Победа на хакатоне HSE Sber RecSys! 🏆
Наши ребята из Клуба Data Science, Полина и Петр, вместе с командой, заняли призовое 3 место среди 97 команд! 🎉
Задача хакатона была создать кросс-доменные рекомендации на основе реальных данных Сбера, а именно интеракций пользователей на сервисах МегаМаркет и Звук.
Команда экспериментировала с разными моделями — CatBoost, LightFM, KNN, SVD и CDIMF, каждая из которых предлагала что-то уникальное. Но именно их финальный подход выделялся особенно. Они применяли ALS (Alternating Least Squares) по отдельности к каждому датасету, а также был сделан рескор для кросс доменности.
Лидерство в лидерборде по этой метрике держали все три дня хакатона! 🚀
Мы гордимся их решением и командной работой!
Наши ребята из Клуба Data Science, Полина и Петр, вместе с командой, заняли призовое 3 место среди 97 команд! 🎉
Задача хакатона была создать кросс-доменные рекомендации на основе реальных данных Сбера, а именно интеракций пользователей на сервисах МегаМаркет и Звук.
Команда экспериментировала с разными моделями — CatBoost, LightFM, KNN, SVD и CDIMF, каждая из которых предлагала что-то уникальное. Но именно их финальный подход выделялся особенно. Они применяли ALS (Alternating Least Squares) по отдельности к каждому датасету, а также был сделан рескор для кросс доменности.
Лидерство в лидерборде по этой метрике держали все три дня хакатона! 🚀
Мы гордимся их решением и командной работой!
🔥23❤5🕊2
📣 Разбор призового места на хакатоне HSE Sber RecSys.
Напоминаем, что наши ребята из REU Data Science Club, Пётр Сокерин и Полина Калинкина, вместе с командой заняли призовое 3 место среди 97 команд на хакатоне HSE Sber RecSys! Еще раз поздравляем их с этим потрясающим достижением! 🎉
Теперь у вас есть уникальная возможность лично послушать разбор решений от самих участников. Пётр и Полина расскажут о том, как они создавали кросс-доменные рекомендации на основе реальных данных Сбера, включая данные о взаимодействиях пользователей с сервисами МегаМаркет и Звук.
💥На ликбезе вы узнаете:
🔶 Как использовался алгоритм ALS (Alternating Least Squares) для создания кросс-доменных рекомендаций и какие другие алгоритмы применялись для решения.
🔶 Подробный разбор самого решения: как команда пришла к подходу и какие шаги были предприняты.
🔶 С какими трудностями столкнулись участники и как они их преодолевали.
❗️Не упустите шанс задать интересующие вас вопросы и получить ценные советы от участников хакатона!
🗓 Когда: 3 декабря (вторник), в 21:00
🔗 Ссылка на ликбез появится позже
Напоминаем, что наши ребята из REU Data Science Club, Пётр Сокерин и Полина Калинкина, вместе с командой заняли призовое 3 место среди 97 команд на хакатоне HSE Sber RecSys! Еще раз поздравляем их с этим потрясающим достижением! 🎉
Теперь у вас есть уникальная возможность лично послушать разбор решений от самих участников. Пётр и Полина расскажут о том, как они создавали кросс-доменные рекомендации на основе реальных данных Сбера, включая данные о взаимодействиях пользователей с сервисами МегаМаркет и Звук.
💥На ликбезе вы узнаете:
🔶 Как использовался алгоритм ALS (Alternating Least Squares) для создания кросс-доменных рекомендаций и какие другие алгоритмы применялись для решения.
🔶 Подробный разбор самого решения: как команда пришла к подходу и какие шаги были предприняты.
🔶 С какими трудностями столкнулись участники и как они их преодолевали.
❗️Не упустите шанс задать интересующие вас вопросы и получить ценные советы от участников хакатона!
