⏰ 5 уровней обработки даты и времени в Python
Время летит вперед все быстрее, но работать с ним проще, к сожалению, не становится 😫
Предлагаем раз и навсегда разобраться с этим коварным типом данных.
В статье рассмотрим основные операции для обработки даты и времени в Python с примерами:
→ Обработка даты и времени в разных форматах
→ Расчет времени
→ Работа с часовыми поясами
→ Timestamp
→ Перевод из datetime в string и наоборот
Приятного чтения!😉
#python
Время летит вперед все быстрее, но работать с ним проще, к сожалению, не становится 😫
Предлагаем раз и навсегда разобраться с этим коварным типом данных.
В статье рассмотрим основные операции для обработки даты и времени в Python с примерами:
→ Обработка даты и времени в разных форматах
→ Расчет времени
→ Работа с часовыми поясами
→ Timestamp
→ Перевод из datetime в string и наоборот
Приятного чтения!😉
#python
⭐️ 7 математических терминов, которые нужно знать
Как бы нам ни хотелось закрыть на это глаза, в основе любого алгоритма и метода лежат фундаментальные математические понятия.
Будь то обработка изображений, построение прогностических моделей или расчет маркетинговых показателей.
Мы подготовили для Вас карточки: 7 математических терминов, которые нужно знать каждому.
Уверены, многое из этого Вы уже знаете. Но повторение, как говорится, - мать утерянных в памяти знаний! 😉
#math
Как бы нам ни хотелось закрыть на это глаза, в основе любого алгоритма и метода лежат фундаментальные математические понятия.
Будь то обработка изображений, построение прогностических моделей или расчет маркетинговых показателей.
Мы подготовили для Вас карточки: 7 математических терминов, которые нужно знать каждому.
Уверены, многое из этого Вы уже знаете. Но повторение, как говорится, - мать утерянных в памяти знаний! 😉
#math
GROK IT!
❓Задача по Data Science: Какое допущение не относится к линейной регрессии?
❓Задача по Data Science: Какое допущение не относится к линейной регрессии?
Anonymous Poll
0%
Отсутствие корреляции между предикторами
50%
Гетероскедастичность
50%
Отсутствие автокорреляции в остатках
0%
Нормальность ошибок
📚 Подборка книг для программистов
Как у женщин постоянно встает вопрос "Что же надеть?", так и у программистов частенько проблема "Чтобы почитать?!".
Забирайте себе нашу подборку, чтобы всегда было что почитать!
Как у женщин постоянно встает вопрос "Что же надеть?", так и у программистов частенько проблема "Чтобы почитать?!".
Забирайте себе нашу подборку, чтобы всегда было что почитать!
👨💻 Какой у Вас род деятельности? 👨🎓
Друзья, все мы здесь не случайно собрались. Нас объединяет любимая работа, учеба, интересы!
Давайте поближе познакомимся и узнаем, кто чем занимается.
Вы можете выбрать несколько вариантов ответов.
Друзья, все мы здесь не случайно собрались. Нас объединяет любимая работа, учеба, интересы!
Давайте поближе познакомимся и узнаем, кто чем занимается.
Вы можете выбрать несколько вариантов ответов.
Узнаем друг друга получше?
Anonymous Poll
17%
Работаю в IT
33%
Работаю в другой сфере, но хочу в IT
17%
Учусь в институте
0%
Учусь в школе
17%
Прохожу онлайн-курсы
33%
Хочу узнать результаты
GROK IT! Ответ на задачу о линейной регрессии 🔔
❓Вчера опубликовали вопрос: Какое допущение не относится к линейной регрессии?
» Отсутствие корреляции между предикторами
» Гетероскедастичность
» Отсутствие автокорреляции в остатках
» Нормальность ошибок
✅ Ответ: Гетероскедастичность
💥 Объяснение:
Итак, линейная регрессия - метод составления прогноза на основе независимых переменных. Задача прогнозирования сводится к нахождению коэффициентов уравнения регрессии.
