Подработка для репетиторов по Python в России
Найдено вариантов подработки — 1354
| 🔸 | Преподаёте Python и ищете подработку в России? |
| 🔸 | У нас можно найти работу или подработку, выбрав из более чем 1354 вакансий |
| 🔸 | Заявки от прямых заказчиков, которым нужно подтянуть знания по Python |
| 🔸 | Актуальных предложений на ноябрь 2024 года — 1354 |
Категория
.NET
1С:Битрикс
AJAX
Android
Angular.js
Arduino
ASP.NET
Assembler
C#
C++
CCIE
CCNA
CCNP
Clojure
Delphi
Django
Flask
Fortran
Haskell
iOS
Java
Javascript
Joomla
jQuery
Kotlin
Labview
Laravel
Lazarus
Lisp
Lua
Microsoft Visual Studio
Node.js
Pascal
Perl
PHP
Prolog
Python
React
Roblox Studio
Ruby
Ruby on Rails
SAP ERP
Scala
Scheme
Scratch
Spring
SQL
Swift
UX-UI дизайн
VB.NET
VBA
Verilog
Visual Basic
Vue.js
Wordpress
веб-программирование
вёрстка веб-страниц
КуМир
машинное обучение
обучение Construct
обучение FastAPI
обучение Git
обучение Pandas
обучение TypeScript
обучение Unity3D
обучение Unreal Engine
обучение компьютерному зрению
обучение параллельному программированию
обучение работе с нейросетями
обучение созданию нейросетей
обучение фронтенд-разработке
ООП
повышение квалификации по программированию
программирование 1С
программирование на английском
разработка мобильных приложений
сертификации Cisco
спортивное программирование
тестирование программного обеспечения
язык C
язык Dart
язык FoxPro
язык Go
язык R
языки программирования
Регион
Адыгея
Алтай
Амурская область
Архангельск
Астрахань
Белгород
Брянск
Бурятия
Великий Новгород
Волгоград
Вологда
Воронеж
Дагестан
Екатеринбург
Забайкальский край
Иваново
Ингушетия
Иркутск
Кабардино-Балкария
Казань
Калининград
Калуга
Карелия
Кемерово
Киров
Коми
Кострома
Краснодар
Красноярск
Крым
Курган
Курск
Липецк
Марий Эл
Мордовия
Москва
Мурманск
Нижний Новгород
Новосибирск
Омск
Оренбург
Орёл
Пенза
Пермь
Приморский край
Псков
Ростов-на-Дону
Самара
Санкт-Петербург
Саратов
Смоленск
Сочи
Ставрополь
Тверь
Тольятти
Томск
Тюмень
Удмуртия
Ульяновск
Уфа
Хабаровск
Ханты-Мансийский АО
Чечня
Чувашия
Южно-Сахалинск
Якутия
Ярославль
Уровень дохода
Тип занятости
Обучение Python
дистанционно
от 4000.00 руб.
. Ищу программиста Java. Чтобы сделать упражнения из университета, из курса «введение в software engineering» каждое задание занимает 1-2 часа максимум, они не сложные.
Сочи
Репетиторы
2024-05-15
Обучение Python
дистанционно
от 500.00 руб.
Для себя Объяснить школьную тему для 8 класса «Работа с последовательностями натуральных чисел»
Киров
Репетиторы
2024-05-15
Обучение Python
на дому или дистанционно
договорная
Для ребёнка Обучить ребeнка Python, чтобы он был способен решать, как минимум, задачки из ЕГЭ
Москва
Репетиторы
2024-05-15
Обучение Python
без разницы
от 1000.00 руб.
Для ребёнка Отработка практических заданий в колледже и устранить пробелы
Москва
Репетиторы
2024-05-15
Обучение Python
без разницы
от 1000.00 руб.
Для ребёнка Разобрать практические работы из колледжа
Москва
Репетиторы
2024-05-15
Обучение Python
дистанционно
договорная
Для ребёнка Ребенок 10 лет хочет изучать Питон!
Москва
Репетиторы
2024-05-15
Обучение Python
дистанционно
от 550.00 руб.
Для университета Выполнить лабораторные работы
Краснодар
Репетиторы
2024-05-15
Обучение Python
на дому или дистанционно
договорная
Для себя Изучение языка с нуля
Москва
Репетиторы
2024-05-15
Обучение Python
дистанционно
договорная
Для ребёнка Обучение с нуля
Москва
Репетиторы
2024-05-15
Обучение Python
дистанционно
договорная
Подготовка к экзамену
Москва
Репетиторы
2024-05-15
Обучение Python
дистанционно
договорная
Подготовка к экзамену
Москва
Репетиторы
2024-05-15
Обучение Python
дистанционно
от 500.00 руб.
