DevOps для данных: как ускорить обработку и передачу информации за счет принципов DataOps
Какой смысл в BIG DATA и аналитических моделях машинного обучения, если информация вовремя не попадает к разработчикам, бизнес-аналитикам и руководителям? Если в вашей компании время передачи информации к специалистам по тестированию, развертыванию и поддержке занимает дни, а не секунды, пришла пора задуматься о внедрении практик DataOps (DATA Operations, датаопс).
Чтобы ближе познакомить вас с современными инструментами обработки и передачи информации, мы подготовили перевод ключевых тезисов из статьи «DataOps — что это такое и почему вам это должно быть интересно?».
Читать: https://habr.com/ru/companies/cloud_mts/articles/730070/
Какой смысл в BIG DATA и аналитических моделях машинного обучения, если информация вовремя не попадает к разработчикам, бизнес-аналитикам и руководителям? Если в вашей компании время передачи информации к специалистам по тестированию, развертыванию и поддержке занимает дни, а не секунды, пришла пора задуматься о внедрении практик DataOps (DATA Operations, датаопс).
Чтобы ближе познакомить вас с современными инструментами обработки и передачи информации, мы подготовили перевод ключевых тезисов из статьи «DataOps — что это такое и почему вам это должно быть интересно?».
Читать: https://habr.com/ru/companies/cloud_mts/articles/730070/
How to build dumbbell charts in Oracle Analytics Cloud using a custom plug-in
You can easily build dumbbell charts in Oracle Analytics Cloud using a plug-in.
Read: https://blogs.oracle.com/analytics/post/how-to-build-dumbbell-charts-in-oac-using-a-custom-plugin
You can easily build dumbbell charts in Oracle Analytics Cloud using a plug-in.
Read: https://blogs.oracle.com/analytics/post/how-to-build-dumbbell-charts-in-oac-using-a-custom-plugin
Oracle
How to build dumbbell charts in Oracle Analytics Cloud using a custom plug-in
You can easily build dumbbell charts in Oracle Analytics Cloud using a plug-in.
DataHub: как делиться структурированными данными и получать за них донаты?
Привет! Меня зовут Андрей Шмиг, я основатель и разработчик платформы DataHub - Crowd Data Sourcing at Hand, своего рода GitHub для данных. В этой статье речь пойдёт о том, как создать FREE и SPONSORED репозитории данных, а так же в чем их отличия.
Читать: https://habr.com/ru/articles/730434/
Привет! Меня зовут Андрей Шмиг, я основатель и разработчик платформы DataHub - Crowd Data Sourcing at Hand, своего рода GitHub для данных. В этой статье речь пойдёт о том, как создать FREE и SPONSORED репозитории данных, а так же в чем их отличия.
Читать: https://habr.com/ru/articles/730434/
DataHub: репозитории данных коммерческого типа. Как зарабатывать на доступе к данным?
Привет! Меня зовут Андрей Шмиг, я основатель и разработчик платформы DataHub - Crowd Data Sourcing at Hand, своего рода GitHub для данных. В этой статье покажу, каким образом можно монетизировать имеющиеся у вас структурированные и неструктурированные данные будь вы разработчик, data-scientist или ML-специалист.
Читать: https://habr.com/ru/articles/730638/
Привет! Меня зовут Андрей Шмиг, я основатель и разработчик платформы DataHub - Crowd Data Sourcing at Hand, своего рода GitHub для данных. В этой статье покажу, каким образом можно монетизировать имеющиеся у вас структурированные и неструктурированные данные будь вы разработчик, data-scientist или ML-специалист.
Читать: https://habr.com/ru/articles/730638/
Дата-аналитик и ML-инженер: разбираем обязанности специалистов
Рассказываем, чем занимается ML-инженер на примере задач в Дзене и разбираемся, как с этим связан дата-аналитик.
