DataSciencePRO

Есть тут программисты? Что будет, если вот: int i = 2; i += i++ + ++i;

🖥Работаем с данными. Кто кого: Pandas VS SQL Еще порядка 10 лет назад для работы по исследованию данных было достаточно SQL, как инструмента для выборки данных и формирования отчетов по ним. Но время не стоит на месте, и примерно в 2012 году стала стремительно набирать популярность Python-библиотека Pandas. И вот сегодня уже сложно представить работу Data Scientist’а без данного модуля. Не буду подробно углубляться в то, что предоставляют из себя оба инструмента ввиду их популярности среди аналитиков и исследователей данных, но небольшую справку все-таки оставлю: Итак, SQL (язык структурированных запросов — от англ. Structed Query Language) — это декларативный язык программирования, применяемый для получения и обработки данных с помощью создания запросов внешне похожих по синтаксису на предложения, написанные на английском языке. Pandas — это модуль для обработки и анализа данных в табличном формате и формате временных рядов на языке Python. Библиотека работает поверх математического модуля более низкого уровня NumPy. Название модуля происходит от эконометрического понятия «панельные данные» (или как его еще называют «лонгитюдные данные» — это данные, которые состоят из повторяющихся наблюдений одних и тех же выбранных единиц, при этом наблюдения производятся в последовательные периоды времени). ➡️Читать дальше @data_analysis_ml

➡️Ускорение вычислений при помощи фреймворка машинного обучения JAX В процессе написания научной работы, я столкнулся с такой проблемой, как относительно невысокая скорость выполнения вычислений. Из-за этого приходится тратить больше времени или жертвовать точностью вычислений, но что делать, если не хочется идти на компромисс и чем-то жертвовать? Воспользоваться новым фреймворком JAX от google. В связке с различными ускорителями, например, GPU (Graphics Processing Unit, или графический процессор) или TPU (Tensor Processing Unit, или тензорный процессор), он покажет достойный результат. - Поговорим об этом по подробнее. Google JAX – фреймворк машинного обучения, разработанный командой исследователей компании Google, для высокопроизводительных вычислений и исследований. В его основе лежит два компонента: - библиотека Autograd от PyTorch компилятор XLA (Accelerated Linear Algebra, или ускоренная линейная алгебра) разработанный компанией TensorFlow ➡️Читать дальше @machinelearning_ru

https://vc.ru/education/535140-amazon-web-services-otkryla-besplatnyy-dostup-k-120-angloyazychnym-kursam-po-data-analitike-mashinnomu-obucheniyu-i-drugomu?ref=recommended

Подборка статей про оптимизацию Pandas Статьи: 🔹Memory Optimisation – Python DataFrames vs Lists and Dictionaries (JSON-like) 🔹Advanced Pandas: Optimize speed and memory 🔹Five Killer Optimization Techniques Every Pandas User Should Know 🔹Pandas Optimization for Largest Datasets 🔹How to handle large datasets in Python with Pandas and Dask 🔹Scaling to large datasets 🔹Comprehensive Guide To Optimize Your Pandas Code 🔹Seven Killer Memory Optimization Techniques Every Pandas User Should Know 🔹Optimizing Pandas Видео: 🎦Speed up slow pandas python code by 2500x 🎦Efficient Pandas Dataframes in Python - Make your code run fast with these tricks! 🎦Loop / Iterate over pandas DataFrame (2020) 🎦How to Optimize and Speed Up Pandas 👉@python_powerbi

📈23 сайта с дата сетами: для усиления портфолио аналитика Эта статья для тех, кто хочет укрепить свое портфолио как аналитика или просто попрактиковаться в свободное время. Особенно будет полезно начинающим аналитикам, которые хотят получить опыт в аналитике. ➡️Читать дальше @data_analysis_ml

