Библиотека Pandas - посмотрим что это за медведь🐼

😎На самом деле Pandas - это сокращенное наименование от «Panel Data», на русский язык можно перевести как «Панельные данные».

Pandas - это идеальный инструмент для обработки данных. 
Большинство специалистов Data Science  тратят слишком много времени на очистку, изменение и исследование больших объемов информации.

📈Pandas поставляется с набором инструментов, которые можно использовать для сбора, очистки и анализа информации. При этом данная библиотека позволяет загружать и обрабатывать как структурированные, так и неструктурированные данные.

📊Pandas дает возможность строить сводные таблицы, выполнять группировки, предоставляет удобный доступ к табличным данным, а при наличии библиотеки matplotlib дает возможность рисовать графики на основании данных.

🤩Все вышеописанное делает Pandas фундаментальной библиотекой в изучении Python для Data Science.

📉В отличие от Excel, где тоже широкие возможности для работы с данными, Pandas справится даже с очень большими файлами, в которых сотни тысяч и миллионы строк. Стандартному Excel такое не под силу, как и работа с файлами в формате json — именно в таком формате часто хранятся открытые данные.

А еще Pandas будет первой библиотекой, которую ты загрузишь на марафоне Dwthon💪🏻

А знаешь ли Ты, что применяя закон Парето в своей жизни, можешь достигать бОльшего с меньшими усилиями? 😉
3 июня 2021 в 19:00 по времени трех столиц (Москва, Киев, Минск) я проведу бесплатный вебинар на тему: 
"Как закон Парето работает в реальной жизни и в машинном обучении, чтобы 20% усилий приносили 80% результата".

Ссылка на вебинар: https://www.youtube.com/watch?v=fs9vw6tSyUE

На вебинаре Ты получишь знания в теории, которые будешь использовать на практическом онлайн-марафоне (на всякий случай напоминаю - его старт уже 7 июня).

Также на вебинаре ты узнаешь:
✅  как анализировать свои данные, чтобы извлечь из них максимальную пользу
✅ как добиваться многого при небольших затратах - закон Парето (правило 20/80)
✅ как определять проблемы в проектах машинного обучения , ведь это уже половина дела
✅ как эффективно использовать инструменты Data Science и машинного обучения
✅ как задавать правильные вопросы и находить на них ответы.
До скорой встречи 🙂

Усаживайся поудобнее - через час начинаем вебинар 🚀

До практического онлайн-марафона осталось меньше 5 дней!
Одна из целей сегодняшнего вебинара - подготовить тебя к практическому марафону.

Это далеко не первый практический марафон, который я буду проводить (хоть и первый в русскоязычных странах).  Поэтому уже знаю, что сегодняшний вебинар поможет тебе быть более эффективным и продуктивным на онлайн-марафоне. А это очень важно!☝️

Вторая цель вебинара - показать, что закон Парето работает в жизни каждого. И важно не просто знать о существовании закона, но и применять его на практике, тем самым правильно распределять свои ресурсы.

Жду тебя!🙂

https://www.youtube.com/watch?v=fs9vw6tSyUE

Во вчерашней презентации была описка "6% продуктов дают 50% процентов дохода", а не 80%. Спасибо, что внимательно следите🙂

Все коммуникации во время онлайн-марафона будут проходить в Slack.
ВАЖНО:
1️⃣ Если ты до этого не был знаком с данным мессенджером - ничего страшного. Ниже указана ссылка по которой можно присоединиться к сообществу в Slack.
https://join.slack.com/t/dataworkshop-ru/shared_invite/zt-qv4hfwx3-1IMofo5fLM96GimM~krVaw
2️⃣ Удобнее будет скачать и использовать приложение Slack. Если у тебя его нет - ссылка, что указана выше, перенаправит тебя в браузер.
3️⃣ Видеоинструкция по работе в Slack - обязательно посмотри - https://youtu.be/tjiO3XfvBk0
4️⃣ Также прикрепляем инструкцию по Slack в виде pdf файла  (упор в ней сделан на первый день марафона)

👉Мы подготовили подробную пошаговую инструкцию "Правила игры" для участия в онлайн-марафоне DWthon.

В ней описаны важные организационные моменты и правила для всех участников марафона.

Также в данной инструкции описаны действия, которые помогут добавиться в Slack.💪🏻

Обязательно для ознакомления‼️

Онлайн-марафон Dwthon завершен 🎉 🏁. В прикрепленном файле можно посмотреть - какие навыки получили наши участники, которым удалось пройти все 5 дней марафона.
А совсем скоро откроется запись на онлайн-мастер-класс по прогнозированию цен на жилье в Москве.

