Разработка ПО. Data Science. Разработка с нуля. Реализовать скрипт на языке Python (можно использовать Keras/Tensorflow, OpenCV, YOLO или другие библиотеки), который будет на основании видеопотока с веб-камеры в реальном времени (без задержек) с использованием ресурсов только ЦП (без использования видеокарты) решать следующие задачи: 1. Определение количества и типа транспортных средств (мотоцикл/велосипед, легковой автомобиль или микроавтобус, автобус, грузовое ТС), находящихся в области видимости камеры в каждой из полос в обоих направлениях. Формат вывода: - направление (от камеры \ к камере) - тип ТС - количество в левой полосе - количество в правой полосе Скрипт должен осуществлять вывод данной информации каждые 3 минуты. 2. Детектирования факта движения транспортных средств. В случае наличия движения - определение количества и типа ТС пересекших линий шлагбаума в каждую сторону. Формат вывода: - направление (от камеры \ к камере) - время пересечения - тип ТС Скрипт должен осуществлять вывод информации при каждом случае пересечения линии. Материалы по данному вопросу: https://mpolinowski.github.io/docs/IoT-and-Machine-Learning/ML/2021-12-06--opencv-object-tracking/2021-12-06/ https://broutonlab.com/blog/opencv-object-tracking/ https://pyimagesearch.com/2018/07/30/opencv-object-tracking/ https://github.com/aia39/SORT-Multiple-Car-Tracking-using-YOLOv5 https://github.com/guptavasu1213/Yolo-Vehicle-Counter https://github.com/bamwani/car-counting-and-speed-estimation-yolo-sort-python.
Задача разработать хранилище данных и обеспечить максимально возможную скорость обработки определенных запросов. Основная цель изучить возможности pyspark для оптимизации запросов и подготовки витрин для пользователей. Пожелания и особенности: Подробнее: https://github.com/AIDATAFAB/hw-spark.git Необходимо написать скрипты, которые будут трансформировать сырые данные так, чтобы достичь максимальной производительности. Необходимо как минимум пройти baseline тестов.
Data Science. Задача разработать хранилище данных и обеспечить максимально возможную скорость обработки определенных запросов . Основная цель изучить возможности pyspark для оптимизации запросов и подготовки витрин для пользователей. Пожелания и особенности: Задача в том, чтобы написать такие скрипты, которые будут трансформировать сырые данные так, чтобы максимально производительно обрабатывать данные из теста. Подробнее: https://github.com/AIDATAFAB/hw-spark.
Data Science. Разработка с нуля. Здравствуйте! Необходимо сделать базу данных клиентов. База данных должна включать разделы, которые будут заполняться нами самостоятельно. В разделах должны быть быстрые варианты ответов. По мимо этого в базе должен быть поиск по ключевым словам.
Разработка с нуля. Необходимо сделать инструмент Динамической Переоценки в Excel, который будет учитывать Динамику заказов/продаж за последние 14 дней. Маржинальный доход до вступления в промо и после него, порог прибыли за ед, прогноз заказов при вступлении в промо.
полный аудит деятельности компании за три года. ИП, сфера деятельности розница обувь. Надо провести аудит всей деятельности за последние три года. Многих отчетных документов нет, но свести дебет с кредитом необходимо. Стоимость работ после обсуждения.
Разработка ПО. Data Science. Настройка, разработка с нуля. Добрый день, наша компания занимается международной дистрибъюцией,мы ищем специалистов или готовую команду,для решения вопросов по автоматизации,номер для связи [Телефон скрыт].
Data Science. Разработка с нуля, Нужна помощь с работой - дашборд или Data Science. Нужна помощь с работой по Data Science - разработка витрины и создание Дашборда на базе витрины.
Data Science. Разработка с нуля. Изучение Yandex DataLens , выполнение практических заданий по курсу Яндекс практикума "Аналитик данных". Создание дашборда.
Data Science. Разработка с нуля. Я хочу стать айтишником для того что бы зарабатывать хорошо на удаленке. Готов приступить к учёбе. Знаний и понятий у меня больших нет.