🖥Карта развития дата-сайентиста: с чего начать, к чему идти и сколько времени потребуется Каждый, кто заинтересовался наукой о данных, задаётся вопросом: а сколько времени понадобится, чтобы её изучить? Мы составили примерный график профессионального развития дата-сайентиста по трём уровням — базовый, средний и продвинутый. Чтобы было проще сравнивать с требованиями вакансий, привели их к принятым в IT терминам: стажёр (intern), джун (junior, младший), мидл (middle, средний) и сеньор (senior, старший). Уровни для дата-сайентиста рассмотрим на примере языка Python. Но вообще в Data Science используют и другие языки и платформы — R, Julia, SAS, MATLAB. ➡️Читать дальше @data_analysis_ml

Дата сайентисты vs аналитики Работаю я аналитиком данных, а училась на data scientist. Почему же я не пошла сразу в дата сайнтисты? Ответ прост – туда очень сложно пробиться и нужно много знать, а еще иметь уже готовый опыт какого-нибудь проекта для компании. А где его взять? У меня были учебные проекты и они не плохи, но для оффера – “хотелось бы хоть один реальный проект”, как сказала мне одна эйчар. Есть варианты стажировок, но я не могу позволить себе терять в з/пл, да и берут туда в основном выпускников вузов. Кстати, если вы один из них – стажировки – это вообще бомба для вас и реальный шанс. Так вот, для себя я выбрала путь – через аналитику. Сейчас я практикую Питон, SQL, возможно позже придумаю какой-нибудь DS проект для компании, и тогда буду дальше пробиваться на позиции data scientist. Есть еще вариант, что мне захочется углубиться в анализ (есть разные направления) и я отложу науку о данных. Все возможно. Заходи и узнаешь https://t.me/analysts_world

🖥Тонкости регулярных выражений Я искал информацию в интернете и часто встречал статьи, содержащие описание документации, либо статьи с отсутствием примеров, что ухудшало понимание, либо с примерами шаблонов, но из той же самой документации. Здесь же я собрал несколько примеров, встречавшихся в моей работе, и способы их решения. Надеюсь, вы узнаете что-то новое и полезное. ➡️Читать дальше @pro_python_code

#DataScience 2021 Руководство по подготовке к Data Science интервью Автор: Р. Алимбеков Наука о данных (data science) — раздел информатики, изучающий проблемы анализа, обработки и представления данных в цифровой форме. Объединяет методы по обработке данных в условиях больших объёмов и высокого уровня параллелизма, статистические методы, методы интеллектуального анализа данных и приложения искусственного интеллекта для работы с данными, а также методы проектирования и разработки баз данных. Это практическое руководство, которое поможет вам успешно пройти собеседование по классическому машинному обучению. Книга содержит образцы теоретических вопросов, задаваемых на собеседовании по позиции Data Science. Что вы получите: -️ 6 глав, охватывающих самые разные темы: статистика и теория вероятности, машинное обучение с учителем, алгоритм градиентного спуска и лосс функция. -️ 77 вопросов для подготовки к собеседованию -️ Полезные ссылки и репозитории для подготовки СКАЧАТЬ 🗂

📖 SQL for Data Analysis: Advanced Techniques for Transforming Data into Insights Автор: Cathy Tanimura, 2021 Описание: Вы узнаете, как использовать основной функционал SQL, такой как: соединения, оконные функции, подзапросы и регулярные выражения новыми, способами. Также, Вы узнаете как комбинировать методы SQL для более быстрого достижения ваших целей с помощью простых запросов. Если вы работаете с базами данных этот справочник поможет Вам в выполнении Ваших задач. • Скачать книгу из архива • Стоимость в магазине 📚Полка Разработчика | #ENG#SQL

Второй и третий мониторы больше не нужны. Техноблогер показал технологию Passthrough очков Meta Quest Pro, которая позволяет создать виртуальные рабочие столы, полностью синхронизированные с компьютером. Цена шайтан-приблуды — 1500 долларов (94 тысячи рублей), продажи начнутся 25 октября. 👉 Топор +18. Подписаться