Вопрос №3 - машинное обучение и искусственный интеллект - это одно и то же?
Ссылка на ответ здесь ​​👉 https://youtu.be/sl2bPV5hh0k

Вопрос №4 - какой процент задач можно решить с помощью анализа данных и при помощи машинного обучения?

Ссылка на ответ здесь ​​👉 https://youtu.be/5Rw8-x97ISY

🔥 Мир найма переживает быстрые изменения, поскольку искусственный интеллект широко внедряется в различные отрасли.

Согласно недавнему опросу, проведенному американской компанией Resume Builder и описанному в Fox Business, уже 10% компаний используют AI-собеседования при отборе кандидатов.

Однако, что еще более удивительно, ожидается, что к 2024 году этот показатель значительно вырастет и составит более 43% компаний.

🤖 Но прежде чем Ты подумаешь, что придется сталкиваться только с ботами на собеседованиях, стоит отметить, что компании не планируют полностью передать решение о приеме на плечи искусственного интеллекта.

Согласно тому же отчету, 80% AI-собеседований используются для предварительного отбора кандидатов, а всего 15% оказывают влияние на окончательное решение.


⚡ Цель использования AI-собеседований заключается в повышении эффективности и оптимизации всего процесса подбора персонала. Как известно всем, кто проходил через процесс собеседования, компании могут различаться по эффективности этапов отбора.

Еще одной причиной, почему искусственный интеллект не займет весь процесс, является опасение возможных предвзятостей.

А по ссылке ниже можно посмотреть ответ на вопрос - сколько нужно учиться на Data Scientist-a 🙂 https://youtu.be/MVPAt7I09U4

@data_work

Большие данные = большие неопределенности (НЕ большая ценность) 🤔.

До сих пор существует большой миф о ценности, которую можно извлечь из больших данных. Давай лучше разберемся, почему это обычно действительно сложно и приносит больше затрат, чем пользы.

Во-первых, нужно помнить, что одна из самых больших проблем при работе с данными - это неопределенность. В бизнесе (даже при выручке в 100 тыс. долл.) неопределенностей очень много.

Несмотря на то что "золотые" данные могут помочь найти ценные сведения и способствовать принятию более эффективных решений, переизбыток собранных данных зачастую порождает больше неопределенности (в результате чего возникает двусмысленность, когда соответствующая информация имеется, но общий смысл остается неизвестным), чем ясности. Но почему?

Краткий ответ:
GIGO (англ. garbage in, garbage out «мусор на входе — мусор на выходе»)

Что дальше?
Существует еще один миф и гонка за сбором "правильных" данных. Почему плохо собирать правильные данные 🤔?

На самом деле правильные данные - это не плохо, но... проблема заключается в том, чтобы понять, для кого они "правильные"? Как расставить приоритеты: какие данные "правильные", а какие нет? Как определить, какие данные работают лучше без предварительного тестирования моделей (а какие применять модели ML, они ведь все время улучшались)?

Почему проблема заключается лишь в том, чтобы время от времени добавлять "очередные нужные данные"? Например, сегодня Ты собираешь данные A и B, а завтра выясняется, что Тебе нужны еще и данные C.

Где проблема? Проблема во времени. Когда начинаешь собирать данные, у Тебя всегда есть начальная точка (иногда можно попытаться найти исторические данные каким-либо способом, но такой подход полон ошибок и подводных камней).

Поэтому, чтобы извлечь из них максимальную пользу (использовать ML-модель и т.д.), обычно необходимо иметь исторические данные.

Каково же решение?
1. Осознай, что просто сбор большого количества данных (так называемых больших данных) обычно порождает больше неопределенностей (и это нормально, это просто факт, мы не используем их в качестве исходных данных в производстве)...

2. Можешь собрать много данных. Но важным шагом является построение процесса дистилляции больших данных в золотые данные, которым можно доверять (в DataWorkshop мы называем их Trusted Data, дело не в размере). Этот процесс - самая большая проблема (кстати, с привлечением ML, а не только человеческого мышления, и это не только про обычный "шум").

3. Думай про это как про итерационный процесс: пробуй, терпи неудачи, учись и продолжай двигаться вперед.

🏦 Как машинное обучение (ML) меняет банковскую сферу? 🤖💼

🌐 В наше время банковская сфера сталкивается с огромными объемами данных, сложными регуляторными требованиями и постоянно меняющимися потребностями клиентов.

В таких условиях машинное обучение становится незаменимым инструментом для банков, помогающим преодолеть вызовы и сделать множество процессов более эффективными и точными. 👩‍💻📊

✨ Как ML изменяет банковскую индустрию? ✨
1️⃣ Кредитный скоринг и решение о выдаче кредитов: Машинное обучение позволяет банкам анализировать большие объемы данных и создавать модели, которые могут более точно оценить кредитоспособность клиентов и принимать решения о выдаче кредитов.