Читать: «Дата-аналитик и ML-инженер: разбираем обязанности специалистов»
Рассказываем, чем занимается ML-инженер на примере задач в Дзене и разбираемся, как с этим связан дата-аналитик.
Читать: «Дата-аналитик и ML-инженер: разбираем обязанности специалистов»
Tproger
Дата-аналитик и ML-инженер: разбираем обязанности специалистов
Рассказываем, чем занимается ML-инженер на примере задач в Дзене и разбираемся, как с этим связан дата-аналитик.
Дата-аналитик и ML-инженер: разбираем обязанности специалистов
Рассказываем, чем занимается ML-инженер на примере задач в Дзене и разбираемся, как с этим связан дата-аналитик.
Читать: «Дата-аналитик и ML-инженер: разбираем обязанности специалистов»
Рассказываем, чем занимается ML-инженер на примере задач в Дзене и разбираемся, как с этим связан дата-аналитик.
Читать: «Дата-аналитик и ML-инженер: разбираем обязанности специалистов»
Tproger
Дата-аналитик и ML-инженер: разбираем обязанности специалистов
Рассказываем, чем занимается ML-инженер на примере задач в Дзене и разбираемся, как с этим связан дата-аналитик.
Массивный курс по управлению данными и обзор новинок от NVIDIA. Дайджест полезных текстов про ML и дата-аналитику
Привет, Хабр! Делюсь новым уловом текстов, которые помогут вам лучше разобраться в темах ML, искусственного интеллекта и дата-аналитики. В этой подборке — смесь фундаментальных трудов и более «популярных» статей. Начнем с красочного лонгрида, а закончим — сводом знаний по управлению данными в 10 главах (не пугайтесь).
Еще больше полезных подборок по DataOps и MLOps публикуем в Telegram-сообществе «MLечный путь». Там обсуждаем проблемы и лучшие практики организации production ML-сервисов, а также обмениваемся опытом. Присоединяйтесь к более 1 000 специалистов, развивающим ML- и Data-направления в российских и зарубежных компаниях.
Читать: https://habr.com/ru/companies/selectel/articles/730664/
Привет, Хабр! Делюсь новым уловом текстов, которые помогут вам лучше разобраться в темах ML, искусственного интеллекта и дата-аналитики. В этой подборке — смесь фундаментальных трудов и более «популярных» статей. Начнем с красочного лонгрида, а закончим — сводом знаний по управлению данными в 10 главах (не пугайтесь).
Еще больше полезных подборок по DataOps и MLOps публикуем в Telegram-сообществе «MLечный путь». Там обсуждаем проблемы и лучшие практики организации production ML-сервисов, а также обмениваемся опытом. Присоединяйтесь к более 1 000 специалистов, развивающим ML- и Data-направления в российских и зарубежных компаниях.
Читать: https://habr.com/ru/companies/selectel/articles/730664/
Мы развиваемся и нам в команду требуются новые люди! Сейчас мы ищем двух человек
Если вы разбираетесь в темах Python / Data Science / AI и хотите рассказывать об этом другим разработчикам, создавая целое сообщество единомышленников то, возможно, вас заинтересует эта вакансия: https://tprg.ru/GEZL
А если вам хочется вместе с нами развивать наши каналы в Telegram и делиться с подписчиками только самыми лучшими материалами, то обратите внимание на эту вакансию (особенно если интересуетесь мобильной разработкой): https://tprg.ru/bqed
#вакансии #работа
Если вы разбираетесь в темах Python / Data Science / AI и хотите рассказывать об этом другим разработчикам, создавая целое сообщество единомышленников то, возможно, вас заинтересует эта вакансия: https://tprg.ru/GEZL
А если вам хочется вместе с нами развивать наши каналы в Telegram и делиться с подписчиками только самыми лучшими материалами, то обратите внимание на эту вакансию (особенно если интересуетесь мобильной разработкой): https://tprg.ru/bqed
#вакансии #работа
DataHub: организовываем доступ к публичным данным через Predefined Queries
Привет! Меня зовут Андрей Шмиг, я разработчик платформы DataHub, платформа для совместной работы над данными - своего рода GitHub для данных. В этой статье покажу, каким образом можно организовать доступ для внешних пользователей к репозиториям данных через Predefined Queries.
