Data scientist – работа для фрилансеров в Москве

Data Science. Настройка, доработка существующего продукта, тестирование. Разработка базы данных для автотранспортного предприятия.

Data Science. Разработка с нуля. Легкий Object detection.

Разработка с нуля. Необходима помощь с набором условий.

Data Science. Разработка с нуля.

Разработка с нуля. Работа в spss statistics 1. мультиколлинеарность 2. нормальность распределения регрессионных остатков (тест колмагорова смирнова) 3. гомоскедастичность 4. выбросы 5. регрессионное уравнение для генеральной совокупности. 6. Содержательно проинтерпретируйте регрессионные коэффициенты и константу; 7.Опишите качество полученной модели и проинтерпретируйте соответствующий показатель. 8. Сравните предикторы между собой по силе воздействия на зависимую переменную. Какой из предикторов оказывает самое сильное влияние? А какой – самое слабое? переменные будут и интервальные и номинальные/порядковые поэтому их надо будет переделать в фиктивные.

Разработка с нуля. 1. Выбрать данные(обсудим), предпочтительно в табличной форме (Excel, CSV) 2. С помощью Pandas провести анализ данных и визуализацию 3. Стилизовать визуализацию, чтобы получить некоторую консистентную инфографику в оригинальном стиле 4. Продемонстрировать изучающий и объясняющий формат визуализации данных для выбранной темы, описать используемые статистические методы (т.е презентация).

Data Science. решение контрольной работы. Нужно будет решить контрольную работу в университете, 2 курс. Работать предстоит в SPSS statistics. Будет предоставлен массив данных и тз. Ориентировочно, список тем прикрепляю.

Data Science. Разработка с нуля. Построение dwh.

Data Science. Разработка с нуля.

Data Science. Настройка.

Data Science. Доработка существующего продукта. Здравст.из программы нужна выгрузка данных в другую программу в виде таблице Наименование номенклатуры Текущее кол-во в единицах измерения Внутренний штрих код Серия препарата Срок годности препарата Номер сертификата ГТД Делитель единицы измерения Цена закупочная без НДС за единицу измерения (не должно быть пустым, не должно быть =0) Цена розничная с НДС за единицу измерения Ставка НДС партии товара Код поставщика в старой СТУ Дата приходного документа поставщика Номер приходного документа поставщика Код номенклатуры в старой СТУ Цена производителя без НДС (для ЖВ обязательно, для остальных если нет можно 0) Номер счет фактуры Дата счет фактуры Признак КИЗ (True или False) Наименование производителя КИЗ. Может быть как коротким – 27 знаков (GTIN+SGTIN), так и полным – со всеми нечитаемыми символами и криптохвостом.

Data Science. Разработка с нуля, тестирование, доработка существующего продукта. Создать демонстрационное решение для ресторана, которое прогнозирует спрос на блюда с помощью Facebook/Meta Prophet и показывает, какой набор инструментов тестирования ML лучше выявляет проблемы в данных и прогнозах (ошибки качества данных, дрейф, аномалии, деградация качества). Результат нужен для принятия решений о внедрении контроля качества ML-пайплайна и повышения надёжности прогнозов, влияющих на закупки, планирование кухни и выручку. ПОЛНОЕ ТЗ ВО ВЛОЖЕНИИ!.

Кластер Yandex DataBase. Пожелания и особенности: Важно не только развернуть кластер, но и выполнить задания по списку (приведен пример одного из самого простого). Ищу специалиста, кто поможет разобраться.

Разработка с нуля. Есть большой массив текстовых данных (не цифры). Необходимо провести анализ по параметрам для научного исследования. Все детали - специалисту.

Data Science. пробить человека. Меня обманули на 1000 рублей.хочу узнать кто он такой.

Обучение. Помочь с решением несложной задачки в гугл таблице.

Разработка с нуля.

