Мы регулярно проводим различные интенсивы по машинному обучению.
Для некоторых из них добавляем возможность поучаствовать в конкурсе на Kaggle 💪.
Участие в соревнованиях на Kaggle может быть крутым по многим причинам.

Вот несколько из них:

Решение реальных проблем: соревнования на Kaggle, организованные DataWorkshop, посвящены решению реальных проблем в различных областях, таких как медицина, финансы, транспорт, энергетика и т.д. Участие в таких соревнованиях дает возможность получить навыки для решения важных проблем.


Расширение своей сети контактов: можно познакомиться с другими участниками и экспертами в области, что может привести к новым возможностям работы и сотрудничества.


Обучение на реальных задачах: участие в соревнованиях на Kaggle дает возможность применить знания и навыки, полученные из учебных материалов, на реальных задачах. Это помогает лучше понять, как применять свои знания на практике и решать реальные проблемы.


Быстрый прогресс и обучение: участие в соревнованиях на Kaggle требует от участников решения задач в ограниченные сроки. Это стимулирует к активной работе и быстрому прогрессу в изучении новых методов и технологий.


Узнавание лучших практик: на Kaggle можно наблюдать и изучать работы лучших участников. Это позволяет узнать о лучших практиках и методах, применяемых в индустрии, и применять их в своих проектах.


Возможность показать свои навыки: участие в успешном соревновании на Kaggle может стать отличным способом продемонстрировать свои навыки и достижения потенциальным работодателям.


Kaggle - это платформа, которая собирает сообщество профессионалов, создавая возможности для участия в захватывающих проектах и развития в данной области.
После завершения конкурса мы делимся с другими участники лучшими решениями, которые попали в ТОП 5.

По ЭТОЙ ссылке можно посмотреть итоговый вебинар с участниками, результаты которых попали в ТОП 5 на конкурсе по прогнозированию цен на недвижимость (конкурс мы проводили ранее).

@data_work

У нас стартовал конкурс на Kaggle 🥳 Цель - научиться прогнозировать цены на энергию на следующий день с помощью ML/AI.

У нас уже 25 человек на борту 💪: https://www.kaggle.com/competitions/energy-price-prediction/leaderboard.

Завтра (в среду, 17 мая) в 13:30 (по Минску, Киеву, Москве) Владимир проведет вебинар, на котором:
✅подробно объяснит материал, предусмотренный для конкурса
✅покажет код для создания полезных графиков
✅вдохновит, замотивирует и многое другое 😎

Вебинар будет доступен для всех и останется в записи.
Ссылка для присоединения к вебинару здесь - https://bit.ly/4593giv

@data_work

Как решать реальные бизнес-проблемы с помощью ML/AI?Разберем сегодня на вебинаре на примере прогнозирования цен на энергию 😎

Начинаем через час - https://www.youtube.com/watch?v=yBP9nC7xly0

Вебинар останется в записи, но намного лучше быть с нами онлайн 🙂

Ты знаешь, что в Китае (и не только), например, искусственный интеллект “следит за Тобой” даже если Ты просто ходишь по торговому центру?

А если Ты не высыпаешься, то не удивляйся, что Тебя “догонит” реклама с матрасами о здоровом сне 😎

На основании подкаста Бизнес Мысли вышла очередная статья с интересным гостем - Камилем.

Камиль работает Data Scientist-ом. В подкасте он поделился своим практическим опытом работы в японской и китайской компаниях.

Тема подкаста - MACHINE LEARNING ENGINEER – КАРЬЕРА, ВЫЗОВЫ, ВОЗМОЖНОСТИ.

Краткое содержание:
🤖Machine Learning Engineer vs Программист
🤖Вызовы
🤖Машинное обучение на практике - пример из Китая
🤖Машинное обучение - с чего начать?
🤖Будущее машинного обучения

Полную статью можно прочитать по ЭТОЙ ссылке.

@data_work

📊 Практический пример использования статистики: A/B-тестирование в маркетинге

Представь себе ситуацию: Ты являешься маркетологом в компании, и Тебе нужно принять решение о том, какой дизайн веб-сайта привлечет больше пользователей к покупке продукта. Вместо того чтобы решать этот вопрос наугад или основываться на субъективных предположениях, можешь использовать статистику и провести A/B-тестирование.

