Data scientist – работа для фрилансеров в Москве

Data Science. Разработка с нуля. Нужно написать ПО собирающее информацию о загрузке бронирования из открытого источника (сайт) с возможностью выгрузки информации в таблицу.

Разработка с нуля. Пожелания и особенности: критерии во вложении. сдать 7 декабря, до вечера воскресенья.

Разработка с нуля. Пожелания и особенности: дедлайн до 7 декабря включительно. критерии во вложении.

Разработка с нуля, тестирование, настройка, доработка существующего продукта.

Настройка. Сделать отчет по продажам.

Data Science. Разработка с нуля. Исследовательский вопрос Как различается отношение пользователей к различным регионам России в туристических обсуждениях в социальных сетях за май-сентябрь 2025 года? Гипотезы Гипотеза 1: Регионы, где пользователи чаще отмечают положительные аспекты инфраструктуры (качество отелей, дорог, сервиса), получают больше позитивных отзывов в целом. Гипотеза 2: Регионы с уникальными природными достопримечательностями получают значительное количество положительных отзывов, даже если в комментариях присутствуют негативные упоминания инфраструктуры. Гипотеза 3: Регионы, в обсуждениях которых преобладают негативные упоминания как природных, так и инфраструктурных аспектов, получают преимущественно негативные или нейтральные общие оценки.  Описание ожидаемого результата Проанализировав комментарии пользователей в социальных сетях: Составить карту тональности регионов Определить туристические тренды (самые популярные регионы) План действий Поиск в различных социальных сетях сообществ, посвященных туристической тематике + проверка наличия в них каких-либо постов за май-сентябрь 2025 года Сбор всех сообщений (посты + комментарии) из выбранных источников Предобработка текстовых данных будет включать: очистка от повторяющихся символов, устранение эмодзи, ссылок и т.д. приведение всех символов к нижнему регистру токенизация удаление стоп-слов лемматизация удаление пунктуации    Нужно будет сделать фильтрацию по именованным сущностям (NER -> Location) Анализ тональности с использованием предобученных моделей для русского языка, так как они обеспечивают более высокую точность на неформальных русскоязычных текстах, содержащих сленг, иронию Тематическое моделирование   (Заметка: ещё нужно будет подумать) Анализ результатов и интерпретация Визуализация полученных результатов на каждом этапе Формирование выводов.

Data Science. Доработка существующего продукта, настройка, PDF форматирование. Конвертировать PDF.

Data Science. Разработка с нуля. Нужно исправить ошибки в коде.

Решение аналитической задачи. Решение аналитической задачи.

Разработка нейросети, которая способна создавать видеоконтент.

Data Science. Настройка, Изменить дату создания видео.

Data Science. Разработка с нуля. Пожелания и особенности: Разработать и внедрить системы сбора и анализа данных по API с маркетплейсов Озон и ВБ. Система должна уметь: 1) собирать данные о продажах за любой период времени (рука на пульсе) 2) уметь получать отчёт о продажах и расшифровывать его 3) собирать информацию об актуальных остатках на складах озон и ВБ 4) выводить всю указанную информацию в удобном виде (например через Гугл таблицы) 5) регулировать цены в зависимости от установок (авторепрайсер) 6) быть самодостаточной (без абонентки и необходимости постоянной поддержки, за исключением случаев изменения API).

Data Science. Разработка с нуля. Пожелания и особенности: Имеется производство изделий из металла с видеонаблюдением. Необходимо разработать и интегрировать анализ видеопотока для учёта количества времени, которое сотрудники находятся на своих рабочих постах и осуществляют рабочую деятельность. Такая система должна давать ежедневную, еженедельную и ежемесячную сводку. Прикладываю часть скриншотов. Часть камер стоит неудачно, расположение поменяем. Всего необходим анализ до 10 потоков видео.

Data Science. Тестирование, доработка существующего продукта. Нужна информация в виде отчета, какую информацию запрашивает приложение, какие запросы делает, либо какую информацию получает помимо предоставленных разрешений.