Разработка с нуля. Построить ETL процесс загрузки данных из источника в Pg/ClickHouse с помощью Airflow, dbt от src до ods Источник: БД (Postgres, MySQL, MongoDB) или API Захват изменений (каждый пункт считается) Snapshot - 1 балл Increment - 1 балл CDC - 2 балла Обработка данных в базе stg to raw - 1 балл raw to ODS - 1 балл Использование dbt - 2 балла Разложение по dim/fct - 1 балл SCD2 dim - 1 балл сделать приватный репо в гитхабе и docker-compose, который запуcnbncz и получтся финальая база с ODS. для CDC использовать источник и таргет одинаковый (postgres) скрипт для подключения к бд предоставлю.

Data Science. Разработка с нуля, тестирование, настройка. Пожелания и особенности: база данных в VizualStudioCode и Xamp, В sql тоже.

Подготовка к собеседованию в магистратуру. Мне необходимо подготовиться с теоретической и с практической точки зрения к собеседованию в магистратуру "Data science" (есть бэкграунд). Файл с полным перечнем прикреплен Блок 1. Математика 1. Линейное пространство (ЛП). Линейная зависимость и независимость. Базис и размерность ЛП, их связь. Замена базиса, матрица перехода, преобразование координат при замене базиса. (А. Г. Курош. Курс высшей алгебры) 2. Матрицы. Ранг матрицы, ранг произведения матриц, ранг транспонированной матрицы. Определитель матрицы. Определитель произведения. (А. Г. Курош. Курс высшей алгебры) 3. Евклидовы и унитарные пространства. Свойства скалярного произведение, неравенство Коши — Буняковского. (А. Г. Курош. Курс высшей алгебры) 4. Норма, ортонормированный базис. Разложение пространства в прямую сумму подпространства и его ортогонального дополнения. (А. Г. Курош. Курс высшей алгебры) 5. Линейный оператор и его матрица. Преобразование матрицы при замене базиса, характеристический многочлен. Собственные векторы и значения, геометрический смысл. (А. Г. Курош. Курс высшей алгебры) 6. Квадратичные формы, их знакоопределенность и канонический вид. Унитарные и нормальные операторы. (А. Г. Курош. Курс высшей алгебры) 7. Производные. Необходимое и достаточное условия дифференцируемости функции. Частные производные. Полный дифференциал. Дифференцирование сложной функции. (Г. М. Фихтенгольц. Курс дифференциального и интегрального исчисления) 8. Градиент функции. Безусловный экстремум функции многих переменных. Необходимые и достаточные условия экстремума функции многих переменных. Условный экстремум. (Г. М. Фихтенгольц. Курс дифференциального и интегрального исчисления) и др. Блок 2. Информационные технологии 1. Высокоуровневые языки программирования. Переменные, условия, циклы, массивы, функции, рекурсия. Реализация в машинном коде. Компиляторы и интерпретаторы. (Б. Страуструп язык программирования С++) 2. Язык программирования Python. Хранение данных в памяти, копирование, скалярные типы данных и правила работы с ними. Приведение типов. Приоритеты операций. (Лутц, М. Изучаем Python) 3. Строки в Python. Операции со строками. Основные функции и функция str(). Форматный ввод/вывод. Спецификации формата: правила их записи и использования. (Лутц, М. Изучаем Python) 4. Циклы и условия в языке программирования Python. Функция range(). (Лутц, М. Изучаем Python) 5. Списки, кортежи, словари, множества в Python. Особенности, назначение и основные методы работы. (Лутц, М. Изучаем Python) 6. Функции в Python. Области видимости, рекурсия, lambda функции. (Лутц, М. Изучаем Python) 7. Многомодульные программы. Связь программных модулей. Области видимости. Операторы import, from …import и from…import *. Менеджер пакетов pip и правила работы с ним. Установка библиотек, версии. Работа с requirements.txt. (Лутц, М. Изучаем Python) и др. Пример практического задания: Реализовать сортировку методом пузырька на любом языке программирования.