Анализ чата/канала эксперта и составление аналитической таблицы. 1) Детально и внимательно проанализировать канал и чат ТГ эксперта. Там доступ платный - оплата с нашей стороны. Тема там - разборы БАДов/витаминов. 2) Сделать таблицу (либо гугл док либо ексель) с раписанными рекомендованными/нерекомендованными фирмами БАДов со стороны эксперта (кроме косметики!). Все фирмы и производства, что она (эксперт) рекомендует в канале/положительно или негативно одобрила в чате «Канальное удовольствие» И «Болталка» и какие фирмы подделывают. Внимательно прочитать надо эти пункты задания и внимательно поискать. 1 важный параметр в таблице - фирма - ок или не ок мнением экспертам (например, NOW) 2 - сырье рекомендовано или нет (именно экспертом, другое мнение не надо!) 3 - подделки/фальсификат 4 - что чаще всего пишут люди по тем пунктам выше Можно в одной таблице. Можно 4 разные + отдельная страница в ексель таблице про ее (экспета) рекомендации по бадам/нутрицевтикам/витаминам/минералам и прочему (кроме косметики!) из основного канала и комментариями кратко почему этот бад конкретно у этой фирмы + спектр влияния на человека (например: улучшает пищеварение, память, избавляет от интокискации и т.д.). ___ Для достижения цель — надо сделать полный анализ чата и ответов в канале и в чатах от эксперта (чье-то другое мнение или экспертная обратка — неактуальна). Как угодно (нейронка или ручным способом), но проверять будем несколькими подрядчиками. Доступ в канал и чат оплатим для работы. Там в Канале мало информации, в основном надо будет анализировать Чат, прикрепленный к каналу. Данную информацию для обучающего мероприятия планируем использовать.
Задание по подготовке данных (задание анализа даноых по корпоративным финансам, университет). Пожелания и особенности: https://docs.google.com/document/d/1GXJ07nYg8BXRYpCiWVd-Qqkdk2RaF0d-R3ZGFG5lsRI/edit описание задания. Оно достаточно простое.
Настройка. Пожелания и особенности: Обучаю LoRA для задачи LLM as Judge, хочется понять, в чем может быть проблема, что итоговое качество не сильно растет. Нужна консультация по дальнейшим шагам.
Data Science. Решение задачи. Задание включает изучение полиномиальной регрессии и реализацию методов оценки моделей в Python. Темы: функции потерь, оптимизация, визуализация остатков, создание класса полиномиального оценивателя, генерация синтетических данных и оценка смещения с дисперсией. 🔹 Вопрос 1: Генерация и визуализация синтетических данных Задание: Написать три функции: polynomial(p, x): вычисляет значения полинома в точках x, используя только базовые операции NumPy. generate_polynomial_data(n_samples, polynomial_coeffs, x_range, pos_noise_std, neg_noise_std, poly_func): генерирует случайные точки с шумом для полиномиальной регрессии. plot_regression_data(x, y, polynomial_coeffs, poly_func): строит график сгенерированных данных. 🔹 Вопрос 2: Функции потерь Задание: Реализовать две функции: mse_loss(y_true, y_pred): вычисляет среднеквадратичную ошибку (MSE). mae_loss(y_true, y_pred): вычисляет среднюю абсолютную ошибку (MAE). 🔹 Вопрос 3: Аппроксимация полинома с помощью оптимизации Задание: Реализовать функцию: fit_polynomial(x, y, degree, loss_fn): подбирает коэффициенты полинома, минимизируя заданную функцию потерь. 🔹 Вопрос 4: Визуализация остатков Задание: plot_residuals(x, y_true, degree, loss_fn, poly_func): Делит данные на обучающую (70%) и тестовую (30%) выборки. Строит остатки (разницу между реальными и предсказанными значениями). Показывает график ошибок с вертикальными линиями. 🔹 Вопрос 5: Реализация класса для полиномиальной регрессии Задание: Написать класс PolynomialEstimator с методами: __init__(self, degree, loss_func, poly_func): инициализация. fit(self, x, y): обучение модели. predict(self, x): предсказания. 🔹 Вопрос 6: Бутстрап-выборки с Out-of-Bag (OOB) Задание: create_bootstrap_samples(x, y, num_bootstrap): Генерирует бутстрап-выборки (случайные подмножества с заменой). Определяет out-of-bag (OOB) — данные, которые не попали в бутстрап-выборку. 🔹 Вопрос 7: Оценка смещения и дисперсии через бутстрап Задание: bias_variance_estimate(x, y, estimator, num_trials): Генерирует бутстрап-выборки. Обучает PolynomialEstimator на каждой. Для каждого объекта оценивает смещение и дисперсию. 