Подработка для репетиторов по машинное обучение в России

Для себя

Для себя

Подготовка к экзамену

Для работы Проверяющий домашних заданий по машинному обучению (ML) ?? Частичная занятость | ? 1–2 часа в неделю | ?? Удалённо Ищем проверяющего для курса по машинному обучению. Подходит студентам и начинающим специалистам с опытом от 6 месяцев до 1,5 лет в Data Science / ML. Задача — проверять домашние работы по готовым решениям и оставлять комментарии. Будет плюсом опыт преподавания или проверки работ (в вузах, на курсах и т.д.) и желание развиваться в сфере преподавания. Можно совмещать с учёбой или основной работой. Есть возможность бесплатно пройти курс. Как откликнуться: Отправьте краткое сообщение о себе (где учитесь/работаете, опыт в ML, интерес к преподаванию) и ссылку на профиль (GitHub, Telegram или LinkedIn).

Для работы Обучение ML

Для себя

Для себя Вид заказа: машинное обучение. Описание: Нужна помощь в обучении машинному обучению в области ИБ. Имеется проект, реализовать классификатор событий ИБ, результатом которого будет вероятность ИИБ. Мне необходимо с нуля обьяснить что такое машинное обучение, как работает, помочь выбрать модель для классификации. Желательно за одно занятие, можно несколько часов. Результатом, я должен сам, с нуля выполнять похожие задачи.

помощь с лабораторными Лабораторные работы

Подготовка к экзамену

Для себя Есть датасет стакан котировок. Нужно увеличить метку f1 score

Для себя Научится водить в узких дворах, на дорогах и тд

Для себя

Для себя Используя наборы данных StateNames.csv и NationalNames.csv, отображающие: популярность имён новорождённых по штатам; изменение популярности имён новорождённых по годам. Построить модель, которая бы позволила предсказывать популярные мужские имена в разрезе дат (лет) и штатов. Девушки выполняют Вариант 1, юноши -- Вариант 2. Входными параметрами являются название штата и имя: например, NY и Sarah или FL и Edward.

Для себя Вкатиться в ML разработку. Подготовка по линейной алгебре и мат анализу. Разработка Deep Learning моделей под мои задачи. Пример проекта, который я себе поставил как цель - анализ книг на нарушения по категориям. Имею опыт разработки. Обладаю гибкостью в разработке и тестировании. Python могу писать только с помощью гугла, знаю C# и подходы к разработке. В большинстве своём занимался разработкой игр на том же C#.

Для работы

Для работы

Для себя Линукс и пайтон.У меня есть 10 прокси хочу сделать так чтобы они смотрели twitch.tv канал или заходили на сайт

Подготовка к экзамену

Для себя Kaggle

Подготовка к экзамену

Для себя

Для работы Объяснить мне которые понятия, помочь ответить на несколько вопросов

Для себя

Для себя Нейронные сети

Для себя Репетитор для ребенка 15 лет

Для работы

Для работы Переход внутри компании на другую позицию

Подготовка к экзамену

Для себя

Для себя Нужно помочь улучшить скор в моей задаче. Использую градиентный бустинг catboost, но пока не получается сильно улучшить результаты в задаче регрессии. Данных 10 тысяч, это временной ряд.