Подготовка к экзамену
Санкт-Петербург
Репетиторы
2024-05-15
Обучение Python
на дому или дистанционно
от 800.00 руб.
Подготовка к экзамену
Санкт-Петербург
Репетиторы
2024-05-15
Обучение Python
без разницы
договорная
Подготовка к экзамену
Санкт-Петербург
Репетиторы
2024-05-15
Обучение Python
дистанционно
договорная
Подготовка к экзамену
Санкт-Петербург
Репетиторы
2024-05-15
Обучение Python
дистанционно
от 1500.00 руб.
Для себя Во всех заданиях данного раздела запрещено использовать циклы и list comprehensions. Под вектором и матрицей в данных заданиях понимается одномерный и двумерный numpy.array соответственно. In [ ]: import numpy as np 1. (0.5 балла) Реализуйте функцию, возвращающую максимальный элемент в векторе x среди элементов, перед которыми стоит нулевой. Для x = np.array([6, 2, 0, 3, 0, 0, 5, 7, 0]) ответом является 5. Если нулевых элементов нет, функция должна возвращать None. In [ ]: def max_element(arr): # Your code here 2. (0.5 балла) Реализуйте функцию, принимающую на вход матрицу и некоторое число и возвращающую ближайший к числу элемент матрицы. Например: для X = np.arange(0,10).reshape((2, 5)) и v = 3.6 ответом будет 4. In [ ]: def nearest_value(X, v): # Your code here 3. (0.5 балла) Реализуйте функцию scale(X), которая принимает на вход матрицу и масштабирует каждый ее столбец (вычитает выборочное среднее и делит на стандартное отклонение). Убедитесь, что в функции не будет происходить деления на ноль. Протестируйте на случайной матрице (для её генерации можно использовать, например, функцию numpy.random.randint). In [ ]: def scale(X): # Your code here 4. (0.5 балла) Реализуйте функцию, которая для заданной матрицы находит: определитель след наименьший и наибольший элементы норму Фробениуса собственные числа обратную матрицу Для тестирования сгенерируйте матрицу с элементами из нормального распределения N (10,1) In [ ]: def get_stats(X): # Your code here 5. (0.5 балла) Повторите 100 раз следующий эксперимент: сгенерируйте две матрицы размера 10x10 из стандартного нормального распределения, перемножьте их (как матрицы) и найдите максимальный элемент. Какое среднее значение по экспериментам у максимальных элементов? 95-процентная квантиль? In [ ]: for exp_num in range(100): # Your code here Pandas Ответьте на вопросы о данных по авиарейсам в США за январь-апрель 2008 года. Данные и их описание In [ ]: import pandas as pd %matplotlib inline 6. (0.3 балла) Какая из причин отмены рейса (CancellationCode) была самой частой? (расшифровки кодов можно найти в описании данных) In [ ]: # Your code here 7. (0.3 балла) Найдите среднее, минимальное и максимальное расстояние, пройденное самолетом. In [ ]: # Your code here 8. (0.3 балла) Не выглядит ли подозрительным минимальное пройденное расстояние? В какие дни и на каких рейсах оно было? Какое расстояние было пройдено этими же рейсами в другие дни? In [ ]: # Your code here 9. (0.3 балла) Из какого аэропорта было произведено больше всего вылетов? В каком городе он находится? In [ ]: # Your code here 10. (0.3 балла) Найдите для каждого аэропорта среднее время полета (AirTime) по всем вылетевшим из него рейсам. Какой аэропорт имеет наибольшее значение этого показателя? In [ ]: # Your code here 11. (1 балл) Найдите аэропорт, у которого наибольшая доля задержанных (DepDelay > 0) рейсов. Исключите при этом из рассмотрения аэропорты, из которых было отправлено меньше 1000 рейсов (используйте функцию filter после groupby). In [ ]: # Your code here Линейная регрессия В этой части мы разберемся с линейной регрессией, способами её обучения и измерением качества ее прогнозов. Будем рассматривать датасет из предыдущей части задания для предсказания времени задержки отправления рейса в минутах (DepDelay). Отметим, что под задержкой подразумевается не только опоздание рейса относительно планируемого времени вылета, но и отправление до планируемого времени. Подготовка данных 12. (1 балл) Считайте выборку из файла при помощи функции pd.read_csv и ответьте на следующие вопросы: Имеются ли в данных пропущенные значения? Сколько всего пропущенных элементов в таблице "объект-признак"? Сколько объектов имеют хотя бы один пропуск? Сколько признаков имеют хотя бы одно пропущенное значение? In [ ]: # Your code here Как вы