🔹 Вопрос 8: Сравнение двух моделей по бутстрап-оценке Задание: compare_models_bootstrap(x, y, estimator1, estimator2, num_trials, loss_fn): Запускает бутстрап на двух разных моделях. Анализирует ошибки, смещение, дисперсию. Возвращает 0, если первая модель более простая, чем вторая, иначе 1. 🔹 Вопрос 9: Кросс-валидация Задание: cross_validation_estimate(x, y, estimator, loss_fn, k, random_seed): Делит данные на k разбивок (folds). Обучает PolynomialEstimator на k-1 частях, тестирует на оставшейся. Возвращает среднюю ошибку. 🔹 Вопрос 10: Визуализация зависимости ошибки кросс-валидации от сложности модели Задание: plot_cv_loss_vs_degree(x, y, degrees, loss_fn, k): Для каждого значения степени degree выполняет кросс-валидацию. Строит график ошибки кросс-валидации. Отмечает оптимальную степень полинома.
Data Science. Доработка существующего продукта. При установке печатной головки с серийным номером 7236 на машину необходим лицензионный файл *.lic следующего содержания: [JET] CUSTOMER=JV3DS 124B1 [LICENCE] NUMERO=7236 CODE=122721 CLE1=267250 CLE2=621841 CLE3=158901 DATE=20170518 EXPIRE=20170518 Сейчас необходимо поменять головку с другим серийным номером. Поэтому необходимо создать новый файл *lic.
Подготовка к тех.собесу и помощь в обучении. Ищу преподавателя способного объяснять сложные концепции простым языком, делится практическими примерами и предоставляет поддержку в освоении инструментов.
Сбор информации с выводом excel таблицы. Пожелания и особенности: Необходимо собрать информацию об участниках выставки из сайтов и предоставить в таблице excel 20 выставок.
Дано: - Есть 3 бизнес направления для которых подобрано 50 атрибутов с разной силой влияния на метрику "Предпочтение" - Каждый атриубут по-разному проявлен в восприятии разных компаний (4 конкурента). Характер проявленности описан параметром BIPs - Каждый атрибут отличается по потенциальному подходу к работе с ним: поддерживать / усиливать / развивать - Все атрибуты с разной силой влияют на ключевую метрику "предпочтение", но не между всеми атрибутами есть сильная связь. Для нас важна связь больше 50% персентиля Требования: 1. Фильтрация атрибутов по параметрам: продуктовая вертикаль: - покупка - долгосрочная аренда - краткосрочная аренда Подборка атрибутов: - все - ТОП-10 2. После фильтрации должно происходить формирование списка атрибутов, проранжированных по силе их вклада в метрику "предпочтение" для каждой вертикали - Атрибуты первого уровня (верхушка) - это ключевые 1-2 атрибута, от которых будет строиться цепочка 3. Далее при выборе 1-2 атрибутов 1го уровня должны последовательно и дополнительно формироваться 2 уровня цепочки (пирамиды): - После выбора атрибутов первого уровня, подтягиваются атрибуты второго уровня (середина), которые связаны с атрибутами первого уровня с силой связи от 50% персентиля - После выбора атрибутов второго уровня, подтягиваются атрибуты третьего уровня (основание), которые связаны с атрибутами второго уровня с силой связи от 50% персентиля ВАЖНО ДЛЯ ОБОИХ УРОВНЕЙ: атрибуты с силой связи 90-100% персентиля выделяются жирным шрифтом. 4. Описание каждого уровня цепочки атрибутов: Описание каждого атрибута: - Сила влияния на предпочтение - BIPs - значения по конкуренту 1, конкуренту 2 и конкуренту 3. А также конкуренту 4 для посуточной аренды) . - При BIPs равно и более 2% для покупки и долгосрочной аренды и равно и более 5% - окрашиваем в зеленый цвет. - Менее и равно -2% для покупки и долгосрочной аренды и равно и менее -5% - окрашиваем в красный цвет. - Промежуточные значение между -2% и 2%, и между -5% и 5% для посуточной аренды - темно-серым Описание целесообразности работы с теми или иными атрибутами. Все атрибуты прокрашены цветом: - Поддерживать (зеленые) – сильная сторона Конкуента 1 и BIPs Конкуента 1 ⋟ BIPs конкурентов - Усиливать (желтые) – сильная сторона Конкуента 1, но BIPs Конкуента 1 < BIPs конкурентов - Развивать (красные) – слабая или нейтральная сторона Конкуента 1 Для выбора атрибута, с которым(и) будем работать, нужно нажать на галочку рядом с конкретным атрибутом: - Условие 1. автоматическое проставление галочек рядом с атрибутами 2-го и 3-го уровня, которые были выбраны на предыдущем этапе (отображать их серой галкой). Серые галки нельзя отжать если не сделать это на предыдущем шаге, где они были проставлены рядом с конкретным атрибутом - В итоговую цепочку и расчет попадают только атрибуты с галочками - Всегда отображается окно, с информацией о суммарном вкладе цепочки в метрику "предпочтение". - Суммарный вклад в предпочтение = сумма всех вкладов, по атрибутам, по которым проставлены галочки. Каждый атрибут учитывается в расчете только 1 раз (в случае, если он появляется на разных этапах списков, в расчете не дублируется) Технические требования: - Язык программирования: Python - Нужна возможность расширения функционала макроса в будущем. - Сроки выполнения: 10 р.