Что такое Data science? Простыми словами о сложном
Data science это о том, что нас окружает и влияет на наши решения. Это искусство получения знаний из данных, которое предстоит познать каждому в разной степени. Ведь сегодня наука о данных приобретает огромное значение для бизнеса, промышленности и исследований на фоне растущей диджатилизации. Впервые услышав о Data science, вам, скорее всего покажется это чем-то невероятно сложным и недоступным. Но стоит лишь немного разобраться в этой теме, вы откроете для себя эту дисциплину совершенно с другой стороны.
Читать: https://habr.com/ru/articles/748914/
Data science это о том, что нас окружает и влияет на наши решения. Это искусство получения знаний из данных, которое предстоит познать каждому в разной степени. Ведь сегодня наука о данных приобретает огромное значение для бизнеса, промышленности и исследований на фоне растущей диджатилизации. Впервые услышав о Data science, вам, скорее всего покажется это чем-то невероятно сложным и недоступным. Но стоит лишь немного разобраться в этой теме, вы откроете для себя эту дисциплину совершенно с другой стороны.
Читать: https://habr.com/ru/articles/748914/
Setting Up Custom Human Resource Analyst and Line Manager Data Security Access
Grant the least restrictive data access to line managers and enable them to have access to larger data sets than just their supervisory organization for user persona with human resource analyst and line manager groups.
Read: https://blogs.oracle.com/analytics/post/setting-up-custom-hr-analyst-and-line-manager
Grant the least restrictive data access to line managers and enable them to have access to larger data sets than just their supervisory organization for user persona with human resource analyst and line manager groups.
Read: https://blogs.oracle.com/analytics/post/setting-up-custom-hr-analyst-and-line-manager
Prepare Your Reports to Use Google Noto Fallback Font in Oracle Analytic Cloud (July 2023 Update)
Introducing Google Noto (Go Noto) as the fallback font for PDF output in Oracle Analytics Cloud.
Read: https://blogs.oracle.com/analytics/post/prepare-your-reports-to-use-go-noto-fallback-font-in-oracle-analytic-cloud-july-2023-update
Introducing Google Noto (Go Noto) as the fallback font for PDF output in Oracle Analytics Cloud.
Read: https://blogs.oracle.com/analytics/post/prepare-your-reports-to-use-go-noto-fallback-font-in-oracle-analytic-cloud-july-2023-update
Oracle
Prepare Your Reports to Use Go Noto Fallback Font in Oracle Analytic Cloud (July 2023 Update)
Introducing Go Noto (Google Noto font) as the fallback font for PDF output.
Каталог данных на примере DataHub. Часть I
В современных компаниях генерируемые и собираемые объемы данных растут с поразительной скоростью, создавая необходимость в их систематизации и управлении. Каталоги данных становятся частью информационных систем, предоставляя организациям удобный и эффективный инструмент для хранения, доступа и управления различными типами данных.
Каталог данных — это центральное хранилище информации о структуре, свойствах и отношении между данными. Он позволяет различным пользователям легко находить, понимать и использовать данные для принятия решений и выполнения задач, и будет полезен аналитикам данных, бизнес-аналитикам, специалистам по DWH и управлению данными.
Погнали 🚀
Читать: https://habr.com/ru/articles/748350/
В современных компаниях генерируемые и собираемые объемы данных растут с поразительной скоростью, создавая необходимость в их систематизации и управлении. Каталоги данных становятся частью информационных систем, предоставляя организациям удобный и эффективный инструмент для хранения, доступа и управления различными типами данных.
Каталог данных — это центральное хранилище информации о структуре, свойствах и отношении между данными. Он позволяет различным пользователям легко находить, понимать и использовать данные для принятия решений и выполнения задач, и будет полезен аналитикам данных, бизнес-аналитикам, специалистам по DWH и управлению данными.
Погнали 🚀
Читать: https://habr.com/ru/articles/748350/
Единая нейросетевая модель кредитного скоринга
Сейчас в Альфа-Банке при построении моделей используется множество различных источников данных. Мы в Лаборатории машинного обучения уже несколько лет применяем нейронные сети на последовательностях для решения задачи кредитного скоринга и построили модели на данных карточных транзакций, транзакций расчетного счета и кредитных историй. Повышение качества в задаче кредитного скоринга позволяет банку выдавать большее количество кредитов при неизменном уровне риска, что напрямую влияет на его прибыль.