Data Science. Простой пайплайн с ОСR старославянских текстов из сканов. Работаю над созданием кастомной OCR-модели под старославянский текст XVI–XVII вв. Есть проблема, которую стандартные движки не решают: – 10–15 типов надстрочных знаков, – нестандартная раскладка, – редкие кириллические и греческие символы, – проблема сегментации (диакритика «уезжает» в отдельную строку). Нужен специалист, который понимает как решать и имеет практический опыт работы с задачами: 1. Разметка строк вручную/полуавтоматически. 2. Создание датасета пар «скан ? текст». 3. Тестирование Kraken (обязательно)/Calamari(по возможности): – line segmentation, – training alphabets, – ground truth mapping. 4. Построение минимального прототипа пайплайна: папка A (исходные сканы) + CLI-скрипт -> папка B (текстовый результат в правильной раскладке). 5. Создание краткого аргументированного отчёта о том, какой путь обучения модели реалистичен и оптимален для решения поставленной задачи. На первом этапе — пилот за начальную сумму Это R&D-этап. Если подходим друг другу — продолжение проекта: обучение основной модели (кратно больший бюджет). От вас нужны: – опыт OCR или ML; – понимание сегментации строк; – умение работать с нестандартными алфавитами. Для пилота дам 5–10 страниц сканов и эталоны. Пишите кратко: с какими OCR-движками работали, 2-3 примера похожих решенных задач. Вышлю дополнительные вопросы и материалы. Желаю всем взаимовыгодных проектов! С уважением, Алексей.

Настройка. 1. Настроить метрику покупку eCommerce 2. Поправить капчу на cms Joomla 3. Проверить остальные Цели и Сегменты в метрике. Основное: настроить корректную передачу eCommerce-события purchase из JoomShopping в Яндекс.Метрику через dataLayer + GTM. На данный момент purchase-данные не отправляются, Метрика не получает данные, цель «Ecommerce: покупка» пустая. Что нужно сделать! ШАГ 1. Добавить dataLayer.push на страницу завершения заказа ШАГ 2. Настроить GTM ШАГ 3. Проверить отображаются ли заказы. Проверка обязательно. Развернутое тз есть Специалисты с опытом!.

Data Science. Разработка с нуля, настройка. Пожелания и особенности: Требуется эксперт с опытом конфигурации пайплайна на dagster с dbt для on-prem BI системы.

Data Science. Доработка существующего продукта.