д. Ожидаемые результаты: создание эффективного инструмента для анализа атрибутов, влияющих на выбор площадки в отдельных вертикалях, который позволит оптимизировать процесс принятия решений относительно развития продукта и бренда. Для лучшего понимания терминологии сущностей в модели: - Атрибуты (т.е. идентификаторы) (высказывания, единица анализа, узел в графе) - Сила влияния атрибута на другие атрибуты, варьируется от 1% до 100% - Сила связи атрибута с предпочтением, прямой путь от узла атрибута до предпочтения, измеряется в % - Конкуренты - игроки на поле, каждый из конкурентов связан с атрибутами через BIPS - BIPS- метрика, есть для каждой пары атрибут-конкурент и представляет собой степень ассоциирования атрибута с конкурентом - Предпочтение - финальная зависимая переменная, каждый атрибут вне зависимости от связки с конкурентом имеет фиксированный вклад в предпочтение - Вклад в предпочтение - есть у каждого атрибута, вклад в предпочтение нескольких атрибутов считается как сумма вкладов каждого атрибута - Продуктовая вертикаль - верхнеуровневая переменная, фильтр, для каждой вертикали свой набор переменных, конкурентов, связей, BIPS
преподавание. Здравствуйте! Наша компания занимается дополнительным профессиональным образованием для взрослых в рамках проекта "Содействие занятости". Сейчас мы ищем талантливого преподавателя для совместной разработки и реализации образовательной программы "Аналитик данных на основе языка Python" общим объемом 256 академических часов. Ключевые особенности проекта: • Формат обучения: Занятия проводятся в дистанционном формате. • Целевая аудитория: Слушатели – взрослые люди, заинтересованные в получении новых профессиональных навыков. • Техническая платформа: Работаем на базе системы дистанционного обучения (ЛМС). • Мы работаем строго в соответствии с ТК РФ. Задачи и этапы: 1. Разработка программы (256 ч): • Учебно-тематический план и программа: Разработка согласно предоставленному шаблону. Наша команда методистов будет оказывать полное сопровождение на всех этапах, предоставляя подсказки и помощь. • Учебные материалы: Подготовка материалов для лекций, практических занятий и самостоятельной работы, с использованием готового шаблона. • Оплата за разработку: 180 000 рублей (включая НДФЛ). 2. Реализация программы (только лекции и практики в объеме 100 ак. ч.): • Проведение занятий: Лекции и практические занятия в объеме 100 академических часов, в дистанционном формате. • Оплата за реализацию: 2000 рублей за 1 академический час. 3. Проверка заданий: • Проверка практических заданий и выпускных аттестационных работ: * 1000 рублей за 1 астрономический час проверки. * Время на проверку одного практического задания: не более 5 минут. * Время на проверку одной аттестационной работы: не более 12 минут. * Критерии оценивания будут разработаны заранее для обеспечения возможности проверки в рамках указанного времени. • Уточнение: Сопровождение слушателей (техническая поддержка, ответы на общие вопросы) осуществляется командой тьюторов. Преподаватель отвечает только на вопросы, возникающие непосредственно в процессе обучения и в рамках занятий на ЛМС. В итоге, в обязанности преподавателя входит: • Разработка учебно-методических материалов (согласно шаблонам и при поддержке методистов) • Проведение лекций и практических занятий в дистанционном формате на базе ЛМС. • Проверка практических заданий и аттестационных работ согласно установленным критериям и временным рамкам. Срок реализации программы: 2025 год. Мы заинтересованы в долгосрочном сотрудничестве. Если вам это близко, у вас есть релевантное образование и опыт в данной сфере, то обязательно откликайтесь!.