Подготовка к экзамену

Подготовка к экзамену

Для себя

Дз университет Мне нужно по моему датасету сделать следующее: И желательно в ближайшие дни Прогнозирование выручки с использованием моделей временных рядов 1. Подготовка данных ? Создайте датафрейм из двух столбцов: date (дата) и sales (продажи/выручка). ? Преобразуйте столбец date в тип datetime. ? Установите date в качестве индекса датафрейма (df.set_index('date', inplace=True)). ? Проверьте данные на пропуски и дубликаты. Решите, как их обработать (интерполяция, заполнение средним и т.д.). 2. Агрегация и первичный анализ ? Используйте df.resample('M').sum() (или 'W', 'Q') для выбора периода (месяц — оптимально для большинства бизнес-задач). Обоснуйте выбора периода. ? Постройте линейный график агрегированного ряда (plot()). Оцените визуально: есть ли тренд, сезонность, выбросы, структурные изменения. 3. Декомпозиция ряда ? Выполните декомпозицию (аддитивную или мультипликативную) с помощью seasonal_decompose. Мультипликативная модель подходит, если амплитуда сезонных колебаний растет со временем. ? Визуализируйте тренд, сезонную компоненту и остаток. 4. Проверка на стационарность и стационаризация ? Определите тип колеблемости с помощью автокорреляции первого порядка по отклонению от тренда. ? Определите стационарность набора данных с помощью теста Дики-Фуллера (ADF). Если p-value > 0.05, ряд нестационарен. ? Примените первое дифференцирование: df_diff = df.diff().dropna(), если ряд нестационарен. ? Повторно провести ADF-тест для df_diff. Если ряд все еще нестационарен, применить второе дифференцирование. Порядок дифференцирования d = 1 (реже 2). 5. Идентификация модели ? Постройте графики ACF и PACF для стационарного ряда (df_diff). ? Определите p (порядок AR). Смотреть на график PACF. Порядок p — это количество значимых выбросов до того, как корреляции перестанут быть значимыми (окажутся внутри доверительного интервала). ? Определите q (порядок MA). Смотреть на график ACF. Порядок q — это количество значимых выбросов до того, как корреляции перестанут быть значимыми. ? Определите наличие сезонности. Если на графике ACF исходного ряда есть значимые пики на лагах, кратных периоду (например, на 12, 24, 36 для месячных данных), нужна SARIMA с сезонными параметрами (P, D, Q, S), где S — период сезонности (12 для месяцев). 6. Разделение данных и обучение модели ? Разделите ряд на обучающую (70-80%) и тестовую (20-30%) выборки. Не перемешивать! Тестовая часть — это последние периоды временного ряда. ? Подберите несколько моделей-кандидатов на основе шага 5 (например, ARIMA(1,1,1), ARIMA(0,1,2), SARIMA(1,1,1)(1,1,1,12)). ? Обучите каждую модель на тренировочных данных. 7. Валидация и выбор лучшей модели ? Сделайте прогноз по каждой модели на длину тестовой выборки. ? Рассчитайте метрики ошибок (MAE, RMSE, MAPE) на тестовой выборке, сравнив прогноз с реальными значениями. ? Выберите модель с наименьшими ошибками. ? Визуализируйте: на одном графике тренировочные данные, тестовые данные и прогноз выбранной модели. 8. Диагностика остатков ? Получите остатки (ошибки) финальной модели: residuals = model_fit.resid. ? Проверьте на нормальность полученные ошибки. Постройте гистограмму с кривой распределения и/или Q-Q plot. Выполнить тест Шапиро-Уилка (если данных не очень много). ? Проверьте на автокорреляцию полученные остатки. Постройте график ACF для остатков. Выполнить тест Льюнга-Бокса (p-value должен быть > 0.05, что говорит об отсутствии автокорреляции). ? Проверьте остатки на гомоскедастичность. Постройте график остатков от времени. Не должно быть какой-либо структуры (например, увеличения разброса со временем). Хорошие остатки похожи на "белый шум". 9. Финальное прогнозирование ? Если диагностика остатков удовлетворительная, переобучите выбранную модель на всем доступном наборе данных (train + test). ? Постройте прогноз на нужное количество шагов вперед. ? Постройте график итогового прогноза с доверительными интервалами. В чем проблема - у меня вроде получилось сделать 5 первых шагов, но датасет всего из 12 месяцев и это создает проблемы, которые я не уверена, что решаю и интерпретирую правильно Так же до этого делала анализ по этому датасету (что-то вроде предобработка, eda, статистический анализ) и там есть некоторые моменты по rfm анализу, где хотелось бы тоже услышать мнение, но это уже по возможности и не так важно