🗓 Когда: 3 декабря (вторник), в 21:00
🔗 Ссылка на ликбез появится позже
❤🔥3🕊2
Всем привет!🧡
Сегодня в 21:00 состоится онлайн ликбез на тему "Разбор задач с вступительного в ШАД"
Спикер: Юлия Силова
На ликбезе пошагово разберем задачи с их теорией на алгоритмы и на математику (теория вероятностей и математическая статистика).
🔗Ссылка на ликбез:
👉https://telemost.yandex.ru/j/39741199375926
Всех ждем!
Сегодня в 21:00 состоится онлайн ликбез на тему "Разбор задач с вступительного в ШАД"
Спикер: Юлия Силова
На ликбезе пошагово разберем задачи с их теорией на алгоритмы и на математику (теория вероятностей и математическая статистика).
🔗Ссылка на ликбез:
👉https://telemost.yandex.ru/j/39741199375926
Всех ждем!
telemost.yandex.ru
Яндекс Телемост
Видеовстречи по ссылке. Собирайте в Телемосте рабочие конференции или встречайтесь с друзьями. Встречи не ограничены по времени. Можно скачать Телемост для Windows или macOS.
❤🔥7❤1
👋 Привет, будущие дата-сайентисты! 👨💻👩💻
Мы видим все ваши стремления учиться, расти и добиваться большего. Поэтому специально для вас мы сделали новый вид набора 💥BINGO💥.
Это не просто шанс стать частью сообщества талантливых и целеустремленных людей, а возможность открыть двери в мир данных, машинного обучения и аналитики, которые улучшают жизнь многих людей.
Но чтобы попасть к нам вам надо сыграть в бинго 🎯
Выполните 3⃣ задания по вертикали / горизонтали / диагонали плюс еще 1⃣ дополнительное задание из карты с подтверждениями (их отправляйте 👉🏻Никите) и вне очереди и набора попадите на собеседование в нашу команду организаторов!
📍Подробности заданий:
1. Сделать ревью статьи на DS тему
2. Посетить наш ликбез, сделать селфи
3. Сделать пет-проект с полным его объяснением и ссылкой на гитхаб
4. Сделать селфи с одним из хедов клуба
5. Пройти хороший курс (смотрите нашу Базу Знаний!) по DS\Python\Backend, скинуть подтверждение (сертификат или результат)
6. Посетить IT\DS конференцию, сделать селфи
7. Сделать плашку к одному из наших постов
8. Сделать дизайн постера для клуба с использованием ИИ
9. Посетить наше очное мероприятие (лекция, мастер-класс) и сделать селфи
🟠 При успешном прохождении собеседования вы станете полноценным участником DS Club в одном из выбранных вами департаменте: SMM, EVENTS, PR, HACKS&PROJECTS, DEVELOPMENT&MENTORING.
Подробнее о преимуществах для организаторов клуба
Мы видим все ваши стремления учиться, расти и добиваться большего. Поэтому специально для вас мы сделали новый вид набора 💥BINGO💥.
Это не просто шанс стать частью сообщества талантливых и целеустремленных людей, а возможность открыть двери в мир данных, машинного обучения и аналитики, которые улучшают жизнь многих людей.
Но чтобы попасть к нам вам надо сыграть в бинго 🎯
Выполните 3⃣ задания по вертикали / горизонтали / диагонали плюс еще 1⃣ дополнительное задание из карты с подтверждениями (их отправляйте 👉🏻Никите) и вне очереди и набора попадите на собеседование в нашу команду организаторов!
📍Подробности заданий:
1. Сделать ревью статьи на DS тему
2. Посетить наш ликбез, сделать селфи
3. Сделать пет-проект с полным его объяснением и ссылкой на гитхаб
4. Сделать селфи с одним из хедов клуба
5. Пройти хороший курс (смотрите нашу Базу Знаний!) по DS\Python\Backend, скинуть подтверждение (сертификат или результат)
6. Посетить IT\DS конференцию, сделать селфи
7. Сделать плашку к одному из наших постов
8. Сделать дизайн постера для клуба с использованием ИИ
9. Посетить наше очное мероприятие (лекция, мастер-класс) и сделать селфи
🟠 При успешном прохождении собеседования вы станете полноценным участником DS Club в одном из выбранных вами департаменте: SMM, EVENTS, PR, HACKS&PROJECTS, DEVELOPMENT&MENTORING.