Преподавание. Здравствуйте! Наша компания обучает взрослых в рамках проекта "Содействие занятости". Сейчас мы ищем талантливого преподавателя для совместной разработки и реализация образовательной программы "Аналитик данных на основе языка Python" общим объемом 256 академических часов. Ключевые особенности проекта: • Формат обучения: Занятия проводятся в дистанционном формате. • Целевая аудитория: Слушатели – взрослые люди, заинтересованные в получении новых профессиональных навыков. • Техническая платформа: Работаем на базе системы дистанционного обучения (ЛМС). • Мы работаем строго в соответствии с ТК РФ. Задачи и этапы: 1. Разработка программы (256 ч): • Учебно-тематический план и программа: Разработка согласно предоставленному шаблону. Наша команда методистов будет оказывать полное сопровождение на всех этапах, предоставляя подсказки и помощь. • Учебные материалы: Подготовка материалов для лекций, практических занятий и самостоятельной работы, с использованием готового шаблона. • Оплата за разработку: 180 000 рублей (включая НДФЛ). 2. Реализация программы (только лекции и практики в объеме 100 ак. ч.): • Проведение занятий: Лекции и практические занятия в объеме 100 академических часов, в дистанционном формате. • Оплата за реализацию: 2000 рублей за 1 академический час. 3. Проверка заданий: • Проверка практических заданий и выпускных аттестационных работ: * 1000 рублей за 1 астрономический час проверки. * Время на проверку одного практического задания: не более 5 минут. * Время на проверку одной аттестационной работы: не более 12 минут. * Критерии оценивания будут разработаны заранее для обеспечения возможности проверки в рамках указанного времени. • Уточнение: Сопровождение слушателей (техническая поддержка, ответы на общие вопросы) осуществляется командой тьюторов. Преподаватель отвечает только на вопросы, возникающие непосредственно в процессе обучения и в рамках занятий на ЛМС. В итоге, в обязанности преподавателя входит: • Разработка учебно-методических материалов (согласно шаблонам и при поддержке методистов) • Проведение лекций и практических занятий в дистанционном формате на базе ЛМС. • Проверка практических заданий и аттестационных работ согласно установленным критериям и временным рамкам. Срок реализации программы: 2025 год. Мы заинтересованы в долгосрочном сотрудничестве. Если у вас есть релевантное образование и опыт работы, обязательно откликайтесь!.
