Data scientist — удалённая работа в Москве

Задачи чат-бота: приём текстовых заказов, информирование клиентов, ответы на типовые вопросы, сбор информации. Платформа: WhatsApp, Telegram, ВКонтакте, Instagram. Продукт: Юридические услуги по банкротству физических лиц. Техзадания нет. Нужен человек в команду на постоянной основе делать чат боты, тестировать воронки, делать новые, усовершенствовать процесс сбора заявок и лидогенерации в соц сетях вк, тг, инста.

Доработка существующего продукта. Есть готовый код по использованию ИИ в скоринге кредитной модели банка - 3 способами (один из методов catboost). Необходимо детально разъяснить как он работает; Подготовить по нему описательную часть на 30-40 страниц в том числе с сравнением разных методов; Доработать существующую презентацию по проекту.

Создание сайтов. приложение. Платформа: по рекомендации специалиста. Функционал сайта: обучающе-развлекательный. Контент есть. Помочь решить проблему, связанную с фронтом на java script.

Разработка с нуля. Необходима разработка нейросети для генерации планов научно-исследовательских работ на основе имеющихся входных данных.

Задачи чат-бота: Чат бот для оплаты криптовалютой. Продукт: Товар на продажу. Техзадание есть.

Data Science. Разработка с нуля. На английском: 1. Анализа и очистки данных и получения описаний всех переменных данных. 2. Создайте новые переменные для зависимых переменных: удовлетворенность (sat), готовность платить (wtpp), намерения повторной покупки (ri) и сарафанное радио (wom), производительность, характеристики. И т. д. Предполагается, что эти новые переменные являются средними значениями пунктов в каждом из т.е. SAT1 = mean( sat1_1, sat2_1, sat3_1) и т.д. 3. Проведите регрессионный анализ, используя измерения качества и удовлетворенности в качестве независимых переменных, а средний балл готовности платить премию и намерение совершить повторную покупку - в качестве зависимых переменных. Интерпретируйте результаты с точки зрения управления. Для лучшего понимания необходимо провести поперечный регрессионный анализ для обеих волн и один продольный анализ. коэффициенты. Каковы точки паритета и точки различия для Apple и Samsung. (для волны 1 на данных волны 1 используйте R, а для волны 2 на данных волны 2 используйте Python) 4. Проведите поперечный и продольный регрессионный анализ, используя измерения качества старой меры (q_old_XXX) и удовлетворенности в качестве независимых, а средний балл готовности платить премию и намерение совершить повторную покупку в качестве зависимыми переменными. Интерпретируйте результаты с управленческой точки зрения. Отличаются ли результаты регрессионного анализа для намерений о покупке и дают ли они различные перспективы по сравнению с многомерной мерой, принятой в вопросе 3? Пожалуйста, сравните бренды по этим коэффициентам регрессии. Каковы точки паритета и точки различия для Apple и Samsung. 5. Используя показатель ACSI в качестве независимой переменной, а WTPP и RI - в качестве зависимых переменных для обеих волн, проведите линейную регрессию. Дает ли один только ACSI достаточное представление о поведении покупателей? 6. Играет ли возраст потребителя какую-либо роль в определении его восприятия качества?.

Предмет. Нужен репетитор на 7 семестр по Предмету Технологии работы с открытыми данными !!!!! Что из этого точно будет Технологии работы с открытыми данными включают в себя различные инструменты и методы для сбора, хранения, обработки и анализа открытых данных. Для работы с открытыми данными часто используются следующие технологии: 1. API (Application Programming Interface): Позволяют получать доступ к данным из различных источников через стандартизированные интерфейсы. Например, RESTful API, GraphQL и т.д. 2. Базы данных: Используются для хранения и управления большими объемами данных. Различные базы данных, такие как MySQL, PostgreSQL, MongoDB, и другие могут использоваться для работы с открытыми данными. 3. Языки программирования: - Python: Один из наиболее популярных языков программирования для работы с данными. Python имеет богатые библиотеки для обработки данных, такие как Pandas, NumPy, Requests и другие. - R: Язык программирования и среда разработки, широко используемые в статистике и анализе данных. - SQL: Язык структурированных запросов используется для работы с реляционными базами данных. - JavaScript: Может использоваться для визуализации данных на веб-страницах или для работы с API. 4. Инструменты для визуализации данных: Такие как Tableau, Power BI, Matplotlib, D3.js и другие помогают создавать наглядные графики и диаграммы на основе открытых данных. 5. Методы машинного обучения и анализа данных: Используются для обработки больших объемов данных и извлечения полезной информации. Библиотеки и фреймворки, такие как TensorFlow, Scikit-learn, PyTorch и другие могут быть полезны для этой цели. И также еще два предмета Основы машинного зрения и еще один Прикладные задачи машинного обучения Нужно срочно прошу!!!!!!!!!!!!!! Очень нужны отклики!!!!.