Подробнее о преимуществах для организаторов клуба
❤4
Всем привет! 🔥 Приглашаем вас на мастер-класс с разбором кейса с Kaggle!
Самое время представить нашего спикера: Александр Иванов, Data Scientist (AI решения для ВСП в Сбере), а также заместитель хэда REU DS Club по внутренней части в этом сезоне.
На мастер-классе мы разберем задачу классификации текста, шаг за шагом пройдя путь от анализа данных до построения работающей модели. Наш спикер поделится своим опытом, расскажет о лучших практиках и тонкостях решения подобных задач, а также ответит на все ваши вопросы!
Что вас ждет:
🔸 Обсуждение кейса и анализ датасета 📊
🔸 Пошаговый разбор решения задачи ➡
🔸 Выбор и настройка моделей ⚙
🔸 Оценка и интерпретация результатов 📈
🔸 Возможность задать любые вопросы спикеру 🙋♂
💻 При желании можете взять с собой ноутбук, чтобы делать заметки, писать код и закреплять полученные знания. Это отличная возможность прокачать свои навыки в NLP!
📅 Когда: 24 декабря, 19:15
Ссылка для регистрации 👉🏼 https://docs.google.com/forms/d/e/1FAIpQLSeLuyqM6_2VwL2Z-Pbqn76SB8lG1ZppBUb3aQ4WVQ4Lmv1hHQ/viewform?usp=header
⛳Где: РЭУ им Плеханова, 3 корпус, 201 аудитория
Самое время представить нашего спикера: Александр Иванов, Data Scientist (AI решения для ВСП в Сбере), а также заместитель хэда REU DS Club по внутренней части в этом сезоне.
На мастер-классе мы разберем задачу классификации текста, шаг за шагом пройдя путь от анализа данных до построения работающей модели. Наш спикер поделится своим опытом, расскажет о лучших практиках и тонкостях решения подобных задач, а также ответит на все ваши вопросы!
Что вас ждет:
🔸 Обсуждение кейса и анализ датасета 📊
🔸 Пошаговый разбор решения задачи ➡
🔸 Выбор и настройка моделей ⚙
🔸 Оценка и интерпретация результатов 📈
🔸 Возможность задать любые вопросы спикеру 🙋♂
💻 При желании можете взять с собой ноутбук, чтобы делать заметки, писать код и закреплять полученные знания. Это отличная возможность прокачать свои навыки в NLP!
📅 Когда: 24 декабря, 19:15
Ссылка для регистрации 👉🏼 https://docs.google.com/forms/d/e/1FAIpQLSeLuyqM6_2VwL2Z-Pbqn76SB8lG1ZppBUb3aQ4WVQ4Lmv1hHQ/viewform?usp=header
⛳Где: РЭУ им Плеханова, 3 корпус, 201 аудитория
Привет! Сегодня мы поговорим о вопросах, которые могут встретиться на собеседовании на позицию Machine Learning Engineer. Давайте разберем их вместе)😉
🟠 1. Какая будет асимптотика времени работы алгоритма quicksort в худшем случае, если в качестве разделителя выбирать всегда первый элемент массива, не используя рандомизации?
Ответ 👉🏻 в худшем случае, если в качестве разделителя выбирать всегда первый элемент массива, асимптотика времени работы алгоритма quicksort будет O(n^2). Это происходит, когда массив уже отсортирован или почти отсортирован, и каждый разделитель делит массив на одну часть с одним элементом и другую часть с n-1 элементами.
🟠 2. Сколько необходимо использовать дополнительной памяти (асимптотически), чтобы развернуть (reverse) связный список?