2️⃣ Обнаружение мошенничества: Машинное обучение помогает банкам выявлять аномалии и подозрительные события в данных, что позволяет оперативно реагировать на потенциальные мошеннические действия и обеспечивать безопасность клиентов.

3️⃣ Персонализированное обслуживание: С помощью машинного обучения банки могут анализировать данные клиентов и предлагать индивидуальные рекомендации и услуги, соответствующие их потребностям и предпочтениям. Это помогает повысить удовлетворенность клиентов и улучшить клиентский опыт.

4️⃣ Автоматизация процессов: Машинное обучение позволяет банкам автоматизировать рутинные и повторяющиеся задачи, такие как обработка документов, снижая риск ошибок и улучшая оперативность.

5️⃣ Прогнозирование и управление рисками: Машинное обучение помогает банкам проводить анализ данных и создавать модели для прогнозирования рисков и оптимизации управления портфелем, что способствует принятию более обоснованных решений.

💡 ML становится сильным союзником банков, позволяя им преодолеть сложности и получить преимущество в современной конкурентной среде. Это всего лишь некоторые примеры того, как банки используют машинное обучение для трансформации своей деятельности.

А в этом видео отвечаю на вопрос - на каких курсах обучаться ML для работника в финансовой сфере (и не только в финансовой сфере ).

📊 Начало пути в Data Science 📚
Если хочешь погрузиться в мир Data Science, начать учиться и достичь впечатляющих результатов, вот несколько ключевых шагов:

1️⃣ Познакомься со статистикой. Она является основой многих алгоритмов в Data Science. В DataWorkshop есть отдельный курс по статистике.

2️⃣ Освой программирование: Начните с Python, он наиболее распространен в сообществе Data Science. Изучи основные библиотеки для анализа данных, такие как Pandas, Numpy, и Matplotlib. В DataWorkshop есть отдельный курс по Python.

3️⃣ Познакомься с алгоритмами машинного обучения: изучи различные типы алгоритмов, такие как регрессия, классификация, кластеризация и нейронные сети. Понимание их принципов поможет эффективно применять их на практике. В DataWorkshop это можно изучить на курсе по Data Science и нейронным сетям.

4️⃣ Применяй на практике: Работай с реальными данными, участвуй в проектах и соревнованиях по анализу данных, таких как Kaggle. Практика поможет закрепить теорию и позволит Тебе развиваться как специалисту. В DataWorkshop практику можно получить как на курсах (при работе с реальными данными), так и в клубе 💪

5️⃣ Общайся с сообществом: Присоединяйся к сообществу DataWorkshop, где обсуждаются темы Data Science.

Не забывай, что Data Science - это постоянный процесс обучения и развития. Ставь перед собой конкретные цели, стремись к ним и не бойся испытывать новые подходы.

А здесь в коротком видео отвечаю на вопрос, относящийся к этой теме 🙂

@data_work

А так выглядит мой новый офис (сегодня 😂).

На самом деле очень удобно, когда офис перемещается вместе с тобой (как и твоя работа). Хоть в шалаше можно ее делать, самое важное и так просходит в голове.

Поставь огонек 🔥 и будут тоже иногда посты про лайфаки и про жизнь.

P.S.  Кстати, чтобы было понятно, это место где начинает ML работать и давать прибыль нашим партнерам и даже большие LLM модели - тюнятся весьма хорошо. 😎

Переменная — это символическое имя, которое используется для хранения данных в программировании. Она представляет собой область памяти, в которой можно хранить различные значения, такие как:
- числа,
- строки,
- булевы значения.

Переменные позволяют Data Scientist-ам/разработчикам оперировать и манипулировать данными, делая код более гибким и удобочитаемым.

Сравнение объявления переменных на разных языках приведено в gif-ке выше.

Даже на таком небольшом примере. как объявление переменных, заметно, что язык программирования Python делает это проще всего. При помощи Python создается чистый и лаконичный код.

И это одна из главных причин - почему Python - это язык № 1 в Data Science и популярность этого языка только растет. Про другие причины рассказал в этом коротком видео.

@data_work

Требования к объявлению переменной на языке Python:

1️⃣ Имя переменной не может начинаться с цифры

2️⃣ В имени переменной должны использоваться только латинские буквы a-z, A-Z, цифры и символ нижнего подчеркивания (_)

3️⃣ Python — это язык, чувствительный к регистру. Переменная my_var и My_var — это две совершенно разные переменные. Для присвоения имени переменных принято использовать стиль lower_case_with_underscores (слова из маленьких букв с подчеркиваниями).

@data_work

Запускаем ламу 2 локально, хочешь узнать больше поддержи огоньком 🔥

Тест на знания основ статистики

В наше время много говорят о галлюцинациях LLM, но что насчет галлюцинаций компьютерного зрения? 😂

#computervision

Тут недавно в одном чате был опрос и нужно было выбрать таблетку (условно): синюю или красную.

А какую выберешь?


Я потом напишу более подробно, поэтому смело выбирай что хочешь (сразу подскажу, неправильных ответов нет)