководителям предприятий, важно начать думать о том, как использовать эти технологии для получения конкурентных преимуществ и стимулирования роста вашего бизнеса.

@data_work

Спросили у ChatGPT - будут ли востребованы специалисты с навыками Machine Learning - ответ на фото 😉

Не знаем как вы, а мы ответу не удивлены 😎

Объемы данных растут в геометрической прогрессии и тот, кто умеет с ними работать, извлекать из них пользу, давая бизнесу ценность, будет очень востребован.

А мы помогаем получить эти навыки.

6 марта стартует наш практический курс по Data Science. Чего ожидать от курса:
👉 практику с первых же уроков
👉 опыт по работе на реальных данных
👉 готовое окружение с доступом 24/7
👉 дополнительная помощь - пошаговые видео
👉 конкурс в Kaggle
👉 итоговые вебинары для каждого модуля курса
👉 доступ к закрытой группе в Slack
👉 поддержка во время обучения и ответы на все вопросы и др.

Присоединяйся

@data_work

🤔 Тебе интересно, как на Индустрию 4.0 влияет AI/ML? В этом посте мы рассмотрим несколько реальных примеров того, как компании используют AI/ML для улучшения своей деятельности и сохранения лидерства в конкурентной борьбе Индустрии 4.0.


1️⃣ GE Aviation использует AI/ML для прогнозирования необходимости технического обслуживания своих авиационных двигателей. Анализируя данные с датчиков, встроенных в двигатели, они могут обнаруживать аномалии и предсказывать, когда потребуется техническое обслуживание, предотвращая дорогостоящие незапланированные простои.

2️⃣ Компания Rio Tinto внедрила систему на основе AI/ML для оптимизации своей горнодобывающей деятельности. Система использует алгоритмы машинного обучения для анализа данных с датчиков, встроенных в горнодобывающее оборудование, и предсказывает, когда потребуется техническое обслуживание, сокращая время простоя и повышая эффективность.

3️⃣ Компания Siemens разработала систему на основе AI/ML, которая использует алгоритмы машинного обучения для анализа данных с ветряных турбин. Система может определить, когда компонент начинает выходить из строя, и предсказать, когда потребуется техническое обслуживание, повышая эффективность и сокращая время простоя.

4️⃣ Компания Bosch разработала AI/ML для анализа данных о вибрации промышленного оборудования. Система может определить, когда машина начинает выходить из строя, и предсказать, когда потребуется техническое обслуживание.

5️⃣ Компания ABB разработала систему AI/ML для анализа данных с оборудования электросетей. Система может обнаружить, когда компонент начинает выходить из строя, и предсказать, когда потребуется техническое обслуживание, повышая надежность и сокращая время простоя.

6️⃣ Shell внедрила систему предиктивного обслуживания на основе ИИ на своем заводе по производству сжиженного природного газа (СПГ). Система использует алгоритмы машинного обучения для анализа данных с датчиков и прогнозирования необходимости проведения технического обслуживания, что позволяет сократить незапланированные простои и оптимизировать эффективность работы завода.

7️⃣ Компания Thyssenkrupp внедрила систему на основе AI/ML, которая использует датчики для сбора данных о состоянии лифтов и эскалаторов. Система анализирует эти данные, чтобы предсказать, когда потребуется техническое обслуживание, сокращая время простоя и повышая безопасность.

8️⃣ BMW использует AI/ML для оптимизации операций цепочки поставок. Система анализирует данные из различных источников для прогнозирования спроса, оптимизации запасов и повышения общей эффективности.

Эти примеры демонстрируют широкий спектр применения AI/ML в Индустрии 4.0 - от предиктивного обслуживания (в различных отраслях, включая производство, добычу полезных ископаемых и энергетику) до оптимизации цепочки поставок и контроля качества продукции.

Используя возможности AI/ML, компании могут оставаться впереди в быстро развивающемся ландшафте Индустрии 4.0 и повышать общую эффективность своей деятельности.

@data_work