1️⃣Какие пространства имен существуют в python?

2️⃣Для чего используется ключевое слово yield?

3️⃣Как создать свой собственный пакет в Python?

4️⃣Что такое аксессоры, мутаторы, @ property?

Ставь «🔥» и пиши свои ответы комментах👇

Ваш @dataminingteam🤗

📣 В этой статье автор рассказал о пошаговой дорожной карте изучения SQL для Data Science в 2024 году с помощью бесплатных ресурсов.

😑 В работе обсуждаются различия между весами выборки и аналитическими весами, подходы на основе модели и конструктивного метода, взвешенные корреляции, линейные взвешенные многоуровневые модели и обработка отсутствующих данных в взвешенных наборах данных опросов.

😠 Статья отвечает на вопросы, связанные с продвинутыми методами анализа данных опросов, предоставляя практические рекомендации для аналитиков, работающих с сложными структурированными данными опросов.

😎 Почему круто быть публично активным?

1️⃣Ценность внимания: Люди, которые на слуху, кажется, в цене. Это касается всех — от предпринимателей до фрилансеров. Даже пара верных подписчиков может повлиять на продажи и сделать время, проведенное на работе, более $прибыльным$.

2️⃣Социальный капитал: Лучший способ завести интересные знакомства — сделать так, чтобы другие хотели с тобой познакомиться. Публичность помогает создать крутой круг общения и открыть двери для новых возможностей.

3️⃣Крутые связи: С широким кругом знакомств проще находить классных партнеров, сотрудников, инвесторов и клиентов. Люди предпочитают работать с теми, кого уже знают.

4️⃣Самоуверенность: Публичные люди не просто так уверены в себе. Они развивают свои навыки, общаясь с аудиторией, и постоянно мотивированы расти и развиваться.

5️⃣Неожиданные бонусы: Публичность не только приносит очевидные бонусы, но и неожиданные. Могут пригласить на закрытые мероприятия или предложить участие в интересных проектах.

Так что быть на виду — это круто! Не единственный способ, но глупо не использовать 😉

Ваш @dataminingteam🤗

💸 Добиваться успеха в переговорах о деньгах — дело не из легких, но есть пара фишек, которые могут по-настоящему повлиять на результат:

1️⃣ На 50% успеха можно рассчитывать, если четко представляешь свою ценность на рынке.

Знаешь, как говорится, иногда тебе капает меньше, чем заслуживаешь, а иногда наоборот. Чтобы не промахнуться, нужно периодично мониторить текущие тренды рынка.

Задача, конечно, не из легких, особенно учитывая, что инфа по зарплатам часто остается в тени. Но здесь приходят на помощь рекрутеры — они, как шаманы в мире вакансий, знают, что к чему.

А еще, как слову, ходи чаще по собесам — освежает и поддерживает в тонусе (вдруг и оффер упадет приличный)

2️⃣ Другие 50%  —  умение убедительно донести свою ценность (читай elevator pitch/селф презентэйшн). Нанимающий менеджер должен верить, что ты — ниндзя своего дела.👨‍💻

Готовься к интервью, как к встрече с семьей будущего спутника жизни — собирай в кучу свои проекты, приготавливай цифры :)

p.s. про то, как правильно преподносить свои проекты рекрутерам писали здесь.

Кидай «🔥»👇

Ваш @dataminingteam🤗

📌В статье автор разобрал только изображения и текст в качестве входных данных и рассмотрел построение визуально-языковых моделей (VL-моделей).

https://habr.com/ru/articles/785784/

есть кто понял мем?😈

📌Обзор охватывает многоруких бандитов, структуру процесса принятия решений Маркова, роль динамического программирования в известных MDP, а также методы на основе ценности, такие как приближенное Q-обучение.

🖇Автор вводит ключевые концепции, такие как дилемма исследования и использования, политики, траектории и функции ценности.

⌨️ Включен практический обзор  ε-greedy, верхние границы уверенности и вероятностные выборки Томпсона.

📌ссылочка

📣 Введение в графовый анализ, объясняя структуру графов и их значимость в соц. сетях и электронной коммерции.

Исследуются концепции центральности по:
🟢степени
🟢близости
🟢собственному вектору

📎Каждая тема подкреплена real world примером. Обсуждаются многие вопросы выявления влиятельных узлов, оптимизации передачи.

📖  Книга охватывает основы и приложения обучения с подкреплением (reinforcement learning).

🖇 Рассматриваются табличные методы, включая многоруких бандитов, конечные марковские процессы и динамическое программирование. Также изучаются приближенные методы, включая аппроксимацию значений действий и политики.

✔️ В завершение обсуждаются конкретные случаи использования в реальных сценариях.

📌сохраняем

➡️ Статья "Transformer-XL: внимательные языковые модели за пределами контекста фиксированной длины" обсуждает передовые методы языкового моделирования, представляет модель Transformer-XL для улавливания долгосрочных зависимостей.


🤩Исследует механизмы внимания, представляет экспериментальные результаты на различных наборах данных и выделяет способность модели к обобщению и генерации нового контента.

⭕тык на ссылку

👀 Шпаргалка о численных методах при решении граничных задач ОДУ предоставляет ясное понимание методов численного дифференцирования, прямого метода и метода стрельбы, обеспечивая важный инструментарий для решения граничных задач. Этот материал полезен для тех, кто занимается численными методами в контексте дифференциальных уравнений.

🔠 Статья рассматривает сложности обучения моделей на несбалансированных данных и представляет метод Synthetic Minority Over-sampling Technique (SMOTE) в качестве решения.

*️⃣ Практическая реализация SMOTE на искусственно созданном несбалансированном наборе данных, модификации для категориальных признаков и экспериментальные оценки с использованием классификаторов, таких как C4.5, способствуют полному пониманию проблемы дисбаланса классов.

〰️ В статье рассматриваются три фреймворка для параллельных вычислений — Spark, Dask и Ray. Авторы детально разбирают каждый и дают рекомендации когда и какой использовать.

🔠 Статья также анализирует преимущества и недостатки каждого фреймворка и предоставляет рекомендации по выбору подходящего в зависимости от конкретных задач.

🔠 Статья посвящена интерпретации черных ящиков в ML, с фокусом на кредитном скоринге с использованием нейронных сетей.

🔠Автор разбрает методы: Partial Dependence Plots (PDPs) и Local Interpretable Model-agnostic Explanations (LIME), для облегчения понимания работы моделей и принятия решений.