Data Science. Разработка с нуля, Решение олимпиадной задачи на python. Асимметричный диалог (26 баллов) Ограничение времени 1 с Ограничение памяти 64.0 Мб Ввод стандартный ввод Вывод стандартный вывод [анализ кода; автономное управление] Умный робот-пылесос фирмы «АБ-Мур» несколько лет прекрасно справлялся со своей основной задачей, как в один прекрасный день перестал реагировать на команды и вместо этого тихо мигал красным огоньком. Коля Четвёркин поискал в интернете и узнал, что недавно на центральном сервере обновили ключи шифрования, и если пылесос не успел их синхронизировать, нужно сделать это вручную. А именно – зайти в консоль прошивки и запустить утилиту синхронизации. Её название отличается от пылесоса к пылесосу, но известно, файл утилиты имеет расширение«.FLG» и лежит в начальном каталоге. Да, в пылесосе есть настоящая операционная система, и у неё есть много команд. Нас будут интересовать шесть: DIR – выводит построчно названия файлов в текущем каталоге. EXEC a – запускает файл a (если он существует и исполняемый). если файл не существует, система ответит ERROR NOT EXIST. если файл не исполняемый, система ответит ERROR NOT EXECUTABLE. COPY a b – копирует файл a в файл b (если a существует, а b – не существует). если b существует, система ответит ERROR EXIST. DEL a – удаляет файл a (если он существует и не исполняемый). если файл нельзя удалить, система ответит ERROR CANT DELETE TRUE – ничего не делает. EXIT – завершает сеанс. Если команда не существует, система отвечает ERROR SYNTAX. Если количество параметров не совпадает с необходимым для команды, система отвечает "ERROR PARAMETER". Если указанный файл не существует, система отвечает ERROR NOT FOUND, если не указано иначе. Если команда выполнена успешно, то последней отдельной строкой (после вывода самой команды) возвращается OK. Все эти команды работают благодаря интерпретатору команд, который тоже лежит в начальном каталоге. И его название тоже отличается между моделями пылесосов. В интернете пишут, что варианта три – COMMAND.COM, EXECUTOR.EXE или INTERPRT.INT. Но подключившись и выполнив первую команду, вместо файлов Коля увидел странные названия. Оказалось, что буквы и цифры в выводе перемешаны. То ли генератор вывода сломан, из-за чего вместо одной буквы выводится другая, то ли производитель специально подстроил шифрование. В пользу последней версии играет вычитанное в интернете предупреждение: если попытаться обратиться к интерпретатору не той версии или выполнить более10 команд за сеанс, система заблокируется, и пылесос точно придётся нести в сервисный центр. Коля очень не хочет нести пылесос в сервис и надеется отремонтировать его своими силами. Помогите Коле пробиться через защиты от производителя и напишите программу, которая запускает утилиту (или хотя бы интерпретатор команд). Задача проверяет навык анализа кодов и реализации автономного управления, что потребуется при решении финальной задачи. Для решения этой задачи у вашей команды есть 20 попыток. Протокол взаимодействия Это интерактивная задача. Ваша программа взаимодействует с проверочной системой посредством стандартных потоков ввода и вывода. Каждое входящее и исходящее сообщение должно сопровождаться переносом строки и очисткой буфера. Иными словами, после отправки сообщения программа должна очистить буфер (выполнить flush) и считать ответ от системы (прочесть строку или несколько строк). В случае некорректного поведения решения, проверка прерывается с вердиктом PE (Presentation Error). Ваше решение отправляет команду согласно условия задачи. Одна команда – одна строка. Проверочная система отвечает произвольным числом строк. Система оценивания Решение проходит проверку на наборе пылесосов. Если решение запускает интерпретатор команд, за пылесос присуждается 50%. Если же запускается утилита синхронизации, за пылесос ставится полный балл. Примечание Каждое входящее и исходящее сообщение должно сопровождаться переносом строки. Очистка буфера в Python делается функцией sys.stdout.flush(), в Java – System.out.flush(), в C++ – std::flush.