Доработка существующего продукта. Есть анализ медицинского изделия. Шаблон. В нем данные из реестра РЗН и данные по закупкам из ЕИС. Нужно повторить шаблон по 1му конкретному изделию. Техническое задание в примерах.

Data Science. Доработка существующего продукта. Перенести данные и переписки чата воцап в телеграмм или иной мессенджер.

Data Science. Доработка существующего продукта. Файл с фото по ошибке превратил в сертификат, PFX нужно вернуть фото.

Разработка с нуля, настройка, И не только, там ещё дашборты ит.д.

Разработка с нуля. Необходимо решить 5 заданий.

Доработка существующего продукта.

Разработка с нуля. Провести анализ исходного состояния банка, его возможностей и рисков в рамках разработан- ных сценариев Операционали зация плана действий: список договоров/сде лок/проектов на плановый период Подбор допустимых плановых альтернатив для разных сценариев Подбор допустимых плановых альтернатив для разных сценариев 1.Расчет денежных потоков по сформированному списку сделок/ операций/проектов 2.Отчет по соблюдению ограничений 3.Прогнозные Баланс, P&L, CF, KPI в форматах листов CF_short, Bal_short, P&L_short, Indicators Стресс-тести- рование отобранных плановых альтернатив для разных сценариев 1. Оценка ЭК: распределение отклонений NP от показателя этапа 5 2. Оценка ликвидности: распределение отклонений показателя ЛА/НП от показателя этапа 5 3. Презентация: Анализ устойчивости основных целевых KPI к измененения параметров. Конкретные формулировки и ТЗ в лс.

Data Science. Разработка с нуля. Пожелания и особенности: Необходимо построить модели машинного обучения для управления и анализа банковскими рисками.

Data Science. Разработать программу на языке Python, анализируя текстовые данные. Будут определенные критерии.

Data Science. Разработка с нуля. Решение задач по ml.

Нужно решить задание по курсу программирования startML.

Data Science. Разработка с нуля. .

Data Science. Разработка с нуля.

Разработка с нуля.

Data Science, математическая статистика. Разработка с нуля. Разработать скрипт для обработки статистических данных Основная задача Разработка математической модели для расчёта Parameter Score (PCS) и Zone Rating (ZCR) на основе ряда базовых механических параметров (в мм, %, векторных значений и динамических траекторий), включая нормализацию, трансформации и агрегирование. Задачи Нормализация разнородных параметров (мм ? доли длины, % ? приведённые значения). Разработка Curves для каждого параметра (логистические, квадратичные, экспоненциальные). Определение и построение Target Range (CTR) на основе 1K наблюдений. Моделирование расстояний до CTR в многомерном нормализованном пространстве. Расчёт PCS для каждого параметра Построение ZCR через агрегирование PCS с весами и штрафами за outliers. Обработка динамических данных: вариации, траектории, векторные нормы. Интеграция методов обнаружения аномалий: выбросы датчиков, ошибки фаз, несогласованность сигналов. Разработка модулей Python для вычисления PCS/ZCR. Создание FastAPI-сервиса для расчёта PCS и ZCR в режиме реального времени. Методы статистики и матмоделирования (обязательно): 1. Z-score normalization Нормализация по Z-оценке / стандартизация Z-показателем 2. Robust MAD standardization Робастная стандартизация на основе медианного абсолютного отклонения (MAD) 3. Quantile / percentile normalization Квантильная нормализация / нормализация по перцентилям 4. Length scaling Масштабирование по длине / длиновая нормализация 5. Euclidean normalization in multivariate space Евклидова нормализация в многомерном пространстве или более научно: Нормализация через евклидову метрику в мультивариативном пространстве 6. Mahalanobis distance (анализ многомерных выбросов) Расстояние Махаланобиса (для обнаружения многомерных выбросов) 7. Kernel Density Estimation (KDE) Оценка плотности распределения методом ядровых функций (KDE) или коротко: Ядерная оценка плотности 8. Gaussian Mixture Models (GMM) Смеси гауссианов / Гауссовские смешанные модели (GMM) (официальный термин в статистике — «смеси нормальных распределений») 9. Percentile band/interval estimation Оценка перцентильных интервалов / построение перцентильных диапазонов 10. Bootstrapped confidence intervals Доверительные интервалы, рассчитанные методом бутстрапа или коротко: Бутстрап-интервалы доверия 11. Exponential penalty functions Экспоненциальные штрафные функции 12. Logistic and sigmoid scoring transforms Логистические и сигмоидные функции преобразования (скоринговые функции) 13. Piecewise quadratic scoring Кусково-квадратичная скоринговая функция или Кусково-квадратичное преобразование 14. Weighted and penalized mean models Взвешенные и штрафные модели среднего или Модели среднего с весами и штрафами 15. Dynamic variance modeling (DSI — Dynamic Stability Index) Моделирование динамической дисперсии (индекс динамической стабильности, DSI) 16. Time-series smoothing (SG filter / EWMA) Фильтр Савицкого–Голея (SG) Экспоненциально взвешенное скользящее среднее (EWMA) или общее название: Сглаживание временных рядов Требуемый технологический стек: Python: NumPy, SciPy, Pandas Modeling: scikit-learn, statsmodels API: FastAPI, Pydantic Data processing: Jupyter, PyArrow, Polars (желательно) Инженерные навыки: Docker, REST API, работа с большими датасетами Выходные результаты работы Модуль a_pcs.py — вычисление всех PCS. Модуль a_zcr.py — расчёт Zone Score. Модуль ctr_model.py — построение Target Range. FastAPI-сервис api.py — обработка входных данных и возвращение PCS/ZCR. Документация: формулы, методы нормализации, схема пайплайна.