Само собой, модель нельзя применять бездумно - существуют некоторые ограничения модели.
1. Линейная связь между предикторами и предсказываемой переменной
Пожалуй, это очевидно вытекает из названия. Регрессия все-таки линейная, поэтому связь между предиктором (независимой переменной) и целью должна быть линейной. Например, цена квартиры зависит от ее близости к центру. Чем ближе к центру - тем дороже квартира.
2. Отсутствие мультиколлинеарности
Или другими словами - надо, чтобы не было сильной корреляции между предикторами. Например, если у Вас в модели один предиктор - цена за грамм муки, а второй - цена за килограмм, то это может негативно повлиять на модель. Как минимум, будет сложно оценить реальный вклад каждого предиктора в прогноз.
3. Гомоскедастичность
Гомоскедастичность - термин, характеризующий однородность наблюдений. Другими словами - это постоянство дисперсии случайных ошибок модели. Т.е. не должно быть какого-то четкого правила, по которому распределены ошибки - они должны быть "разбросаны" одинаково для всех значений.
Обратное явление - гетероскедастичность, когда дисперсия ошибок непостоянна.
4. Нормальное распределение ошибок
Ошибки модели должны быть распределены по нормальному закону. Особенно это важно для небольших выборок. Если выборка средняя по размеру или даже большая, то этот пункт теряет свою силу: это и есть действие Центральной предельной теоремы в реальной жизни.
5. Отсутствие автокорреляции в остатках
Если ошибки зависят друг от друга, то это может отрицательно сказаться на качестве модели. Соответственно, такой ситуации лучше избегать.
❗️Таким образом, правильный ответ - Гетероскедастичность.
#grokit #datascience
❓Вчера опубликовали вопрос: Какое допущение не относится к линейной регрессии?
» Отсутствие корреляции между предикторами
» Гетероскедастичность
» Отсутствие автокорреляции в остатках
» Нормальность ошибок
✅ Ответ: Гетероскедастичность
💥 Объяснение:
Итак, линейная регрессия - метод составления прогноза на основе независимых переменных. Задача прогнозирования сводится к нахождению коэффициентов уравнения регрессии.
Само собой, модель нельзя применять бездумно - существуют некоторые ограничения модели.
1. Линейная связь между предикторами и предсказываемой переменной
Пожалуй, это очевидно вытекает из названия. Регрессия все-таки линейная, поэтому связь между предиктором (независимой переменной) и целью должна быть линейной. Например, цена квартиры зависит от ее близости к центру. Чем ближе к центру - тем дороже квартира.
2. Отсутствие мультиколлинеарности
Или другими словами - надо, чтобы не было сильной корреляции между предикторами. Например, если у Вас в модели один предиктор - цена за грамм муки, а второй - цена за килограмм, то это может негативно повлиять на модель. Как минимум, будет сложно оценить реальный вклад каждого предиктора в прогноз.
3. Гомоскедастичность
Гомоскедастичность - термин, характеризующий однородность наблюдений. Другими словами - это постоянство дисперсии случайных ошибок модели. Т.е. не должно быть какого-то четкого правила, по которому распределены ошибки - они должны быть "разбросаны" одинаково для всех значений.
Обратное явление - гетероскедастичность, когда дисперсия ошибок непостоянна.
4. Нормальное распределение ошибок
Ошибки модели должны быть распределены по нормальному закону. Особенно это важно для небольших выборок. Если выборка средняя по размеру или даже большая, то этот пункт теряет свою силу: это и есть действие Центральной предельной теоремы в реальной жизни.
5. Отсутствие автокорреляции в остатках
Если ошибки зависят друг от друга, то это может отрицательно сказаться на качестве модели. Соответственно, такой ситуации лучше избегать.
❗️Таким образом, правильный ответ - Гетероскедастичность.
#grokit #datascience