Data Science. Разработка с нуля, доработка существующего продукта, Автоматизация бизнес-процессов, интеграция CRM, парсинг данных. Работа проходит удалённо на почасовой основе (в пункте оплаты указана почасовая ставка) Требуется разработчик Python для автоматизации процессов отдела продаж/ создание масштабируемых автоматизированных решений. Вы будете тесно сотрудничать с командами маркетинга и развития бизнеса для проектирования, разработки и поддержки автоматизированных систем, оптимизирующих рабочие процессы, интегрирующихся со сторонними платформами и предоставляющих ценные аналитические данные. Основные обязанности: - Разработка и поддержка автоматизированных решений: Проектировать, писать код, тестировать и внедрять скрипты и приложения на Python для поддержки процессов продаж и маркетинга. - Интеграция API и обработка данных: Интегрировать различные сторонние API (например, CRM, социальные сети, платформы email-маркетинга) - Проектирование системы и архитектура: Разрабатывать масштабируемые и удобные для поддержки системы, способные адаптироваться к изменяющимся потребностям бизнеса. Обеспечивать надежную обработку ошибок, ведение логирования и мониторинг в рамках автоматизированных процессов. - Сотрудничество и коммуникация: Тесно взаимодействовать с межфункциональными командами (маркетинг, развитие бизнеса и IT) для сбора требований, предоставления технических консультаций и преобразования сложных концепций в практические стратегии. Требования: 1)Техническая экспертиза: Подтвержденный опыт разработки на Python (предпочтительно более 3 лет); Глубокие знания основ Python, библиотек и фреймворков (например, Pandas, Requests). 2) Навыки работы с LLM и проектирования запросов: Умение эффективно использовать ChatGPT и формулировать запросы к большим языковым моделям (LLM) для автоматизации задач, генерации креативных решений и оптимизации процессов обработки данных.
Data Science. Разработка с нуля, доработка существующего продукта. Вам необходимо разработать модели дискретного выбора на основе данных опроса о предпочтениях к MaaS-пакетам. Проведите описательный и корреляционный анализ, сформулируйте гипотезы, постройте мультиномиальную и упорядоченную логит-модели, протестируйте их и интерпретируйте результаты. Кода будет достаточно. В файле Assignment - задание; в файле Syrvey Data - набор данных.
Репетиторство по определенным модулям для студента. Анализ данных на практикуем в университете либо в питоне, либо в Google colab ( чаще а нем). Есть модули. Написано, сколько занятий на это будем посвящать. Будут скидывать лекции. Мне нужно понять данную дисциплину и уметь решать задачи.
Data Science. Доработка существующего продукта. Написать простой код на pyFlink, обрабатывающий поступающие в моменте данные из топика кафки аггрегирующей функцией и записывающий результат в другой топик кафки. Задача для начинающих по сути, никакого сложного кода не надо.
Доработка существующего продукта. Обработать в bi системе источник данных (finebi - если не работали, но умеете объединять таблицы по ключам - пожалуйста тоже пишите).
Доработка существующего продукта. Тестовое задание для Системного/Бизнес-аналитика Практическое задание 1: BPMN (Business Process Model and Notation) Задание: Автоматизация процесса обработки заказов в интернет-магазине Описание задачи: Интернет-магазин хочет автоматизировать процесс обработки заказов. Ваше задание — создать BPMN-диаграмму, которая показывает процесс от момента оформления заказа до его доставки клиенту. Процесс должен учитывать следующие этапы: Оформление заказа: Клиент размещает заказ на сайте. Подтверждение оплаты: Система проверяет статус оплаты. Если оплата успешна, заказ переходит на следующий этап. Если оплата не проходит, заказ отменяется. Комплектация заказа: Работник склада комплектует заказ. Если товар отсутствует на складе, клиенту отправляется уведомление об отмене заказа. Отгрузка заказа: Комплектованный заказ отправляется курьерской службой. Доставка заказа: Клиент получает заказ, а система обновляет статус заказа как «Доставлен». Требования к BPMN-диаграмме: Используйте элементы: Start Event, End Event, Gateways (Exclusive), Tasks, Pools, Lanes, Sequence Flow, Message Flow. Добавьте комментарии для пояснения решений. Практическое задание 2: UML Sequence Diagram Задание: Авторизация пользователя в веб-приложении Описание задачи: Смоделируйте процесс авторизации пользователя на веб-приложении с использованием UML Sequence Diagram. Процесс должен учитывать следующие шаги: Пользователь вводит логин и пароль на форме входа. Форма входа отправляет данные на сервер для проверки. Сервер проверяет логин и пароль в базе данных. Если данные корректны, сервер создаёт сессию и возвращает успешный ответ. Если данные некорректны, сервер возвращает сообщение об ошибке. Форма входа отображает результат авторизации пользователю. Участники диаграммы (Actors): User (Пользователь) Login Form (Форма входа) Server (Сервер) Database (База данных) Требования к UML Sequence Diagram: Покажите взаимодействия между участниками с использованием Messages, Lifelines и Activation Bars. Отразите альтернативный сценарий на случай ошибки при авторизации. Используйте alt фрейм для ветвлений (успешная авторизация / ошибка). По данному вопросу я выполнил задание, но нужны правки, вот комментарии от специалиста:"Необходимо переделать оба задания: Первое задание не соответствует нотации BPMN. Во втором задании некорректно расположены потоки сообщений. Необходимо посмотреть примеры" Переделать необходимо именно работу во вложениях.
