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

С праздником 8 Марта, дорогие девушки! Вы прекрасны каждый день, а не только сегодня🌺🌺🌺

Мы также хотим напомнить, что женщины играют важную роль в области искусственного интеллекта и машинного обучения. Мы гордимся женскими достижениями в этой области и благодарны за ваш вклад в развитие технологий будущего.

Все больше женщин-специалистов успешно работают в сфере машинного обучения и разработки искусственного интеллекта, создавая инновационные решения и продукты.

Пусть ваше вдохновение и талант помогут сделать мир лучше с помощью технологий искусственного интеллекта! С праздником!🌺

@data_work

Сегодня мы начали #DataHack для сотрудников компании Orange по всему миру, с участниками из 18 стран и 5 континентов (какой континент еще отсутствует 🤔?)!

Будет много практики и реальных бизнес-задач, с акцентом на энергетический рынок (что особенно близко мне, поскольку здесь много места для оптимизации и это имеет реальное влияние). Мы будем прогнозировать цены на день вперед.

DataWorkshop, как всегда, отвественные за машинное обучение и создает условия для участников, чтобы они могли получить максимум от машинного обучения.

@data_work

Отдельно нужно рассказать про задачу, связанную с прогнозированием цен на энергию на рынке на день вперед.


В энергетической отрасли "рынок на день вперед" относится к процессу покупки и продажи энергии на фьючерсном рынке с поставкой на следующий день.

1️⃣ Рынок на день вперед позволяет поставщикам и потребителям энергии планировать свое потребление энергии и закупки заблаговременно, основываясь на прогнозируемых рыночных условиях.

2️⃣ Цены на энергию на рынке на сутки вперед определяются спросом и предложением, а также такими факторами, как погода, цены на топливо и доступность инфраструктуры передачи.

3️⃣ Производители и дистрибьюторы энергии используют рынок на сутки вперед, чтобы управлять своими рисками, фиксируя цены на будущие поставки энергии.

4️⃣ Потребители энергии также могут использовать рынок на сутки вперед для управления своими расходами на электроэнергию, покупая ее при низких ценах.

5️⃣ Рынок на сутки вперед - это всего лишь один из нескольких энергетических рынков, которые работают в разные временные рамки и используют разные механизмы ценообразования для облегчения покупки и продажи энергии.

@data_work