DataWorkshop запускает новый практический онлайн-интенсив: “Прогнозирование цен на квартиры в Москве с помощью инструментов Machine Learning 🦾”

Старт 3 июля, тренироваться будем 2 дня.

Важно - количество бесплатных мест, в этот раз, сильно ограничено - их всего лишь 100! 😱
А тема мастер-класса очень интересная 💥

Регистрируйся прямо сейчас, чтобы успеть забронировать место для себя - https://bit.ly/3gwDJZa

Во время мастер-класса:

✅ Ты получаешь идеальные условия для приобретения практических навыков в инструментах ML, на реальном примере.
✅ Ты получаешь доступ к авторским материалам от Владимира.
✅ Ты тренируешь свою модель машинного обучения.
✅ Ты анализируешь необработанные и реальные данные.
✅ Ты получаешь результат.
✅ Ты отрабатываешь полученные навыки в реальном конкурсе Kaggle.

Это не говоря о крутом окружении, которое уже сформировалось в Slack ❤️

Надеюсь, что теперь не осталось сомнений о необходимости принять участие в нашем интенсиве 😉 . Жду тебя!

🧠 Недавно завершился наш мастер-класс по прогнозированию цен на недвижимость в Москве.
Надеемся, что соревнование во время мастер-класса внесло свою изюминку, а дух соперничества (в хорошем смысле этого слова) мотивировал каждого участника улучшать свой результат 💪
🔥 Уже завтра, 8 июля в 19-00 по Москве, Киеву, Минску (в 18-00 по Варшаве) Владимир проведет вебинар с участниками из ТОП 5, которые поделятся своим опытом и расскажут, как им удалось добиться таких результатов.
А также будет важная информация от Владимира, которую нельзя пропускать 😉
Ссылка на трансляцию вебинара здесь https://bit.ly/3wkuwI1
Ждем Тебя, чтобы раскрыть все секреты 🧙

Вчера участники с результатом из ТОП 5 поделились своим опытом и рассказали, как им удалось добиться таких результатов (спасибо им огромное за это 🙏)

Владимир также делился советами из своего большого практического опыта 💪

Если у Тебя вчера не получилось присутствовать во время живого вебинара - его можно посмотреть в записи https://bit.ly/3wkuwI1

🤖 Достижения, связанные с применением искусственного интеллекта (ИИ), поражают воображение. А задач, которые ИИ решает лучше человека, с каждым годом становится все больше.

Кейс из опыта DataWorkshop - наш студент перешел из профессионального игрока в покер на сторону создания ИИ 🦾

Сменить деятельность он решил после того, как в 2017 году узнал, что уже существует система ИИ - Libratus, которая одержала победу над лучшими профессионалами мира по игре в покер, опередив их со статистической значимостью в 99,98%.

🧐 И тут было над чем подумать - ведь игра в покер была единственным источником дохода для его семьи.

Сверхсила ИИ в том, что он умеет быстро искать лучшие комбинации среди миллионов вариантов, по определенным правилам, установленным людьми.

Хотя покер - это всего лишь игра, достижения Libratus нельзя недооценивать. Раньше блеф, переговоры и теория игр были недоступны для искусственных агентов, но все кардинально меняется, теперь ИИ используется для многих реальных сценариев.

🤖 👩 👨Вскоре за столом переговоров могут оказаться не только люди.

Искусственный интеллект – одно из ключевых направлений развития науки во всем мире. Область его применения, конечно, не ограничивается играми – скорее, это начальная точка для новых способов применения ИИ в реальной жизни.

💪 Сейчас наш студент работает Data Scientist-ом.
У него не было ни малейшего технического опыта. И даже создание и использование переменной для него казалось недостижимым космосом.

Но его целеустремленность + наши знания и опыт привели его к успеху 🥳

Это лишний раз доказывает, что нет ничего невозможного, было бы желание. А для остального есть обучающие программы от DataWorkshop 😉

6 самых странных корреляций

🔗 Корреляции ( ​correlation) - это связь между двумя переменными.
Машинное обучение хорошо “ловит” корреляции (НЕ причинно- следственные связи).

🤖 При этом важно понимать, что корреляция НЕ подразумевает причинно-следственной связи.

🧐 И это очень важно учитывать в машинном обучении - иначе можно ввести себя и других в заблуждение.

😀 Вот несколько забавных примеров корреляций:

❌ 1. Потребление мороженого ведет к убийству.
❌. 2. Пиратская нехватка привела к глобальному потеплению.
❌ 3. Использование Internet Explorer ведет к убийству.
❌ 4. Импорт мексиканских лимонов предотвращает гибель людей на дорогах.
❌ 5. Ожирение стало причиной долгового пузыря.
❌ 6. Facebook стал причиной долгового кризиса Греции.