Data Science. Разработка с нуля. Необходимо разработать систему для автоматизации определенных задач: Сбор данных из источника, Создание Excel таблицы по форме, Создание финансового отчета Word по форме с краткой упрощенной аналитикой (по сравнению с прошлым кварталом, доход вырос на 2.5%. Ввиду повышения розничных цен на рынке, предлагаю поднять цены на товарную группу [12345678] с 1.2$/кг до 1.24$/кг, что увеличит доход на...) Ежемесячное обновление Маркетинговой аналитики в виде Таблицы на Сайте по определенным Товарным Группам (Просто обновление цифр из уже готовой отчетности с портала TradeMap).
Data Science. Разработка с нуля, настройка, доработка существующего продукта. Карина, здравствуйте! Меня зовут Олег Карпов, руководитель компании "Информационные системы ИнтерМед" Видели ваше выступление на Цифровом прорыве. Мы - разработчики медицинских систем, в том числе по распознаванию мед данных (рентгены, ЭКГ, ЭЭГ и пр) Сейчас заинтересованы в работах по распознаванию медицинских изображений и анализа результатов ЭКГ. Ваши наработки могут быть нам интересны, предлагаем обсудить варианты сотрудничества. ТГ oleg_chehov.
Разработка с нуля. Необходимо создать таблицу в эксель (таблица должна быть управляемой, то есть меняешь вводные и автоматически меняются показатели) . Таблица- ассортиментная матрица, где есть вводные: категория, название позиции, абс по продажам, абс по количеству, абсолютное асб, материальная себестоимость, цена , маржинальность абсолютная и маржинальность в % . Есть небольшой придуманный шаблон, может по нему будет понятней.
Data Science. обучение теории. Прохожу обучение в магистратуре по анализу данных. Нужна помощь в понимании теории и решении практических задач, например, размерность Вапника-Червоненкис, исключённая оценка (leave-one-out cross-validation estimate), линейные классификаторы, алгоритм персептрона, ядерные методы (Kernel methods), ядерный персептрон и др.
Data Science. Помощь. 23.02.2025 примерно 20:00 по мск, у меня вылетел телеграмм на всех устройствах, к сожалению уже нету номера, на который был зарегистрирован телеграмм и я не могу войти по смс. Нужна помощь.
Data Science. Доработка существующего продукта. Необходимо исправить ошибки в коде для парсинга данных Мосбиржы. Есть готовые коды через requests и selenium, но они загружают не те данные.
Разработка с нуля, доработка существующего продукта. Организация: ООО Солтех (энергетика). Ключевые задачи: - Исследование баз данных – анализ существующих данных на предмет выявления полезной для бизнеса информации, формирование инсайтов для принятия решений. - Разработка и внедрение продукта – участие в создании ML-решения для промышленного производства, интеграция модели в реальную среду. - Доработка системы видеоаналитики – улучшение существующего решения на основе компьютерного зрения, работа с данными и оптимизация алгоритмов. Обязанности: - Разработка и тестирование моделей машинного обучения на основе табличных данных и изображений. - Подготовка и обработка данных (ETL, фичеинжиниринг, предобработка изображений). - Оптимизация существующих моделей, адаптация их к требованиям бизнеса. - Взаимодействие с командой аннотаторов для получения качественной разметки. - Интеграция моделей в бизнес-процессы, оценка их эффективности. - Работа с интерфейсами пользователей. Требования: - Опыт работы в области машинного обучения от 1 года. - Знание Python, SQL, pandas, numpy, scikit-learn, OpenCV, PyTorch. - Навыки работы с компьютерным зрением и табличными данными. - Понимание процесса разметки данных и взаимодействия с аннотаторами. - Умение анализировать данные и формулировать бизнес-выводы. - Опыт развертывания ML-моделей в production будет преимуществом. Условия работы: Формат: удаленная работа. Оформление: ГПХ, самозанятость. График: не менее 4 часов в день (гибкий). Срок: с момента заключения договора до конца года. Оплата: до 100 000 руб. в месяц (до налогов), в зависимости от объема и сложности задач. Резюме можно присылать на адрес: Contact (собака) soltekh.ru.