Разработка с нуля. Нужен скрипт для поиска каналов в вк видео Нужно искать детские каналы в вк видео по данным критериям -постится много видео в день -более 5 свежих роликов в сутки набирают от 1000 просмотров -детксий контент.

Data Science. Настройка. Нужно выгрузить каталог из базы firebird , далее загрузить его в битрикс и настроить синхронизацию.

Разработка с нуля, настройка. Пожелания и особенности: Подробности в чате расскажу.

Задача от учителя, файл с заданием похожим очень скину для ознакомления и понимания.

Надо выполнить задачу от учителя.

Дз по непараметрическим методам.

Настройка. Добрый день! Необходимо написать запрос на получение (через ODBC) и обработку данных в PowerQuery. Формат: я демонстрирую экран, объясняю, что требуется, показываю, что уже есть, вы - подсказываете, что необходимо сделать.

Работа с датасетом. Детали в прикрепленном файле.

Разработка с нуля.

Тестирование, настройка, доработка существующего продукта. Описание работы Практические работы 2-5: Система прогнозирования спроса Ниже краткое описание работ, основные задачи по работам указаны в приложенных файлах, пожалуйста, ознакомтесь с ними, прежде чем откликаться. ?? Что нужно сделать Работы 2-3 - до 4 декабря | Работы 4-5 - до 7 декабря Работа 2: Доработать приложение - добавить меню (консольное меню), ARIMA-алгоритм, перевести на JSON вместо БД. Сделать тест-план. Работа 3: Написать BDD-тесты на Gherkin (3 фичи), интегрировать с unit-тестами, провести нагрузочное тестирование. Работа 4: Покрыть код модульными тестами (TDD), достичь 95% покрытия, провести мутационное тестирование. Работа 5: Протестировать фаззером Jazzer, сделать статический анализ 2 инструментами, классифицировать ошибки по CWE. ?? Исходные материалы В файлах есть: Программа - папка services с ml_forecasting.py (дописывать, не ломая основную логику) База данных - schema.sql Описание - Readme с принципами работы Задания - короткие версии и большие ТЗ. Реальное задание короткое, но если оно не понятно, то я старался расписать на длинное, можно обращаться туда. ?? Результаты По каждой работе: Выгрузка - код и тесты Отчет - подробный (я сам переоформлю по ГОСТу) Вопросы? - Задавайте, пока не начали работу!.