понимаете, также не имеет смысла рассматривать при решении поставленной задачи объекты с пропущенным значением целевой переменной. В связи с этим ответьте на следующие вопросы и выполните соответствующие действия: Имеются ли пропущенные значения в целевой переменной? Проанализируйте объекты с пропущенными значениями целевой переменной. Чем вызвано это явление? Что их объединяет? Можно ли в связи с этим, на ваш взгляд, исключить какие-то признаки из рассмотрения? Обоснуйте свою точку зрения. Исключите из выборки объекты с пропущенным значением целевой переменной и со значением целевой переменной, равным 0, а также при необходимости исключите признаки в соответствии с вашим ответом на последний вопрос из списка и выделите целевую переменную в отдельный вектор, исключив её из матрицы "объект-признак". In [ ]: # Your code here 13. (0.5 балла) Обратите внимание, что признаки DepTime, CRSDepTime, ArrTime, CRSArrTime приведены в формате hhmm, в связи с чем будет не вполне корректно рассматривать их как вещественные. Преобразуйте каждый признак FeatureName из указанных в пару новых признаков FeatureName_Hour, FeatureName_Minute, разделив каждое из значений на часы и минуты. Не забудьте при этом исключить исходный признак из выборки. В случае, если значение признака отсутствует, значения двух новых признаков, его заменяющих, также должны отсутствовать. Например, признак DepTime необходимо заменить на пару признаков DepTime_Hour, DepTime_Minute. При этом, например, значение 155 исходного признака будет преобразовано в значения 1 и 55 признаков DepTime_Hour, DepTime_Minute соответственно. In [ ]: # Your code here 14. (1 балл) Некоторые из признаков, отличных от целевой переменной, могут оказывать чересчур значимое влияние на прогноз, поскольку по своему смыслу содержат большую долю информации о значении целевой переменной. Изучите описание датасета и исключите признаки, сильно коррелирующие с ответами. Ваш выбор признаков для исключения из выборки обоснуйте. Кроме того, исключите признаки TailNum и Year. In [ ]: # Your code here 15. (0.5 балла) Приведем данные к виду, пригодному для обучения линейных моделей. Для этого вещественные признаки надо отмасштабировать, а категориальные — привести к числовому виду. Также надо устранить пропуски в данных. В первую очередь поймем, зачем необходимо применять масштабирование. Следующие ячейки с кодом построят гистограммы для 3 вещественных признаков выборки. In [ ]: X['DepTime_Hour'].hist(bins=20) In [ ]: X['TaxiIn'].hist(bins=20) In [ ]: X['FlightNum'].hist(bins=20) Какую проблему вы наблюдаете на этих графиках? Как масштабирование поможет её исправить? Некоторые из признаков в нашем датасете являются категориальными. Типичным подходом к работе с ними является бинарное, или one-hot-кодирование. Реализуйте функцию transform_data, которая принимает на вход DataFrame с признаками и выполняет следующие шаги: Замена пропущенных значений на нули для вещественных признаков и на строки 'nan' для категориальных. Масштабирование вещественных признаков с помощью StandardScaler. One-hot-кодирование категориальных признаков с помощью DictVectorizer или функции pd.get_dummies. Метод должен возвращать преобразованный DataFrame, который должна состоять из масштабированных вещественных признаков и закодированных категориальных (исходные признаки должны быть исключены из выборки). In [ ]: def transform_data(data): # Your code here Примените функцию transform_data к данным. Сколько признаков получилось после преобразования? In [ ]: # Your code here 16. (1 балл) Разбейте выборку и вектор целевой переменной на обучение и контроль в отношении 70/30 (для этого можно использовать, например, функцию train_test_split). In [ ]: # Your code here Scikit-learn Теперь, когда мы привели данные к пригодному виду, попробуем решить задачу при помощи метода наименьших квадратов. Напомним, что данный метод заключается в оптимизации функционала MSE Заметим, что решение данной задачи уже реализовано в модуле sklearn в виде класса LinearRegression. 