Вот как это работает:
1️⃣ Шаг 1: Создание гипотезы
Сформулируй гипотезу о том, что изменение дизайна веб-сайта может повлиять на конверсию. Например, можно предположить, что изменение цвета кнопки "Купить сейчас" с красного на зеленый увеличит количество пользователей, совершающих покупку.

2️⃣ Шаг 2: Разделение аудитории
Раздели свою аудиторию на две группы: контрольную группу (A) и экспериментальную группу (B). Обе группы должны быть репрезентативными и иметь одинаковое количество пользователей.

3️⃣ Шаг 3: Применение изменений
Примени изменение, которое хочешь протестировать (например, изменение цвета кнопки) к экспериментальной группе (B). Контрольная группа (A) остается без изменений и служит базовым показателем для сравнения.

4️⃣ Шаг 4: Сбор данных
Собирай данные о поведении пользователей в обеих группах. Это может включать количество посещений, время пребывания на сайте, количество совершенных покупок и другие метрики, которые отражают цель эксперимента.

5️⃣ Шаг 5: Анализ результатов
Примени статистические методы, например, t-тест, чтобы определить, есть ли значимые различия в поведении пользователей между контрольной группой (A) и экспериментальной группой (B). Если различия являются статистически значимыми, это указывает на то, что изменение дизайна действительно влияет на поведение пользователей.

6️⃣ Шаг 6: Принятие решения
На основе результатов A/B-тестирования можно принять решение о внедрении изменения дизайна на основе статистических данных. Если изменение оказало положительное влияние на конверсию, можно внедрить его для веб-сайта.

A/B-тестирование является лишь одним из множества примеров использования статистики в бизнесе. Оно позволяет принимать решения на основе фактов и данных, минимизируя субъективность и повышая эффективность маркетинговых стратегий.

Используй статистику в своей работе, чтобы принимать обоснованные решения и достигать лучших результатов!

#Статистика

📊💉 Пример практического использования статистики в медицине: Анализ распределения лекарственной реакции 💉📊

Статистика играет важную роль в медицине, помогая нам понять и анализировать данные о лекарственных реакциях. Рассмотрим конкретные методы статистики, которые используются для анализа распределения лекарственной реакции.

📈 Шаг 1: Сбор данных
Собираются данные о лекарственной реакции пациентов. Эти данные могут включать различные параметры, такие как интенсивность реакции или продолжительность симптомов.

✅ Количественные и категориальные переменные:
Данные о лекарственной реакции могут быть количественными или категориальными. Количественные переменные представляются числами, например, интенсивность реакции. Категориальные переменные относятся к определенным категориям, например, тип реакции (аллергическая, побочный эффект и т. д.).

🔎 Шаг 2: Анализ распределения
✅ Нормальное распределение и распределение с длинным хвостом:
Статистический анализ может помочь определить, имеет ли распределение лекарственной реакции нормальное распределение или распределение с длинным хвостом. Нормальное распределение характеризуется симметрией и куполообразной формой, в то время как распределение с длинным хвостом имеет тяжелые хвосты и несимметричную форму.

✅ Визуализация:
Для визуального анализа распределения лекарственной реакции можно использовать гистограмму или блочную диаграмму (boxplot). Гистограмма помогает увидеть, как часто встречаются различные значения реакции, а блочная диаграмма позволяет оценить медиану, квартили и выбросы.

📊 Шаг 3: Показатели распределения
✅ Среднее значение, медиана, процентиль:
Статистические показатели, такие как среднее значение, медиана и процентиль, используются для измерения центральной тенденции и разброса значений лекарственной реакции. Среднее значение показывает среднюю интенсивность реакции, медиана указывает на значение, разделяющее верхнюю и нижнюю половины данных, а процентили позволяют оценить долю пациентов, у которых реакция превышает определенную интенсивность.

✅ Параметры асимметрии:
Показатели асимметрии, такие как скошенность (skewness), используются для определения формы распределения лекарственной реакции. Положительная скошенность указывает на правостороннюю асимметрию, когда хвост распределения находится справа от пика, а отрицательная скошенность означает левостороннюю асимметрию.

💊 Шаг 4: Интерпретация результатов
На основе анализа распределения лекарственной реакции, медицинские эксперты могут сделать выводы о характере и степени реакции на лекарство. Это позволяет лучше понимать эффективность и безопасность лекарства для пациентов.