Data Science. Тестирование, доработка существующего продукта. Во вложении наработки кода и более подробное! КРАТКОЕ ОПИСАНИЕ ЛЕГЕНДЫ ДЛЯ ДОКЛАДА Необходимо написать ПО, инструкцию к нему и доклад к нему на 30+ страниц и 20 источников, которые должны быть актуальными. ПРОБЛЕМА: "Мы используем ML-модели для прогнозирования спроса в ресторане, но не знаем, какие инструменты тестирования действительно эффективны. Ошибки в прогнозах стоят денег - либо избыточные закупки, либо нехватка ингредиентов." РЕШЕНИЕ: Создать систему сравнительного тестирования, которая прогонит нашу ML-систему через 4 современных фреймворка и покажет: Кто быстрее находит проблемы Кто точнее обнаруживает критические ошибки Кто удобнее в промышленной эксплуатации ЗАЧЕМ ЭТО НУЖНО: Снизить риски финансовых потерь от некорректных прогнозов Выбрать оптимальный инструмент тестирования для наших задач Создать стандарт тестирования ML-моделей в компании ТЕХНОЛОГИЧЕСКИЙ СТЕК: Объект тестирования: Существующая система прогнозирования Prophet Фреймворки для сравнения: Great Expectations, MLflow, Alibi Detect, PyTest Данные: Сгенерировать данные.

Data Science. Доработка существующего продукта, настройка. Создание на базе существующих медицинских блоков и програми..обьедененную систему с гннеративным ии.

Data Science. Настройка. Пожелания и особенности: Установка Gonka ai на виртуальную GPU Инструкция по установке gonka.ai/host/quickstart.

Разработка с нуля. Отчет по соц исследованию на основании массива в экселе.

Data Science. Восстановление данных.

Помощь с домашним заданием в университете. Здравствуйте, у меня есть dataset и определенное задание к нему, нужно выполнить его вместе со мной, чтобы я поняла как и что. Имею некоторое понимание Python, так что с нуля объяснять не надо. Могу добавить, что у меня есть один вариант сделанного этого задания, но преподаватель сказал, что у каждого получиться свой вариант решение задачи, поэтому он поймет, что он списанный, поэтому этот вариант может быть просто примерным ориентиром, плюс, мне бы хотелось все таки разобраться на 100%. Еще хочу добавить, что задание нужно выполнять с помощью Jupyter NoteBook. Пожелания и особенности: Здравствуйте, у меня есть dataset и определенное задание к нему, нужно выполнить его вместе со мной, чтобы я поняла как и что. Имею некоторое понимание Python, так что с нуля объяснять не надо. Могу добавить, что у меня есть один вариант сделанного этого задания, но преподаватель сказал, что у каждого получиться свой вариант решение задачи, поэтому он поймет, что он списанный, поэтому этот вариант может быть просто примерным ориентиром, плюс, мне бы хотелось все таки разобраться на 100%. Еще хочу добавить, что задание нужно выполнять с помощью Jupyter NoteBook.

Data Science. Доработка существующего продукта. Qlik sense визуализация.

Разработка с нуля. Нужна помощь с выполнением задания.

Помощь с дз. Нужна помощь с дз.

Data Science. Специалист по безопасности Гугл аккаунта. Пожелания и особенности: У меня есть 3 аккаунта тик-ток. И эти 3 акканта тик-тока на 3 языках - рус, англ, исп и соответственно на 3 разных почтах гугл. Так же на эти почты завязаны ютубы англ и рус. И вот в имени почты содержится моя фамилия, то что я астролог там написан ещё в придачу день рождения сына Кажется что это м б опасным, но я весь набор защиты сделаю: - уникальный длинный пароль через 1Password -2FA (не смс) -разн каналы восстановления (не гугл, а другие провайдеры) -резервные коды прям распечатаю и буду хранить в надежном месте, в телефоне их не буду хранить нигде Чат джипити говорит, что взломы почт не зависят от названия почты, и если вся эта защита сделана, то можно не переживать. Но в интернете разные статьи и там другая информация.

Разработка с нуля. Нужно выполнить бдз по анализу данных, все части расписать в одном документе по выбранной бд 1) линейная регрессия и коэффицент коррелляции 2) метод главных компонент для визуализации данных 3) метод k-средних и интерпретация кластеров 4)бутстреп для сравнения средних.