Моделей становится все больше, и возникает вопрос: почему бы нам не смешивать модели не на уровне их предсказаний, а на некотором более низком уровне? Эта идея приводит нас к новому способу смешивания - построению единой нейросетевой модели, работающей со всеми источниками последовательных данных и учитывающей их взаимное влияние друг на друга. В этой статье мы расскажем, как нам удалось разработать такую модель и каких результатов она позволяет добиться в задаче кредитного скоринга.
Читать: https://habr.com/ru/companies/alfa/articles/748824/
Сейчас в Альфа-Банке при построении моделей используется множество различных источников данных. Мы в Лаборатории машинного обучения уже несколько лет применяем нейронные сети на последовательностях для решения задачи кредитного скоринга и построили модели на данных карточных транзакций, транзакций расчетного счета и кредитных историй. Повышение качества в задаче кредитного скоринга позволяет банку выдавать большее количество кредитов при неизменном уровне риска, что напрямую влияет на его прибыль.
Моделей становится все больше, и возникает вопрос: почему бы нам не смешивать модели не на уровне их предсказаний, а на некотором более низком уровне? Эта идея приводит нас к новому способу смешивания - построению единой нейросетевой модели, работающей со всеми источниками последовательных данных и учитывающей их взаимное влияние друг на друга. В этой статье мы расскажем, как нам удалось разработать такую модель и каких результатов она позволяет добиться в задаче кредитного скоринга.
Читать: https://habr.com/ru/companies/alfa/articles/748824/
Подборка актуальных вакансий для аналитиков
— Аналитик 1С в Гринатом
Где: удалённо
Опыт: можно без опыта
— Системный аналитик в МТС
Где: удалённо
Опыт: от 1 года
— Аналитик в Гринатом
Где: удалённо
Опыт: от 1 года
— Системный аналитик в Открытие
Где: удалённо
Опыт: от 2 лет
— Системный аналитик в Открытие
Где: удалённо
Опыт: от 2 лет
— Full-stack аналитик в Открытие
Где: удалённо
Опыт: от 2 лет
— Продуктовый аналитик в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Web-аналитик в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Системный аналитик в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Аналитик ПО Диасофт FA# (Digital Q) в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Системный аналитик в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Системный аналитик в Гринатом
Где: удалённо
Опыт: от 3 лет
— Консультант-аналитик 1C:Документооборот в Гринатом
Где: удалённо
Опыт: от 3 лет
— Аналитик / Технолог в Иннотех
Где: удалённо
Опыт: от 3 лет
#вакансии #работа
— Аналитик 1С в Гринатом
Где: удалённо
Опыт: можно без опыта
— Системный аналитик в МТС
Где: удалённо
Опыт: от 1 года
— Аналитик в Гринатом
Где: удалённо
Опыт: от 1 года
— Системный аналитик в Открытие
Где: удалённо
Опыт: от 2 лет
— Системный аналитик в Открытие
Где: удалённо
Опыт: от 2 лет
— Full-stack аналитик в Открытие
Где: удалённо
Опыт: от 2 лет
— Продуктовый аналитик в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Web-аналитик в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Системный аналитик в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Аналитик ПО Диасофт FA# (Digital Q) в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Системный аналитик в Открытие
Где: Москва, можно удалённо
Опыт: от 2 лет
— Системный аналитик в Гринатом
Где: удалённо
Опыт: от 3 лет
— Консультант-аналитик 1C:Документооборот в Гринатом
Где: удалённо
Опыт: от 3 лет
— Аналитик / Технолог в Иннотех
Где: удалённо
Опыт: от 3 лет
#вакансии #работа
👍1
Share your data flows in Oracle Analytics Cloud
Learn how to use the data flow sharing feature to enable collaborative data preparation in Oracle Analytics Cloud.
Read: https://blogs.oracle.com/analytics/post/share-your-oac-data-flows
Learn how to use the data flow sharing feature to enable collaborative data preparation in Oracle Analytics Cloud.