👩‍⚕️👨‍⚕️ Использование статистических методов в анализе лекарственной реакции помогает медицинским специалистам принимать обоснованные решения и улучшать лечение для пациентов. Это еще один пример того, как статистика играет важную роль в медицине и помогает нам лучше понять данные о здоровье и лекарственной терапии. ❤️

#статистика

📊✨ Необычное применение t-теста в бизнесе! 🚀🔬

Сегодня я хочу рассказать о способе использования статистического инструмента - t-теста в мире бизнеса. Как t-тест помогает компаниям принимать смелые решения на основе данных!

🔬🔍 Что такое t-тест?
T-тест - это статистический тест, который используется для сравнения средних значений двух групп и определения, насколько значимы различия между ними. Он дает возможность выявить скрытые секреты в данных и принять обоснованные решения на основе фактов!

💡📈 Примеры использования t-теста в бизнесе:
1️⃣ Проектирование упаковки: Представь, что Ты работаешь в компании, которая производит продукты, и Тебе необходимо решить, какая упаковка будет более привлекательной для потребителей. С помощью t-теста можешь сравнить реакции и предпочтения потребителей на две разные упаковки и определить, есть ли статистически значимая разница в их предпочтениях. Таким образом, сможешь выбрать наиболее привлекательную упаковку для вашего продукта.

2️⃣ Оптимизация ценообразования: T-тест может быть полезным инструментом при определении оптимального ценообразования. Представь, что у Тебя есть два варианта ценообразования для продукта: более высокая цена с большей прибылью или более низкая цена с большим объемом продаж. С помощью t-теста можешь сравнить средние значения прибыли между этими двумя вариантами и определить, какой вариант статистически более выгоден для вашего бизнеса.

3️⃣ Исследование удовлетворенности клиентов: Тебе интересно, влияют ли изменения в качестве обслуживания на удовлетворенность клиентов. С помощью t-теста сможешь сравнить средние оценки клиентов до и после внесения изменений и выявить, есть ли статистически значимое улучшение.

4️⃣ Оценка эффективности новой стратегии: Ты разрабатываешь новую стратегию управления проектами и хочешь узнать, насколько она лучше предыдущей. T-тест позволит сравнить среднее время выполнения проектов между двумя стратегиями и определить, является ли новая стратегия статистически значимым улучшением.

📈💼 Вот они, реальные примеры использования t-теста в бизнесе! Этот инструмент позволяет делать обоснованные решения на основе данных, оптимизировать свою деятельность и достигать новых успехов. Взлетай выше, используя статистику в своем бизнесе! 💥🚀

#Статистика

🚩 Осторожно! Популярные ловушки при проведении A/B-тестов! 🧪💥

🔎 A/B-тестирование - это мощный инструмент для оптимизации Твоего продукта или сайта. Однако, несмотря на свою популярность, многие команды все еще совершают ошибки, которые могут исказить результаты и препятствовать принятию правильных решений. Давай рассмотрим некоторые популярные ошибки и узнаем, как их избежать!

🔴 Ошибка 1: Недостаточный объем данных
Пожалуй, одна из наиболее распространенных ошибок - недостаточный объем данных для анализа. Помни, что статистическая значимость достигается при наличии достаточно большой выборки. Поэтому убедись, что Твой тест запущен на достаточно большой аудитории, чтобы получить достоверные результаты.

🔵 Как избежать: Проанализируй предварительные данные и определи необходимый объем выборки, чтобы обнаружить значимые различия. Увеличь выборку, если это необходимо, или рассмотри возможность продолжения теста на более длительный период.

🔴 Ошибка 2: Множественное сравнение
Если проводишь несколько A/B-тестов одновременно без коррекции на множественное сравнение, рискуешь получить ложно-положительные результаты. Каждый дополнительный тест увеличивает вероятность того, что найдется статистически значимое различие случайно.

🔵 Как избежать: Используй поправку Бонферрони или другие методы коррекции на множественное сравнение. Ограничь количество одновременно проводимых тестов и убедись, что принимаешь решения на основе совокупных результатов, а не только на одном тесте.

🔴 Ошибка 3: Некорректное разделение аудитории
Разделение аудитории на группы должно быть случайным и сбалансированным. Неправильное разделение может привести к систематическим искажениям результатов, если, например, одна группа получает более сложные условия, чем другая.

🔵 Как избежать: Используй рандомизацию для разделения аудитории на группы. Убедись, что разделение выполняется случайным образом и с учетом всех важных факторов.