Data Science. Доработка существующего продукта, тестирование, настройка. Радио-поиск 2D (20 баллов) Ограничение времени 1 с Ограничение памяти 64.0 Мб Ввод стандартный ввод Вывод стандартный вывод [канал связи; математические модели] Задача является прямым продолжением задачи «Радио-поиск». Теперь на том же поле сыграем в охоту на «тень». Внутри поля, представленного декартовой плоскостью в виде квадрата с углами в точках (0; 0) и (1000; 1000), находится «радио-тень» в виде круга диаметром 300 м. Вы можете установить излучатель и приёмник в двух точках поля, выполнить передачу сигнала и получить обратную связь: пришёл сигнал или не пришёл. Если между микрофоном и динамиком есть тень, сигнал не придёт. Если микрофон или динамик в тени – сигнал также не придёт. Ваша задача – определить координаты центра тени с точностью до 3 м. Задача проверяет навык реализации автономного управления и работы с пространственными моделями, что потребуется при решении финальной задачи. Для решения этой задачи у вашей команды есть 20 попыток. Протокол взаимодействия Это интерактивная задача. Ваша программа взаимодействует с проверочной системой посредством стандартных потоков ввода и вывода. Каждое входящее и исходящее сообщение должно сопровождаться переносом строки и очисткой буфера. Иными словами, после отправки сообщения программа должна очистить буфер (выполнить flush) и считать ответ от системы (прочесть строку или несколько строк). В случае некорректного поведения решения, проверка прерывается с вердиктом PE (Presentation Error). Формат ввода Ваше решение отправляет одно из двух сообщений. Выполнение передачи: восклицательный знак, пробел и четыре вещественных числа через пробел – координаты излучателя и приёмника. Проверка координаты: «собачка», пробел и два вещественных числа через пробел – предполагаемые координаты центра. После этой команды решение должно завершить работу Формат вывода Выполнение передачи: одна строка с одним из двух слов, пришёл ли сигнал – YES или NO. Проверка координаты: одна строка со словом OK. Система оценивания Балл за решение выставляется по сумме баллов за обнаружение каждой тени. Один запуск – одна тень. Полный балл выставляется, если для обнаружения тени понадобилось не более, чем на три передачи больше авторского решения. Если разница составит больше 3 передач, или точность определения составит от 3 до 10 метров, выставляется 50%. После 100 передач решение прерывается досрочно. Примечание Каждое входящее и исходящее сообщение должно сопровождаться переносом строки. Очистка буфера в Python делается функцией sys.stdout.flush(), в Java – System.out.flush(), в C++ – std::flush.

Data Science. Разработка с нуля, тестирование, настройка. Cement Hydration Engine (Production-Ready V2.2)1. Суть Задачи (MUST-HAVE):Разработка и валидация высокопроизводительного, численно устойчивого программного ядра (Core Engine) на Python, которое моделирует кинетику гидратации цементного раствора и рассчитывает ключевые механические/акустические параметры ($\alpha$, $\rho$, $G_{eff}$, $K_{eff}$, $Z$, $\sigma_c$) в реальном времени. 2. Требуемое Решение и KPI (Кратко): 1.Высокая Производительность (KPI): Реализация чистых вычислительных функций с использованием Numba JIT-компиляции. Среднее время расчета на шаг $\le 1 \text{ мс}$. 2.Численная Устойчивость: Интеграция и проверка CFL-условия (Куранта–Фридрихса–Леви) в Runtime для термодинамической модели. Обязательный контроль NaN/Inf после каждого JIT-расчета. 3.Математическая Строгость: Точная реализация связанных ОДУ (для $\theta(t)$ и $T(t)$) и микрометрических моделей (например, Hashin-Shtrikman) с защитой от деления на ноль. 4.Архитектура: Чистый код, структурированный по принципам SOLID, с системой логирования (logging) и Unit-тестами (Pytest), проверяющими численные инварианты.Предиктивный Модуль: Разработка статистического модуля для прогноза конечной прочности ($\sigma_{c, final}$) с расчетом интервалов неопределенности (95%, 75%). Требуемые Компетенции: Программирование Python (Senior/Expert), Numba JIT, NumPy. Математика/Физика Численные методы (Explicit Euler, ОДУ), анализ устойчивости (CFL). Инженерия/Моделирование Гидратация цемента (кинетика, JMAK), Микромеханика (Hashin-Shtrikman), Акустика (P/S-волны, импеданс Z). Разработка Pytest (написание тестов на численные инварианты), JSON-сериализация, стандарты кода (логирование, docstrings).

Data Science. Разработка с нуля. Необходимо разработать сервис интеграции с AI-агентами (Yandex GPT или DeepSeek) или собственное решение по обработке текстового, графического, аудио и видео контента на предмет наличия: - нарушения законов РФ - нецензурных, токсичных, оскорбительных выражений - порнография и потенциально неприятный для просмотра/прослушивания контент На первом этапе требуется работа только с обработкой текста и обработкой изображений. Приоритет будет отдан исполнителю, который сможет в перспективе развить решение для обработки аудио и видео файлов (списков форматов ограничен), а так же работает хотя бы с одним из языков или фреймворков .NET / Go / Python Уже имеющаяся инфраструктура, которая может помочь с выполнением задачи: K8s, Gitlab, S3. В случае наличия альтернативных стеков технологий для реализации задачи - пишите.