Ответ 👉🏻 для разворота связного списка асимптотически требуется O(1) дополнительной памяти. Это возможно, потому что можно изменить указатели внутри существующих узлов списка, не создавая новых узлов или структур данных.
🟠 3. Дисперсия стандартного нормального распределения?
Ответ 👉🏻 дисперсия стандартного нормального распределения равна 1. Стандартное нормальное распределение имеет среднее значение 0 и стандартное отклонение 1, следовательно, дисперсия (квадрат стандартного отклонения) также равна 1
🟠 4. Сложность поиска по сету в питоне?
Ответ 👉🏻 сложность поиска по сету (set) в Python в среднем составляет O(1). Это достигается за счет использования хеш-таблиц для хранения элементов, что позволяет быстро осуществлять операции поиска, вставки и удаления.
Эти вопросы и ответы помогут вам подготовиться к собеседованиям и углубить ваши знания в области машинного обучения и данных! Если у вас есть свои вопросы или вы хотите обсудить что-то еще, пишите в комментариях.
#DataScience #MachineLearning #InterviewPrep #Algorithms #Python
🟠 1. Какая будет асимптотика времени работы алгоритма quicksort в худшем случае, если в качестве разделителя выбирать всегда первый элемент массива, не используя рандомизации?
Ответ 👉🏻 в худшем случае, если в качестве разделителя выбирать всегда первый элемент массива, асимптотика времени работы алгоритма quicksort будет O(n^2). Это происходит, когда массив уже отсортирован или почти отсортирован, и каждый разделитель делит массив на одну часть с одним элементом и другую часть с n-1 элементами.
🟠 2. Сколько необходимо использовать дополнительной памяти (асимптотически), чтобы развернуть (reverse) связный список?
Ответ 👉🏻 для разворота связного списка асимптотически требуется O(1) дополнительной памяти. Это возможно, потому что можно изменить указатели внутри существующих узлов списка, не создавая новых узлов или структур данных.
🟠 3. Дисперсия стандартного нормального распределения?
Ответ 👉🏻 дисперсия стандартного нормального распределения равна 1. Стандартное нормальное распределение имеет среднее значение 0 и стандартное отклонение 1, следовательно, дисперсия (квадрат стандартного отклонения) также равна 1
🟠 4. Сложность поиска по сету в питоне?
Ответ 👉🏻 сложность поиска по сету (set) в Python в среднем составляет O(1). Это достигается за счет использования хеш-таблиц для хранения элементов, что позволяет быстро осуществлять операции поиска, вставки и удаления.
Эти вопросы и ответы помогут вам подготовиться к собеседованиям и углубить ваши знания в области машинного обучения и данных! Если у вас есть свои вопросы или вы хотите обсудить что-то еще, пишите в комментариях.
#DataScience #MachineLearning #InterviewPrep #Algorithms #Python
❤1
Всем привет! 🧡 Новый год уже совсем близко 🎄 и мы спешим поздравить вас с наступающими праздниками🎊. А пока вы готовитесь к торжеству, давайте узнаем кое-что полезное и интересное вместе.
Сегодня мы хотим рассказать вам о представлении данных для нейронных сетей. Если вы когда-нибудь задумывались, как машины 🤖 "понимают" и обрабатывают информацию, то этот пост для вас.
Все современные системы машинного обучения используют тензоры в качестве основной структуры данных. 📍Фактически тензор — это контейнер для данных, чаще всего числовых. Можно это представить в виде обобщения матриц с производным количеством измерений (осей). Давайте рассмотрим подробнее их разновидности.
0️⃣ Тензор, содержащий единственное число, называется скаляром (скалярным тензором, или тензором нулевого ранга). В NumPy — это число типа float32 или float64. Скалярный тензор имеет 0 осей, то есть у него нулевой ранг.
1️⃣ Одномерный массив чисел называют вектором, или тензором первого ранга, он имеет единственную ось.
2️⃣ Массив векторов — это матрица, или тензор второго ранга, также его можно назвать двумерным тензором. Матрица имеет две оси (часто их называют строками и столбцами).