Читать: https://habr.com/ru/articles/730858/
Привет! Меня зовут Андрей Шмиг, я разработчик платформы DataHub, платформа для совместной работы над данными - своего рода GitHub для данных. В этой статье покажу, каким образом можно организовать доступ для внешних пользователей к репозиториям данных через Predefined Queries.
Читать: https://habr.com/ru/articles/730858/
The Next Big Things for Oracle Cloud Platform
Recap of The Next Big Things session at Oracle Openworld 2018. Five exciting demos including: content experience, digital assistants, blockchain applications, data science development platform, and visual development.
Read: https://blogs.oracle.com/bigdata/post/the-next-big-things-for-oracle-cloud-platform
Recap of The Next Big Things session at Oracle Openworld 2018. Five exciting demos including: content experience, digital assistants, blockchain applications, data science development platform, and visual development.
Read: https://blogs.oracle.com/bigdata/post/the-next-big-things-for-oracle-cloud-platform
👍1
Data Engineering Weekly #128
Read: https://www.dataengineeringweekly.com/p/data-engineering-weekly-128
Read: https://www.dataengineeringweekly.com/p/data-engineering-weekly-128
❤1
DataHub: веб-песочница для тех, кто изучает SQL
Привет! Меня зовут Андрей Шмиг, я разработчик платформы DataHub, платформа для совместной работы над данными - своего рода GitHub для данных. В этой статье покажу на что способен веб-редактор MySQL хранилища и почему это отличный инструмент для работы тем, кто изучает SQL.
Читать: https://habr.com/ru/articles/731158/
Привет! Меня зовут Андрей Шмиг, я разработчик платформы DataHub, платформа для совместной работы над данными - своего рода GitHub для данных. В этой статье покажу на что способен веб-редактор MySQL хранилища и почему это отличный инструмент для работы тем, кто изучает SQL.
Читать: https://habr.com/ru/articles/731158/
Were the U.S. polls accurate?
Read: https://junkcharts.typepad.com/numbersruleyourworld/2023/04/were-the-us-polls-accurate.html
Read: https://junkcharts.typepad.com/numbersruleyourworld/2023/04/were-the-us-polls-accurate.html
Как рассчитать скидку за первый и последний этаж почти без формул в Excel
В продолжение рассказов о Big Data для простых смертных предлагаем попробовать себя в решении жилищного вопроса: как отличаются цены за квадратный метр на разных этажах. Житейская польза от этой заметки заключается в получении без особых усилий и без специальных навыков достоверных знаний об ожиданиях на рынке недвижимости. Государство скрывает цены реальных сделок, но иметь адекватное представление о настроениях продавцов можно и без знакомого опытного риелтора, сына маминой подруги.
Статья представляет собой простую иллюстрированную инструкцию по решению задачи анализа этажности городской застройки, в т.ч. расчет скидок за первый и последний этажи. В качестве модельного города принят Брянск. Расчетный файл прилагается и его листы пронумерованы в последовательности выполненных операций. Шаблон расчета легко адаптировать для другого города и вида недвижимости.
Изложенный подход призван аргументировать представление о том, что Big Data не является прерогативой дата сатанистов, но в известной степени доступен неспециалистам. Материал может быть интересен всем, кроме работающих с данными профессионально. Приведенные приемы будут востребованы в работе с данными для риелторов и оценщиков без навыков программирования. Технохардкор в данном случае заключается не в инсайтах применения фреймворков типа MapReduce, а в реализации всего пайплайна средствами общеизвестного офисного приложения.