Для себя Есть датасет и первые пять пунктов вроде сделаны, но с остальными не получается Сделать надо сегодня-завтра Прогнозирование выручки с использованием моделей временных рядов 1. Подготовка данных ? Создайте датафрейм из двух столбцов: date (дата) и sales (продажи/выручка). ? Преобразуйте столбец date в тип datetime. ? Установите date в качестве индекса датафрейма (df.set_index('date', inplace=True)). ? Проверьте данные на пропуски и дубликаты. Решите, как их обработать (интерполяция, заполнение средним и т.д.). 2. Агрегация и первичный анализ ? Используйте df.resample('M').sum() (или 'W', 'Q') для выбора периода (месяц — оптимально для большинства бизнес-задач). Обоснуйте выбора периода. ? Постройте линейный график агрегированного ряда (plot()). Оцените визуально: есть ли тренд, сезонность, выбросы, структурные изменения. 3. Декомпозиция ряда ? Выполните декомпозицию (аддитивную или мультипликативную) с помощью seasonal_decompose. Мультипликативная модель подходит, если амплитуда сезонных колебаний растет со временем. ? Визуализируйте тренд, сезонную компоненту и остаток. 4. Проверка на стационарность и стационаризация ? Определите тип колеблемости с помощью автокорреляции первого порядка по отклонению от тренда. ? Определите стационарность набора данных с помощью теста Дики-Фуллера (ADF). Если p-value > 0.05, ряд нестационарен. ? Примените первое дифференцирование: df_diff = df.diff().dropna(), если ряд нестационарен. ? Повторно провести ADF-тест для df_diff. Если ряд все еще нестационарен, применить второе дифференцирование. Порядок дифференцирования d = 1 (реже 2). 5. Идентификация модели ? Постройте графики ACF и PACF для стационарного ряда (df_diff). ? Определите p (порядок AR). Смотреть на график PACF. Порядок p — это количество значимых выбросов до того, как корреляции перестанут быть значимыми (окажутся внутри доверительного интервала). ? Определите q (порядок MA). Смотреть на график ACF. Порядок q — это количество значимых выбросов до того, как корреляции перестанут быть значимыми. ? Определите наличие сезонности. Если на графике ACF исходного ряда есть значимые пики на лагах, кратных периоду (например, на 12, 24, 36 для месячных данных), нужна SARIMA с сезонными параметрами (P, D, Q, S), где S — период сезонности (12 для месяцев). 6. Разделение данных и обучение модели ? Разделите ряд на обучающую (70-80%) и тестовую (20-30%) выборки. Не перемешивать! Тестовая часть — это последние периоды временного ряда. ? Подберите несколько моделей-кандидатов на основе шага 5 (например, ARIMA(1,1,1), ARIMA(0,1,2), SARIMA(1,1,1)(1,1,1,12)). ? Обучите каждую модель на тренировочных данных. 7. Валидация и выбор лучшей модели ? Сделайте прогноз по каждой модели на длину тестовой выборки. ? Рассчитайте метрики ошибок (MAE, RMSE, MAPE) на тестовой выборке, сравнив прогноз с реальными значениями. ? Выберите модель с наименьшими ошибками. ? Визуализируйте: на одном графике тренировочные данные, тестовые данные и прогноз выбранной модели. 8. Диагностика остатков ? Получите остатки (ошибки) финальной модели: residuals = model_fit.resid. ? Проверьте на нормальность полученные ошибки. Постройте гистограмму с кривой распределения и/или Q-Q plot. Выполнить тест Шапиро-Уилка (если данных не очень много). ? Проверьте на автокорреляцию полученные остатки. Постройте график ACF для остатков. Выполнить тест Льюнга-Бокса (p-value должен быть > 0.05, что говорит об отсутствии автокорреляции). ? Проверьте остатки на гомоскедастичность. Постройте график остатков от времени. Не должно быть какой-либо структуры (например, увеличения разброса со временем). Хорошие остатки похожи на "белый шум". 9. Финальное прогнозирование ? Если диагностика остатков удовлетворительная, переобучите выбранную модель на всем доступном наборе данных (train + test). ? Постройте прогноз на нужное количество шагов вперед. ? Постройте график итогового прогноза с доверительными интервалами.

Для себя Хочу найти работу, никак не могу трудоустроиться нужно закрыть пробелы по знаниям

Проект в университете Рекомендательные системы, консультирование по коду, теории

Подготовка к экзамену

Для себя Разработка 3-ех слойной нейронной сети и ее машинное обучение для корреляционного и регрессионного анализа вклада 3 основных параметров в измерения

Для себя Помочь с выполнением лабораторных по машинному обучению

Подготовка к экзамену

Для работы Ищу репетитора для составления и курирования индивидуального плана обучения с нуля до Junior ML Engineer

Подготовка к экзамену

Для себя Помощь с дз по решающим деревьям

Для работы Разработать: 1. Методические материалы по практической и самостоятельной работе студентов 2. Контрольно-оценочные средства по дисциплинам: Разработка программных модулей в системах искусственного интеллекта Разработка мобильных приложений с поддержкой искусственного интеллекта Тестирование программных модулей Есть разработанные образовательные программы, названия практических работ.

Для себя Трек по освоению ML с нуля

Подготовка к экзамену

Подготовка к экзамену

Подготовка к экзамену

Для сдачи работ и подготовке к их защите Нужна помощь написать практические работы по машинному обучению, подробно их разобрать, разобраться в логике работы кода и теории. В практических заданиях нужно писать методы машинного обучение ВРУЧНУЮ, без использования библиотек. Надо также разобрать не только код, но и теорию, чтобы хорошо подготовиться к защите. Конкретно, нужно реализовать наивный байес, plug-in (подстановочный), лдф, рбф, линейную регрессию (или любое из регрессии/ классификации), knn но необычный (расскажу) Осталось на сдачи работ две недели (два практических занятия)