ARIMA Model – Complete Guide to Time Series Forecasting in Python

https://www.machinelearningplus.com/time-series/arima-model-time-series-forecasting-python

Топ-13 библиотек Scala для анализа данных

https://habr.com/ru/company/newprolab/blog/459172/

На DataCamp появился курс Data Science for Managers: https://www.datacamp.com/courses/data-science-for-managers

What Your Employees Need to Learn to Work With Data in the 21st Century
https://www.datacamp.com/community/blog/what-your-employees-need-to-learn-to-work-with-data-in-the-21st-century

Slides: https://docs.google.com/presentation/d/14W_KDsI8ei6sQVS1ab4qnBUGZ_qAtdJoySxTtX7Tq98/edit?usp=sharing

Для тех кто интересуется данными не только с точки зрения Data Science, но и в более прикладных задачах работы с данными относящимися к дата инженерии.

Несколько полезных ресурсов:
- Data Engineering Cookbook [1] - поваренная книга по инженерии данных, много о том как системы работы с данными разворачиваются и используются
- Awesome Data Engineering - неплохой список ссылок на проекты по инженерии данных на Github
- Data Engineering How-to [3] - подборка ссылок на курсы и иные ресурсы по инжинерии данных
- What is Data Engineer [4] - ответ на вопрос кто такой инженер данных (для тех кто ещё об этом не знает)
- Who Is a Data Engineer & How to Become a Data Engineer? - подробно о том кто такие инженеры данных

В России вот уже много лет ажиотажный спрос на data science, но подготовка дата инженеров ушла на 2-й и 3-й план и это особенно чувствуется когда вопросы о том где взять данные и как настроить инфраструктуру звучат всё чаще.

То чем занимаюсь я лично - это чистая дата инженерия, с очень и очень небольшой долей науки о данных. Найти данные, создать инфраструктуру их обработки и очистки - всё это должен уметь дата инженер. Если Вы знаете хорошие курсы по этой теме на русском языке, поделитесь ими, например в чате.

Ссылки:
[1] https://github.com/andkret/Cookbook
[2] https://github.com/igorbarinov/awesome-data-engineering
[3] https://github.com/adilkhash/Data-Engineering-HowTo
[4] https://towardsdatascience.com/who-is-a-data-engineer-how-to-become-a-data-engineer-1167ddc12811

#data #opendata #dataengineering #dataengineer

The AI research field clusters around seven main research areas.
https://www.elsevier.com/connect/using-ai-to-map-ai

AI chord graph
https://www.elsevier.com/research-intelligence/nested-components/chord-graph

Machine Learning and Data Science Applications in Industry
https://github.com/firmai/industry-machine-learning

DevOps Pipeline for a Machine Learning Project
(Applying machine learning to DevOps)
#ML #DevOps
https://blog.statsbot.co/machine-learning-devops-611210393c1a

Demystifying the Data Science job families.
A layman’s guide to understanding the differences between Data Scientist, Research Scientist, Applied Scientist, and Business Intelligence Engineer

https://towardsdatascience.com/demystifying-the-data-science-job-families-c74f2294b1bd

Git для данных - это давняя мечта многих разработчиков и дата-инженеров. Как организовать хранение и передачу данных так чтобы было похоже на систему контроля версий и учитывало объёмы и изменения в наборах данных.

Несколько проектов существуют для решения этой задачи, например такие:
- Dolt [1] [2] - умеет многое, объединять данные, сравнивать, делать таблицы сравнения, разрешать конфликты и тд. плюс многое из возможностей git'а
- Daff [3] позволяет работать с таблицами CSV и также сравнивать их, объединять и тд. Интегрирован с git
- DVC [4] система контроля версиями для проектов по машинному обучению. Довольно популярна и умеет многое связанное с проектами именно по ML


Ссылки:
[1] https://github.com/liquidata-inc/dolt
[2] https://www.dolthub.com/
[3] https://github.com/paulfitz/daff
[4] https://dvc.org/

#opendata #data #git #datatools

Заметки, сверстанные в LaTeX с конференции ICML-2019
https://david-abel.github.io/notes/icml_2019.pdf

Дэвид Абель, PhD студент из Брауновского университета, сделал офигенный документ об International Conference on Machine Learning, которая прошла 9 июня недалеко от Лос-Анджелеса. В основном, он делал упор на лекции о reinforcement learning, но и другие темы там тоже есть. Он даже формулы все сверстал!

Вот бы с каждой конференции были такие документы 😌

Diving into Data Journalism: Strategies for getting started or going deeper

https://www.americanpressinstitute.org/publications/reports/strategy-studies/data-journalism/single-page/

Data Science Timeline
https://medium.com/@zakharkhrystych/data-science-timeline-305ef75dceb6

Creating a Retweet Network for Gephi from a local file with Python
https://lucahammer.com/2019/11/05/creating-a-retweet-network-for-gephi-from-a-local-file-with-python/

Free for developers

Список полезных бесплатных облачных сервисов для разработчиков.

https://free-for.dev

Top Machine Learning Certificates
https://www.springboard.com/blog/machine-learning-certificates/

Unicorn Data Scientist

What are the best websites to learn to code?
https://www.slant.co/topics/965/~best-websites-to-learn-to-code