Инструкция состоит из двух частей. В первой части изложен порядок подготовки, первичного ознакомления с данными и уточнения цели исследования. Во второй части дается расчет скидки за этаж.
Читать: https://habr.com/ru/articles/731100/
В продолжение рассказов о Big Data для простых смертных предлагаем попробовать себя в решении жилищного вопроса: как отличаются цены за квадратный метр на разных этажах. Житейская польза от этой заметки заключается в получении без особых усилий и без специальных навыков достоверных знаний об ожиданиях на рынке недвижимости. Государство скрывает цены реальных сделок, но иметь адекватное представление о настроениях продавцов можно и без знакомого опытного риелтора, сына маминой подруги.
Статья представляет собой простую иллюстрированную инструкцию по решению задачи анализа этажности городской застройки, в т.ч. расчет скидок за первый и последний этажи. В качестве модельного города принят Брянск. Расчетный файл прилагается и его листы пронумерованы в последовательности выполненных операций. Шаблон расчета легко адаптировать для другого города и вида недвижимости.
Изложенный подход призван аргументировать представление о том, что Big Data не является прерогативой дата сатанистов, но в известной степени доступен неспециалистам. Материал может быть интересен всем, кроме работающих с данными профессионально. Приведенные приемы будут востребованы в работе с данными для риелторов и оценщиков без навыков программирования. Технохардкор в данном случае заключается не в инсайтах применения фреймворков типа MapReduce, а в реализации всего пайплайна средствами общеизвестного офисного приложения.
Инструкция состоит из двух частей. В первой части изложен порядок подготовки, первичного ознакомления с данными и уточнения цели исследования. Во второй части дается расчет скидки за этаж.
Читать: https://habr.com/ru/articles/731100/
🔥1
Enable custom scripts for machine learning and data curation in Oracle Analytics Server
This article walks you through how to enable machine learning for Oracle Analytics Server.
Read: https://blogs.oracle.com/analytics/post/oracle-analytics-server-and-machine-learning-enablement
This article walks you through how to enable machine learning for Oracle Analytics Server.
Read: https://blogs.oracle.com/analytics/post/oracle-analytics-server-and-machine-learning-enablement
Oracle
Oracle Analytics Server and Machine Learning enablement
this blog will walk users through how to enable Machine Learning on their Oracle Analytics Server deployment.
The Anatomy of a Map in Oracle Analytics Cloud
Read this post to quickly understand how to work with map layers that can enhance your analysis.
Read: https://blogs.oracle.com/analytics/post/the-anatomy-of-a-map-in-oracle-analytics-cloud
Read this post to quickly understand how to work with map layers that can enhance your analysis.
Read: https://blogs.oracle.com/analytics/post/the-anatomy-of-a-map-in-oracle-analytics-cloud
Oracle
The Anatomy of a Map in Oracle Analytics Cloud
Read this post to quickly understand how to work with map layers that can enhance your analysis.
Какой у вас опыт работы в IT?
Anonymous Poll
25%
Пока что нет опыта
13%
Менее 1 года
12%
1-2 года
17%
2-4 года
10%
4-6 лет
3%
6-10 лет
3%
10-15 лет
10%
Более 15 лет
6%
Посмотреть результаты
Как мы делали скоринг на микросервисной архитектуре руками не-программистов
2023 год — год противоречивых сигналов для будущего IT-отрасли и, в частности, занятости айтишников.
С одной стороны, с поголовной цифровизацией всех сфер и процессов экономики растёт спрос на разработчиков — что, безусловно, плюс для айтишников.
С другой — необходимость участия программистов во многих прежде «аналоговых» процессах как таковая стала превращаться в препятствие для цифровизации. Естественным образом, со стороны заказчиков и работодателей возник спрос на решения, которые позволят оцифровывать и автоматизировать процессы без необходимости заменять весь прежний штат программистами. Компании ищут выходы где угодно, включая надежды на то, что программистов заменят нейросети.