Разработка с нуля. Пожелания и особенности: Тема: Анализ преемственности в семейном бизнесе через библиометрический и сетевой анализ (network analysis). Цель: Определить ключевые направления исследований, ведущих авторов, связи между публикациями и научными кластерами по теме преемственности в семейном бизнесе. Сбор данных: Google Scholar, Scopus, Web of Science. Ключевые слова: Family business succession, Corporate governance, Наследование бизнеса. Обработка: Очистка данных, форматы CSV/JSON. Сетевой анализ: Соавторство, цитирование, ключевые слова. Метрики: Центральность, кластеры (Louvain method). Инструменты: Python (NetworkX), Gephi, VOSviewer. Результаты: Ведущие авторы, научные тренды, пробелы в литературе, графики. Все обсуждаемо!!!!!.
Data Science. Разработка с нуля. Пожелания и особенности: Тема: Анализ преемственности в семейном бизнесе через библиометрический и сетевой анализ (network analysis). Цель: Определить ключевые направления исследований, ведущих авторов, связи между публикациями и научными кластерами по теме преемственности в семейном бизнесе. Сбор данных: Google Scholar, Scopus, Web of Science. Ключевые слова: Family business succession, Corporate governance, Наследование бизнеса. Обработка: Очистка данных, форматы CSV/JSON. Сетевой анализ: Соавторство, цитирование, ключевые слова. Метрики: Центральность, кластеры (Louvain method). Инструменты: Python (NetworkX), Gephi, VOSviewer. Результаты: Ведущие авторы, научные тренды, пробелы в литературе, графики.
Data Science. Доработка существующего продукта. Вам необходимо разработать модели дискретного выбора на основе данных опроса о предпочтениях к MaaS-пакетам. Проведите описательный и корреляционный анализ, сформулируйте гипотезы, постройте мультиномиальную и упорядоченную логит-модели, протестируйте их и интерпретируйте результаты. (Есть часть написанного кода на R, есть файл с датасетом, во вложениях прикреплено задание). Можно написать через Python (Biogeme), но тогда с нуля.
Data Science. Настройка, Вышла из аккаунта телеграмм,требует пароль двойной аунтификации ,без него зайти не могу,нужно восстановить телеграмм аккаунт. Восстановить телеграмм аккаунт без сброса.
Почему стоит искать работу для фриласнеров по профилю data scientist в России у нас?
🔸 Более 5 предложений о работе за сегодня в тематике data scientist
🔸 Работа и подработка на бирже фриланса от прямых заказчиков, которым нужна помощь специалистов по профилю data scientist уже сегодня!
🔸 Свежих заказов на data scientist в России для фрилансеров на май 2026 года — 140 шт.
Как найти удалённую работу для фриланс-специалистов по профилю data scientist в России?
Вы специалист по data scientist и ищете проекты и заказы на удалёнке в России? Нам всегда есть что вам предложить. Ежедневно мы публикуем новые проекты и заказы по вашей специальности. Найдите интересную работу уже сегодня
Сколько проектов для IT-специалистов по профилю data scientist в России?
На май 2026 года опубликовано 140 предложений удалённой работы от прямых заказчиков для исполнителей по специализации data scientist
Сколько можно заработать выполняя проекты по data scientist?
Специалисты по профилю data scientist зарабатывают от 0.00 рублей с заказа. Хотите больше? Выполняйте как можно больше заказов и зарабатывайте сколько пожелаете