Большие данные (big data), методы анализа, алгоритмы 2018

Присоединяйтесь сегодня в 20:00 к вебинару «Какая математика нужна в анализе данных?» , руководителя Школы глубокого обучения и исследователя данных Сбербанка.

В воскресенье вечером вместо детективного сериала можно посмотреть видео о том, как ML помогает в борьбе с реальными преступлениями.

30 июня Ор Герман Саффар (Or Herman Saffar), ведущий дата-сайентист Dell, выступила с докладом "ML powered Crime Prediction".

Python и data science для начинающих

Сотрудник показывает как проводить анализ данных с использованием языка Python и библиотек Pandas, numpy.

Сессия вопросов и ответов о магистерской программе "Большие данные и машинное обучение".

Отвечают:

Денис Насонов, руководитель программы, к.т.н, старший научный сотрудник Национального центра когнитивных разработок, доцент Факультета цифровых трансформаций.

Продолжаем делиться рекомендациями must read книг по Data Science от наших консультантов из команды McKinsey Advanced Analytics. Если вы хотите изучить общие принципы углублённой аналитики и освоить темы, связанные с искусственным интеллектом, нейронными сетями и deep learning, обратите внимание:

Записи с DataStart Conference 2018 Autumn - конференции по Data Science, Machine Learning (20 октября 2018)

Аналитик Big Data — звучит гордо и невероятно модно в наше время.

Но не смотря на популярность профессии только 4 из 100 начинающих аналитиков понимают, что они делают и что им ещё предстоит делать.

Компания Xsolla является продуктовой компанией на рынке видеоигр и многие годы помогает игровым издателям монетизировать и продвигать свои проекты с помощью широкого набора инструментов — от настройки платежей до поиска инвестора.

Можно ли погрузиться в мир данных, самостоятельно освоив Data Science с нуля? Спойлер: да. В этом материале мы вместе с Факультетом Искусственного интеллекта GeekUniversity расскажем о навыках и дисциплинах, которые необходимо освоить на пути к карьере Data Scientist.

Основы исследования

Разведочный анализ данных (exploratory data analysis) и математические методы применительно к большим массивам данных, собранным по итогам избирательных кампаний, позволяют показать, насколько большой масштаб фальсификаций произвели власти на выборах.

Введение

Присоединяйтесь сегодня в 17:00 к лекции Антона Астахова об анализе данных и о том, как начать свой путь в этой области.

1. A2D2 dataset от Audi

Елизавета Сивак училась социологии почти десять лет. Но затем, посреди исследовательского проекта, она вдруг осознала, что ей пора вновь сесть за парту.

Python — это лучший друг специалистов по данным, а библиотеки значительно упрощают их жизнь. Работая над NLP-проектом, я открыл для себя пять отличных Python-библиотек, которые мне во многом помогли.

1. Numerizer

1:29 Какой бэкграунд нужен, что бы зайти в нейронные сети? Правда что весь ML только для технарей?

5:20 Нужно ли знание теории вероятности дата-саентисту?

5:34 Какие книги лучше почитать для новичка по Ds и ML на python и как правильно практиковать эти знания.

Статьи

Три лекции Константина Воронцова про data science?

Константин Воронцов — доктор физ.-мат. наук, профессор РАН и базовой кафедры Яндекса на ФКН. Студентам Школы анализа данных, Вышки и других институтов Константин много лет преподаёт основы машинного обучения — в ШАДе его курс проходят большинство студентов.

Ни одна модель машинного обучения не выдаст осмысленных результатов, если вы предоставите ей сырые данные. После формирования выборки данных их необходимо очистить.

1. Дж. Грас – Data Science. Наука о данных с нуля

Митап от Команды ВКонтакте посвящённый Performance Advertising. Обсуждаем как Data Science помогает эффективнее показывать рекламу.

19:00 Артём Попов — «To click or not to click: что специалистам по Data Science делать в интернет-рекламе?»;

19:50 Дмитрий Егунов — «ML под высокой нагрузкой: чему не учат на курсах?»;

Шпаргалка по DataFrame — ключевой структуре данных Python-библиотеки pandas.

Анализ данных в MATLAB

01. Введение

02. Для начинающих

03. Импорт данных

04. Работа с WEB и соцсетями

05. Статистика

06. Инженерные данные

07. Визуализация

Лекция №1 "Задачи Data Mining"

Курс "Алгоритмы интеллектуальной обработки больших объемов данных" или "Data Mining"

Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова

BigData Лекция №1 "Введение в машинное обучение"

BigData Лекция №2 "Python"

BigData Лекция №3 "Что такое BigData?"

BigData Лекция №4 "OLAP: What and why?"

BigData Лекция №5 "IoT and BigData"

BigData Лекция №6 "Сhallenges of classification"