В реальности все, кто хоть немного разбираются в вопросе, понимают, что до этого далеко: во многих чувствительных областях нейросети, возможно, никогда не заменят человека — потому что с человека можно спросить за ошибки, а с нейросети взятки гладки. Реальным ответом на запрос рынка видятся сегодня low-code и no-code — то есть, технологии создания ПО с помощью визуального редактора с минимальным написанием кода или без написания кода вообще.
С другой стороны, стандартом становится постепенный переход к микросервисной архитектуре. Это подход, при котором единое приложение строится как набор небольших сервисов, каждый из которых работает в собственном процессе и коммуницирует с остальными используя легковесные механизмы, как правило HTTP. Эти сервисы построены вокруг бизнес-потребностей и развертываются независимо с использованием полностью автоматизированной среды. Существует абсолютный минимум централизованного управления этими сервисами. Сами по себе эти сервисы могут быть написаны на разных языках и использовать разные технологии хранения данных.
Читать: https://habr.com/ru/articles/731596/
2023 год — год противоречивых сигналов для будущего IT-отрасли и, в частности, занятости айтишников.
С одной стороны, с поголовной цифровизацией всех сфер и процессов экономики растёт спрос на разработчиков — что, безусловно, плюс для айтишников.
С другой — необходимость участия программистов во многих прежде «аналоговых» процессах как таковая стала превращаться в препятствие для цифровизации. Естественным образом, со стороны заказчиков и работодателей возник спрос на решения, которые позволят оцифровывать и автоматизировать процессы без необходимости заменять весь прежний штат программистами. Компании ищут выходы где угодно, включая надежды на то, что программистов заменят нейросети.
В реальности все, кто хоть немного разбираются в вопросе, понимают, что до этого далеко: во многих чувствительных областях нейросети, возможно, никогда не заменят человека — потому что с человека можно спросить за ошибки, а с нейросети взятки гладки. Реальным ответом на запрос рынка видятся сегодня low-code и no-code — то есть, технологии создания ПО с помощью визуального редактора с минимальным написанием кода или без написания кода вообще.
С другой стороны, стандартом становится постепенный переход к микросервисной архитектуре. Это подход, при котором единое приложение строится как набор небольших сервисов, каждый из которых работает в собственном процессе и коммуницирует с остальными используя легковесные механизмы, как правило HTTP. Эти сервисы построены вокруг бизнес-потребностей и развертываются независимо с использованием полностью автоматизированной среды. Существует абсолютный минимум централизованного управления этими сервисами. Сами по себе эти сервисы могут быть написаны на разных языках и использовать разные технологии хранения данных.
Читать: https://habr.com/ru/articles/731596/
Putting a face to data stories with AI avatars: Oracle Analytics & Synthesia
Find out how the Oracle Analytics team helps you break down barriers between data and consumers.
Read: https://blogs.oracle.com/analytics/post/putting-a-face-to-data-stories-with-ai-avatars-oracle-analytics-synthesia
Find out how the Oracle Analytics team helps you break down barriers between data and consumers.
Read: https://blogs.oracle.com/analytics/post/putting-a-face-to-data-stories-with-ai-avatars-oracle-analytics-synthesia
Creating delightful analytics experiences using dashboard filters in Oracle Analytics Cloud
Dashboard filters together with the Workbook filter in the Present workspace help you create a delightful experience for your users.
Read: https://blogs.oracle.com/analytics/post/creating-delightful-end-user-experience-using-dashboard-filters-in-oac
Dashboard filters together with the Workbook filter in the Present workspace help you create a delightful experience for your users.
Read: https://blogs.oracle.com/analytics/post/creating-delightful-end-user-experience-using-dashboard-filters-in-oac
Oracle
Creating delightful end user experience using dashboard filters in OAC
An implementation of dashboard filters alongside the workbook filter through Present workspace to curate a delightful experience for the report end users.