3️⃣ Если упаковывать такие матрицы в новый массив, то получится трехмерный тензор, который можно представить как числовой куб.
⬆️ Упаковав трехмерные тензоры в массив, вы получите четырехмерный тензор – и т.д. В глубоком обучении используются тензоры от нулевого ранга до четырехмерных, но иногда (например, при обработке видео данных📹) дело может дойти и до пятимерных.
Это может показаться сложным, но именно в этой многомерности кроется сила нейронных сетей. Каждое новое измерение — это новый уровень абстракции, который позволяет моделям находить сложные закономерности и решать задачи, которые раньше казались недостижимыми.
Сегодня мы хотим рассказать вам о представлении данных для нейронных сетей. Если вы когда-нибудь задумывались, как машины 🤖 "понимают" и обрабатывают информацию, то этот пост для вас.
Все современные системы машинного обучения используют тензоры в качестве основной структуры данных. 📍Фактически тензор — это контейнер для данных, чаще всего числовых. Можно это представить в виде обобщения матриц с производным количеством измерений (осей). Давайте рассмотрим подробнее их разновидности.
0️⃣ Тензор, содержащий единственное число, называется скаляром (скалярным тензором, или тензором нулевого ранга). В NumPy — это число типа float32 или float64. Скалярный тензор имеет 0 осей, то есть у него нулевой ранг.
1️⃣ Одномерный массив чисел называют вектором, или тензором первого ранга, он имеет единственную ось.
2️⃣ Массив векторов — это матрица, или тензор второго ранга, также его можно назвать двумерным тензором. Матрица имеет две оси (часто их называют строками и столбцами).
3️⃣ Если упаковывать такие матрицы в новый массив, то получится трехмерный тензор, который можно представить как числовой куб.
⬆️ Упаковав трехмерные тензоры в массив, вы получите четырехмерный тензор – и т.д. В глубоком обучении используются тензоры от нулевого ранга до четырехмерных, но иногда (например, при обработке видео данных📹) дело может дойти и до пятимерных.
Это может показаться сложным, но именно в этой многомерности кроется сила нейронных сетей. Каждое новое измерение — это новый уровень абстракции, который позволяет моделям находить сложные закономерности и решать задачи, которые раньше казались недостижимыми.
❤1
Надеемся, вы успели отойти от новогодних праздников 🥂, потому что у нас для вас крутые новости 🔥
Мы с радостью объявляем новый набор организаторов в DS Club! 🤩 Стань частью нашей команды, раскрой свой потенциал и вместе с нами сделай клуб лучше.
Прием осуществляется во ВСЕ департаменты.
🟠 SMM 💫: творчество и тренды — твоя стихия? Присоединяйся, если хочешь создавать уникальный контент и продвигать клуб в соцсетях.
🟠 EVENTS 🪩: если ты жаждешь устраивать незабываемые мероприятия, то быстрее проходи в этот департамент. Это не только про организацию и планирования, но и про яркие эмоции.
🟠 PR 🗣️: для тех, кто мастерски ведет переговоры, умеет влиять на аудиторию и хочет стать лицом клуба в общении с партнерами.
🟠 HACKS&PROJECTS 👾: интересуешься передовыми методами, любишь сложные задачи и внимание к деталям? Здесь ты сможешь работать над кейсами, участвовать в хакатонах и создавать решения проектов, которые меняют реальность.
🟠 DEVELOPMENT&MENTORING 📙: идеально подойдет для тех, кто хочет заниматься контролем за развитием организаторов клуба. Именно ты будешь участвовать в формировании будущего для нашего сообщества.
Что тебе понадобится, чтобы стать организатором?
🎯 Первое и самое важное – желание развиваться в сфере Data Science!
