Data scientist — удалённая работа в Москве

1.

Выполнить задание. Задание 1 . По индивидуальному заданию (скачать интересующий датасет https://www.kaggle.com/datasets?search=retail) выполнить в Power BI ряд действий: 1. Произведите расширение модели данных с использованием таблиц календаря. 2. Создайте выражения KPI с использованием выражений анализа данных (DAX) и языка M Power Query. 3. Разработайте интерактивные отчеты. 4. Результат работы (отчет строго в формате pdf – в документе должны быть представлены описание датасета, ссылки на выполненное задание, скриншоты с пояснениями и выводы) . Задание 2. По индивидуальному заданию (скачать интересующий датасет https://www.kaggle.com/datasets?search=retail) выполнить в Tableau ряд действий: 1. Постройте дашборды. 2. Выявите инсайты. 3. Оформите истории (Story). 4. Опубликуйте в своем аккаунте в Tableau Public. 5. Внедрите визуальную аналитику в Google Colab https://colab.research.google.com/ (Jupyter Notebook https://jupyter.org/) или блоги и сайты". 6. Результат работы (отчет строго в формате pdf – в документе должны быть представлены описание датасета, ссылки на выполненное задание, скриншоты с пояснениями и выводы) И итоговая работа . 2. Источник и описание данных Необходимо: • указать источник данных (собственные данные или открытые наборы) • описать структуру данных (количество таблиц, строк, ключевые признаки) • обозначить предметную область Допускается использование: • собственных данных • открытых датасетов (включая Kaggle: https://www.kaggle.com/datasets?fileType=csv) • любых публичных источников Вы не ограничены одним конкретным ресурсом. 3. ETL и подготовка данных (обязательная часть) Работа выполняется в любой аналитической платформе (Loginom, Knime, RapidMiner или аналогичной). Консолидация данных Если используются несколько таблиц: • объединить данные • описать ключи соединения • проверить корректность объединения Очистка и трансформация (ETL) • обработать пропуски • устранить дубликаты • исключить малоинформативные признаки • привести данные к корректным типам • рассчитать производные показатели (при необходимости) Preprocessing Подготовка данных выполняется в логике методологии CRISP-DM: https://www.sveurope.com/crisp-dm-methodology/ • обработка выбросов • кодирование категориальных признаков • нормализация или стандартизация (при необходимости) • подготовка данных к моделированию Каждый этап должен сопровождаться пояснением: что сделано ? зачем это выполнено ? какой результат получен. 4. Исследовательский анализ данных (EDA) — обязательная часть Необходимо: • построить описательные статистики • создать несколько типов визуализаций • выявить закономерности • определить аномалии • сформулировать аналитические наблюдения EDA должен содержать интерпретацию, а не только графики. 5. Дополнительная аналитика (рекомендуется) Для получения высокого балла рекомендуется выполнить расширенную аналитику: • ABC-XYZ анализ • RFM-анализ • классификацию • регрессию • кластеризацию Можно реализовать один или несколько методов — исходя из структуры данных. 6. Машинное обучение (при наличии задачи) Если данные позволяют: • разделить данные на обучающую и тестовую выборки • обучить одну или несколько моделей • оценить качество по метрикам • сравнить результаты • обосновать выбор алгоритма Важно описать: • какие признаки использовались • какие метрики применялись • почему выбран конкретный алгоритм 7. BI-визуализация (обязательная часть) Необходимо реализовать визуализацию результатов в одной из BI-платформ: • Power BI – использовать подготовленный датасет или обработать «сырые» данные через Power Query – создать KPI – применить DAX – разработать несколько интерактивных отчётов или • Tableau Public – построить дашборды – оформить Story – выявить инсайты или • Yandex DataLens https://datalens.yandex.cloud/ – создать интерактивный отчёт – настроить ключевые показатели – визуализировать основные аналитические выводы Визуализация должна подтверждать аналитические выводы. 8. Заключение В заключении необходимо: • сформулировать ключевые выводы • обосновать полученные результаты • при необходимости предложить рекомендации • обозначить возможные направления развития проекта ?? Критерии оценивания Оценка формируется по следующим параметрам: • полнота аналитического цикла • корректность логики решения • качество обработки данных • обоснованность выбора методов • глубина аналитических выводов • корректность визуализации • структурированность и аккуратность оформления Максимальный балл выставляется при условии: ? реализованы все обязательные этапы ? каждый этап сопровождается аналитическими пояснениями ? выводы аргументированы ? выполнена расширенная аналитика Снижение баллов возможно при: • формальном выполнении без интерпретации • пропуске обязательных этапов • логических или методических ошибках.

Data Science. Разработка с нуля, доработка существующего продукта. Необходимо описать концепцию проекта (AI-доноры, система предиктивной аналитики поведения доноров некоммерческих организаций), описать функции, технологии и какие данные нужны, разбить данные на категории и отобразить первичную архитектуру проекта.

Data Science. Разработка с нуля. Требуется: 1. Доработка концепции ИТ-архитектуры для SaaS (верификация текущей версии). 2. Развертывание в 2 независимых друг от друга провайдерах: VC + Яндекс.

Data Science. Настройка, доработка существующего продукта. Помочь перенастроить передачу данных по API.

задания python/pandas. Несколько простых заданий на python/pandas. файл вышлю.