Data Science. Разработка с нуля. Необходимо разработать сервис интеграции с AI-агентами (Yandex GPT или DeepSeek) или собственное решение по обработке текстового, графического, аудио и видео контента на предмет наличия: - нарушения законов РФ - нецензурных, токсичных, оскорбительных выражений - порнография и потенциально неприятный для просмотра/прослушивания контент На первом этапе требуется работа только с обработкой текста и обработкой изображений. Приоритет будет отдан исполнителю, который сможет в перспективе развить решение для обработки аудио и видео файлов (списков форматов ограничен), а так же работает хотя бы с одним из языков или фреймворков .NET / Go / Python Уже имеющаяся инфраструктура, которая может помочь с выполнением задачи: K8s, Gitlab, S3. В случае наличия альтернативных стеков технологий для реализации задачи - пишите.

Data Science. Разработка с нуля. Необходимо разработать сервис интеграции с AI-агентами (Yandex GPT или DeepSeek) или собственное решение по обработке текстового, графического, аудио и видео контента на предмет наличия: - чувствительного текстового контента - потенциально неприятный для просмотра/прослушивания контент На первом этапе требуется работа только с обработкой текста и обработкой изображений. Приоритет будет отдан исполнителю, который сможет в перспективе развить решение для обработки аудио и видео файлов (списков форматов ограничен), а так же работает хотя бы с одним из языков или фреймворков .NET / Go / Python Уже имеющаяся инфраструктура, которая может помочь с выполнением задачи: K8s, Gitlab, S3. В случае наличия альтернативных стеков технологий для реализации задачи - пишите.

Data Science. выполнение проекта в университете с ТЗ. Тема: Анализ эффективности онлайн-рекламы. Описание: Оценка эффективности различных форматов цифровой рекламы и факторов, влияющих на клики и конверсии. ДАнные содержат информацию о платформе размещения, времени показа, целевой аудитории, количестве показов, кликов, конверсий. Проект нацелен помочь маркетологам оптимизировать рекламные кампании и повысит RQI.

Консультация. Пожелания и особенности: Консультация для подготовки к экзамену (нужно помочь разобрать задание на консультации).

Задание в Datalens.

Data Science. Разработка с нуля. Пожелания и особенности: Предложен датасет "САВ Проект 2 Данные.xlsx", на основе которого необходимо будет сделать исследовательский отчет по клиентской базе. Отчет должен отвечать на следующие вопросы: 1. На какие сегменты делится клиентская база и какими характеристиками обладает каждый сегмент 2. Какие товары пользуются популярностью у каждого потребительского сегмента Результатом работы должен являться Jupiter-notebook, содержащий в себе исследовательский отчет. Допустимо (и рекомендуется) использовать Google Colab cсылка на него должна располагаться в Google таблице Ответ на каждый вопрос подразумевает наличие: 1. Программного кода обработки данных 2. Результатов обработки данных в виде таблиц и графиков 3. Текстовое описание результатов обработки данных В ответе на первый вопрос обязательно наличие кода модели кластеризации Кроме того, отчет должен содержать общий вывод и рекомендации для собственника бизнеса Также важна аккуратность отчета: отсутствие орфографических и пунктуационных ошибок, отсутствие промежуточных вычислений в итоговом файле отчета, наличие подписей под графиками, грамотное оформление таблиц с помощью программного кода.