А также посмотри в этом посте требуемые технические и социальные навыки
Преимущества для организаторов:
🌟 Персональная программа развития с опытным ментором
🌟 Погружение в Data Science на Месяце бота
🌟 Работа над реальными проектами на хакатонах
🌟 Реализация своих идей через пет-проекты
🌟 Неформальные встречи с коммьюнити клуба
🌟 Закрытые лекции и ликбезы для участников
🌟 Экскурсии в офисы топовых компаний
Скорее заполняйте форму для организаторов, она открыта для всех, вне зависимости от ВУЗа, возраста и других мелочей!
👉🏻 https://forms.gle/yxfcnmUUKZzYpMeN8
❗️Дедлайн заполнения формы 01.02.2025 , 23:59❗️
🤔 Что делать, если я не особо хочу развиваться в Data Science?
Если Data Science — не ваше направление, но у вас есть навыки или желание развиваться в дизайне, видеомонтаже, фотографии, копирайтинге или других вышеперечисленных сферах, и вы ищете площадку для реализации идей, заполните форму для сотрудничества и присоединяйтесь к нам на своих условиях.
👉🏻 https://forms.gle/yojzqRQxUrijZKZ37
С нетерпением ждем вас в нашей команде! 🧡
Мы с радостью объявляем новый набор организаторов в DS Club! 🤩 Стань частью нашей команды, раскрой свой потенциал и вместе с нами сделай клуб лучше.
Прием осуществляется во ВСЕ департаменты.
🟠 SMM 💫: творчество и тренды — твоя стихия? Присоединяйся, если хочешь создавать уникальный контент и продвигать клуб в соцсетях.
🟠 EVENTS 🪩: если ты жаждешь устраивать незабываемые мероприятия, то быстрее проходи в этот департамент. Это не только про организацию и планирования, но и про яркие эмоции.
🟠 PR 🗣️: для тех, кто мастерски ведет переговоры, умеет влиять на аудиторию и хочет стать лицом клуба в общении с партнерами.
🟠 HACKS&PROJECTS 👾: интересуешься передовыми методами, любишь сложные задачи и внимание к деталям? Здесь ты сможешь работать над кейсами, участвовать в хакатонах и создавать решения проектов, которые меняют реальность.
🟠 DEVELOPMENT&MENTORING 📙: идеально подойдет для тех, кто хочет заниматься контролем за развитием организаторов клуба. Именно ты будешь участвовать в формировании будущего для нашего сообщества.
Что тебе понадобится, чтобы стать организатором?
🎯 Первое и самое важное – желание развиваться в сфере Data Science!
А также посмотри в этом посте требуемые технические и социальные навыки
Преимущества для организаторов:
🌟 Персональная программа развития с опытным ментором
🌟 Погружение в Data Science на Месяце бота
🌟 Работа над реальными проектами на хакатонах
🌟 Реализация своих идей через пет-проекты
🌟 Неформальные встречи с коммьюнити клуба
🌟 Закрытые лекции и ликбезы для участников
🌟 Экскурсии в офисы топовых компаний
Скорее заполняйте форму для организаторов, она открыта для всех, вне зависимости от ВУЗа, возраста и других мелочей!
👉🏻 https://forms.gle/yxfcnmUUKZzYpMeN8
❗️Дедлайн заполнения формы 01.02.2025 , 23:59❗️
🤔 Что делать, если я не особо хочу развиваться в Data Science?
Если Data Science — не ваше направление, но у вас есть навыки или желание развиваться в дизайне, видеомонтаже, фотографии, копирайтинге или других вышеперечисленных сферах, и вы ищете площадку для реализации идей, заполните форму для сотрудничества и присоединяйтесь к нам на своих условиях.
👉🏻 https://forms.gle/yojzqRQxUrijZKZ37
С нетерпением ждем вас в нашей команде! 🧡
VK
REU Data Science Club. Пост со стены.
Если вы хотите стать одним из организаторов нашего клуба, то этот пост для вас!🙌🏻
📚Какие ha... Смотрите полностью ВКонтакте.
📚Какие ha... Смотрите полностью ВКонтакте.