17. (1 балл) Обучите линейную регрессию на 1000 объектах из обучающей выборки и выведите значения MSE и R2 на этой подвыборке и контрольной выборке (итого 4 различных числа). Проинтерпретируйте полученный результат — насколько качественные прогнозы строит полученная модель? Какие проблемы наблюдаются в модели? Подсказка: изучите значения полученных коэффициентов w, сохраненных в атрибуте coef_ объекта LinearRegression. In [ ]: # Your code here Для решения описанных вами в предыдущем пункте проблем используем L1- или L2-регуляризацию, тем самым получив Lasso и Ridge регрессии соответственно и изменив оптимизационную задачу одним из следующих образов: где α — коэффициент регуляризации. Один из способов его подбора заключается в переборе некоторого количества значений и оценке качества на кросс-валидации для каждого из них, после чего выбирается значение, для которого было получено наилучшее качество. 18. (1 доп. балл) Обучите линейные регрессии с L1- и L2-регуляризатором, подобрав лучшее значение параметра регуляризации из списка alpha_grid при помощи кросс-валидации c 5 фолдами на тех же 1000 объектах, что и в п.17. Выведите значения MSE и R2 на обучающей и контрольной выборках. Удалось ли решить указанные вами ранее проблемы? Для выполнения данного задания вам могут понадобиться реализованные в библиотеке объекты LassoCV, RidgeCV и KFold. In [ ]: # Your code here Срок 20.05, оплата после проверки на работоспособность и правильность кода
Москва
Репетиторы
2024-05-14
Обучение Python
дистанционно
договорная
Для себя Нужна помощь кодера (Python), который разбирается в криптографии. Требуется помощь в выполнении следующих заданиях (на выбор): 1) написать программную реализацию одной из следующих хэш-функций (по выбору): - ГОСТ Р 34.11-2012 (или его международный вариант ГОСТ 34.11-2018) с длиной хэш-значения 256 или 512 бит по выбору; - SHA-3 (вариант алгоритма по выбору); 2) написать программную реализацию алгоритмов на выбор: - ASCON-128 в режиме AEAD; - PRESENT в режиме AEAD в стандарте GCM mode; - CLEFIA в режиме AEAD в стандарте GCM mode; Требования по программной реализации вышлю.
Москва
Репетиторы
2024-05-14
Обучение Python
дистанционно
договорная
Написание кода для диплома Написать код для обнаружения, детекции и классификации транспортных средств с помощью YOLOv4 либо обучить нейронную сеть взяв уже готовый датасет. 1. Решение задач обнаружения и классификации движущихся ТС. 2. Отслеживание траектории движения ТС. 3. Анализ характеристики транспортных потоков. 4. Разработка алгоритмов обработки видеоданных на языке Python с применением библиотеки OpenCV.
Москва
Репетиторы
2024-05-14
Обучение Python
дистанционно
договорная
учеба Помощь с выполнением нескольких заданий по машинному обучению в питоне через юпитер ноутбук в течение 1-1,5 месяца. Также помощь в разборе выполненных заданий, с их пониманием и усвоением.
Москва
Репетиторы
2024-05-14
Обучение Python
дистанционно
от 500.00 руб.
Для работы На основе таблицы, с помощью Python нужно рассчитать основные статистики: по типу рассчитать коэффициент корреляции, построить гистограмму, построить регрессионную модель.
Казань
Репетиторы
2024-05-14
Обучение Python
дистанционно
от 500.00 руб.
Для себя Статистический анализ таблицы: т.е. На основе таблицы, с помощью Python нужно рассчитать: коэффициент корреляции, построить гистограмму, построить регрессионную модель.
Казань
Репетиторы
2024-05-14
Обучение Python
дистанционно
договорная
Для себя Сделать несколько заданий по программированию (должно быть несложно), + если будут правки — выполнить их
Москва
Репетиторы
2024-05-14
Часто задаваемые вопросы
Как мне найти учеников по профилю python в России?
Зарегистрируйтесь и создайте привлекательный профиль с упоминанием вашей специализации. Обратите внимание на количество доступных заявок от учеников, которое на ноябрь 2024 года составляет 1354
Какие требования к преподавателям на вашем сайте?
На нашем сайте приветствуются преподаватели с любым уровнем квалификации. Мы рекомендуем указать все свои сертификаты и образование, чтобы увеличить шансы на нахождение учеников
Могу ли я установить гибкий график работы?
Вы полностью контролируете свой график и можете обсуждать его напрямую с учениками, чтобы найти удобное время для обеих сторон
Каков потенциальный заработок для репетитора Python?
Заработок зависит от количества занятий и квалификации. В среднем, за одно занятие можно заработать 1173.28 рублей с занятия. Больше занятий в неделю – выше доход