Data Science. Разработка с нуля. Пожелания и особенности: Нужно разработать код на Python в рамках проекта по цифровым компетенциям, которая анализирует данные. Что именно требуется сделать в коде (общий принцип) Нужно написать программу на Python, которая выполняет определённую задачу по выбранной теме и по итогам работы создаёт .txt-файл с результатами. Важно: входные данные не должны быть прописаны внутри кода. То есть нельзя делать так: input_text = "hello my name is Vicky..." Вместо этого входные данные должны быть в отдельном файле (.txt или .csv), загруженном в Google Colab. Код должен читать этот файл с диска и далее работать только с ним. В коде обязательно должны быть комментарии, объясняющие ключевые действия программы: # читает файл, # считает количество слов, # очищает текст, # создаёт словарь частот, и т.п. Комментариев должно быть достаточно, чтобы выполнялись требования преподавателя. Их нужно писать через # Также работа проходит антиплагиат, поэтому должна быть уникальной.

Data Science. Разработка с нуля, Консультация. Работаю на runpod serverless. Необходима queue-based через воркер от runpod (vLLM) или разработка собственной точки для очереди. Load Balanced не понятно как работает. Мне необходимо найти хорошие модели llm для 24Gb и 48Gb VRAM и помочь с деплоем. Были множество проблем с использованием worker-vllm от runpod, настройки довольно скудны и возникают ошибки, скорее всего из-за использования старой версии vllm. Также если вы разрабатывает свои serverless точки, хотел бы тоже услышать цену.

Тестирование. Проект из двух частей: 1 - проверка корректности А\Б тестирования 2 - Проверка гипотез методами математической статистики подробности в лс (работа объемная).

Data Science. Разработка с нуля, доработка существующего продукта. Необходимо разработать модуль(главный класс) фонового сервера одноранговой децентрализованной сети.

Data Science. Доработка существующего продукта.

Data Science. Разработка с нуля.

Выполнение ДЗ.

Настройка, доработка существующего продукта. Сайт собран на Тильде. Хотим подключить его к партнерской сети (CPA-сети) для рекламных кампаний. Функционал Postback есть у всех крупных партнёрских программ, CPA-сетей и сервисов для онлайн-обучения. Смысл работы Postback такой: * настраиваем отправку Postback уведомлений о наступлении определённых событий на указанные URL (указываем ссылку с необходимыми макросами) * при наступлении этих событий, отправляется постбек на указанный URL Для аналитики трафика достаточно уведомлений об этих событиях: * новая регистрация (новый подписчик) * заказ создан * заказ оплачен (частично или полностью) * возврат заказа (не обязательно) Т.е. на каждое событие можно указать разный URL. Главный вопрос — понять можно ли реализовать этот функционал на тильде, или с привлечением других сервисов. Пожалуйста откликайтесь с ответом — можно ли это реализовать По деталям отвечу в чате.

Data Science. Разработка с нуля. Всем привет! Требуется написать парсер для Маркетплейса Озон исходя из тех методов которые мне нужны. Пользуюсь для работы гугл таблицами, но сталкиваюсь с ограничением хранения данных. Что мне нужно: Написать парсер который будет выгружать отчеты и складывать их в базу данных, чтобы я мог либо в гугл таблицы тянуть их сразу, либо выводить в Яндекс Datalens. В идеале чтобы Вы могли настроить и Datalens так чтобы получились рабочие таблицы по той структуре которая есть у меня. Прошу писать ставку за час и примерное количество часов, которое Вам потребуется на решение задачи.

Data Science. Разработка с нуля. Есть облако точек, полученное после чканировани лидером. Необходимо делать эталонное сканирование и потом находить толщину остаточную объекта на основе сравнения двух облак точек.

Разработка с нуля. Построение моделей машинного обучения для прогнозирования клиентов (студенческая домашняя работа).

Data Science. построение отчетов по тз. Построение отчетов в metabase по ТЗ на языке sql.

Разработка с нуля. Построение моделей машинного обучения для прогнозирования клиентов.

Разработка с нуля. Пожелания и особенности: Помощь в обучении.

обучение. Обучение с нуля аналитик данных.

Разработка с нуля.