❤5👍3🥰1
Всем привет! Сегодня мы подготовили для вас подборку курсов по линейной алгебре из нашей базы знаний🔥
📕 Линейная алгебра является важным разделом математики для дата-сайентистов, поскольку она помогает нам понять, как алгоритмы машинного обучения работают с потоком данных для создания представления и позволит вам:
🔸 разработать методы машинного обучения
🔸 смоделировать поведение различных объектов
🔸 оптимизировать процесс кластеризации и уменьшения размерности описания данных
1. Linear Algebra, Stepik
Курс ориентирован на освоение базовых понятий линейной алгебры и их практическое применение, а также помогает в развитии интуиции, что особенно важно для успешного использования теории в реальных задачах. Курс предлагает разнообразные задачи для более глубокого усвоения материала. Кроме того, он будет полезен тем, кто хочет освежить свои знания и уверенно применять линейную алгебру в различных областях.
Ссылка 👉🏻 stepik.org/course/79
2. Линейная алгебра и геометрия, Stepik
Этот курс состоит из теоретической и практической частей, построенных вокруг системы кейсов, взятых из реальной практики геометрического моделирования движения мобильных виртуальных объектов и применения машинного обучения.
Ссылка 👉🏻 stepik.org/course/4940
3. Линейная алгебра, Openedu
Базовый онлайн курс линейный алгебры от ВШЭ, содержащий все ключевые для статистки и многомерного анализа приложения и алгоритмы, хотя и не всегда содержащий подробные доказательства.
Ссылка 👉🏻 https://openedu.ru/course/hse/LINAL/?session=fall_2020
4. Линейная алгебра, Stepik:
Данный курс представляет собой краткое изложение основ линейной алгебры. Основная его задача - напомнить базовые факты линейной алгебры, использующиеся в тех или иных разделах практического программирования.
Ссылка 👉🏻 stepik.org/course/2461
Успехов вам в изучении!🐱
📕 Линейная алгебра является важным разделом математики для дата-сайентистов, поскольку она помогает нам понять, как алгоритмы машинного обучения работают с потоком данных для создания представления и позволит вам:
🔸 разработать методы машинного обучения
🔸 смоделировать поведение различных объектов
🔸 оптимизировать процесс кластеризации и уменьшения размерности описания данных
1. Linear Algebra, Stepik
Курс ориентирован на освоение базовых понятий линейной алгебры и их практическое применение, а также помогает в развитии интуиции, что особенно важно для успешного использования теории в реальных задачах. Курс предлагает разнообразные задачи для более глубокого усвоения материала. Кроме того, он будет полезен тем, кто хочет освежить свои знания и уверенно применять линейную алгебру в различных областях.
Ссылка 👉🏻 stepik.org/course/79
2. Линейная алгебра и геометрия, Stepik
Этот курс состоит из теоретической и практической частей, построенных вокруг системы кейсов, взятых из реальной практики геометрического моделирования движения мобильных виртуальных объектов и применения машинного обучения.
Ссылка 👉🏻 stepik.org/course/4940
3. Линейная алгебра, Openedu
Базовый онлайн курс линейный алгебры от ВШЭ, содержащий все ключевые для статистки и многомерного анализа приложения и алгоритмы, хотя и не всегда содержащий подробные доказательства.
Ссылка 👉🏻 https://openedu.ru/course/hse/LINAL/?session=fall_2020
4. Линейная алгебра, Stepik:
Данный курс представляет собой краткое изложение основ линейной алгебры. Основная его задача - напомнить базовые факты линейной алгебры, использующиеся в тех или иных разделах практического программирования.
Ссылка 👉🏻 stepik.org/course/2461
Успехов вам в изучении!🐱
Stepik: online education
Linear Algebra: Problems and Methods
The goal of the course is explain the fundamental ideas of linear algebra and how to use them to find easy solutions of hard problems.
❤7
🚨Внимание🚨 Напоминаем, что осталось 3️⃣ дня до окончания приема заявок на прием организаторов в DS Club!
Вы можете стать частью нашей команды и влиять на будущее клуба. 🚀 Прием осуществляется во ВСЕ департаменты:
💫 SMM
🪩 EVENTS
🗣️ PR
👾 HACKS&PROJECTS
📙 DEVELOPMENT&MENTORING
Читайте подробности о наборе в этом посте.
А также скорее заполняйте форму для организаторов, она открыта для всех, вне зависимости от ВУЗа, возраста и других мелочей!
👉🏻 https://forms.gle/yxfcnmUUKZzYpMeN8
❗️Дедлайн заполнения формы 01.02.2025 , 23:59❗️
С нетерпением ждем вас в нашей команде! 🧡
Вы можете стать частью нашей команды и влиять на будущее клуба. 🚀 Прием осуществляется во ВСЕ департаменты:
💫 SMM
🪩 EVENTS
🗣️ PR
👾 HACKS&PROJECTS
📙 DEVELOPMENT&MENTORING
Читайте подробности о наборе в этом посте.
А также скорее заполняйте форму для организаторов, она открыта для всех, вне зависимости от ВУЗа, возраста и других мелочей!
👉🏻 https://forms.gle/yxfcnmUUKZzYpMeN8
❗️Дедлайн заполнения формы 01.02.2025 , 23:59❗️
С нетерпением ждем вас в нашей команде! 🧡
💯3❤2🔥2🏆2😴1
❗️Ваша последняя возможность❗️ Мы продлеваем прием заявок в DS Club до 10.02.
Читайте подробности о наборе в этом посте.
Скорее заполняйте форму для организаторов:
👉🏻 https://forms.gle/yxfcnmUUKZzYpMeN8
❗️Дедлайн заполнения формы 10.02.2025 , 23:59❗️
Или форму для свободного сотрудничества:
👉🏻 https://forms.gle/yojzqRQxUrijZKZ37
Не упусти свой шанс 🧡
Читайте подробности о наборе в этом посте.
Скорее заполняйте форму для организаторов:
👉🏻 https://forms.gle/yxfcnmUUKZzYpMeN8
❗️Дедлайн заполнения формы 10.02.2025 , 23:59❗️
Или форму для свободного сотрудничества:
👉🏻 https://forms.gle/yojzqRQxUrijZKZ37
Не упусти свой шанс 🧡
🔥8❤1👍1🤯1💯1💘1
Всем привет! 👋 Мы знаем, вы уже успели соскучиться по ликбезам, поэтому представляем вашему вниманию онлайн-ликбез про сложности основных классических ML алгоритмов.
🗣️ Спикер: Дмитрий Голубев
📍 Middle Data Scientist в компании Wildberries
📍 Специалист по работе с LLM и RAG
📍 Занимается SWE и классическим ML
На ликбезе Дмитрий подробно и доступно разберет следующие темы:
🔸 Архитектура классических алгоритмов машинного обучения
🔸Нюансы использования ML алгоритмов
🔸 Сравнение алгоритмов
🔸 Практические примеры и кейсы применения
🔸 Выбор подходящих методов для конкретных задач
🗓️ Дата: 6 февраля (четверг), 20:00
🔗 Ссылка на трансляцию появится в комментариях под постом перед ликбезом
🗣️ Спикер: Дмитрий Голубев
📍 Middle Data Scientist в компании Wildberries
📍 Специалист по работе с LLM и RAG
📍 Занимается SWE и классическим ML
На ликбезе Дмитрий подробно и доступно разберет следующие темы:
🔸 Архитектура классических алгоритмов машинного обучения
🔸Нюансы использования ML алгоритмов
🔸 Сравнение алгоритмов
🔸 Практические примеры и кейсы применения
🔸 Выбор подходящих методов для конкретных задач
🗓️ Дата: 6 февраля (четверг), 20:00
🔗 Ссылка на трансляцию появится в комментариях под постом перед ликбезом
✍5🔥5⚡1❤1🐳1💯1🆒1