Read: https://blogs.oracle.com/analytics/post/share-your-oac-data-flows
Oracle
Share your OAC Data Flows
Learn how to use the data flow sharing feature to enable collaborative data preparation.
Департамент Big Data Tele2 научил ИИ анализировать автомобильный трафик по всей России
И не просто анализировать, а делать выводы о социально-демографических характеристиках автомобилистов.
Читать: https://habr.com/ru/companies/tele2/articles/749094/
И не просто анализировать, а делать выводы о социально-демографических характеристиках автомобилистов.
Читать: https://habr.com/ru/companies/tele2/articles/749094/
Модели прогнозирования продаж в «Магните»: Легенда об Ансамбле
Привет, Хабр! Легендарная команда прогнозирования промо сети магазинов «Магнит» снова в эфире. Ранее мы успели рассказать о целях и задачах, которые мы решаем: «Магнитная аномалия: как предсказать продажи промо в ритейле», а также поделиться основными трудностями, с которыми приходится сталкиваться в нашем опасном бизнесе: «Божественная комедия», или Девять кругов прогнозирования промо в «Магните».
Сегодня подробнее расскажем о типах и особенностях используемых нами моделей прогнозирования продаж.
Читать: https://habr.com/ru/companies/magnit/articles/748680/
Привет, Хабр! Легендарная команда прогнозирования промо сети магазинов «Магнит» снова в эфире. Ранее мы успели рассказать о целях и задачах, которые мы решаем: «Магнитная аномалия: как предсказать продажи промо в ритейле», а также поделиться основными трудностями, с которыми приходится сталкиваться в нашем опасном бизнесе: «Божественная комедия», или Девять кругов прогнозирования промо в «Магните».
Сегодня подробнее расскажем о типах и особенностях используемых нами моделей прогнозирования продаж.
Читать: https://habr.com/ru/companies/magnit/articles/748680/
❤1
Сравниваем модели машинного обучения с применением статистических тестов
При изучении учебных программ по machine learning я заметила недостаток материалов, посвященных сравнению моделей. Меня зовут Виолетта, я как data scientist в QIWI ежедневно занимаюсь оценкой данных и обучением моделей машинного обучения. В этой статье я рассмотрю три метода сравнения моделей.
Материал будет полезен для сравнения классических моделей, таких как регрессионные модели или модели классификации, на больших таблицах. Акцент в тексте я сделала на методике сравнительного анализа, без учета оптимизации времени тестирования.
Читать: https://habr.com/ru/companies/qiwi/articles/749274/
При изучении учебных программ по machine learning я заметила недостаток материалов, посвященных сравнению моделей. Меня зовут Виолетта, я как data scientist в QIWI ежедневно занимаюсь оценкой данных и обучением моделей машинного обучения. В этой статье я рассмотрю три метода сравнения моделей.
Материал будет полезен для сравнения классических моделей, таких как регрессионные модели или модели классификации, на больших таблицах. Акцент в тексте я сделала на методике сравнительного анализа, без учета оптимизации времени тестирования.
Читать: https://habr.com/ru/companies/qiwi/articles/749274/
Modus BI Cloud: работа с данными в облаке
Привет, Хабр, на product owner компании Modus Александр Чебанов. Сегодня поговорим про работу и анализ данных в облаке, а еще об архитектуре нашего нового облачного BI для малого и среднего бизнеса.
Читать: https://habr.com/ru/companies/modusbi/articles/749432/
Привет, Хабр, на product owner компании Modus Александр Чебанов. Сегодня поговорим про работу и анализ данных в облаке, а еще об архитектуре нашего нового облачного BI для малого и среднего бизнеса.
Читать: https://habr.com/ru/companies/modusbi/articles/749432/
Как мы снизили нагрузку на SAP HANA незаметно для пользователей
Объем информации в корпоративном хранилище данных (КХД) со временем неизбежно начинает превышать запланированные изначально мощности. Обычно эта проблема решается тем, что докупаются недостающие мощности (будет дорого). Когда с такой ситуацией столкнулся наш клиент, мы предложили ему другое решение. Оно позволило сэкономить бюджеты и сделать переходный период максимально безболезненным.
Читайте, что именно мы сделали и какой был результат.
Читать: https://habr.com/ru/companies/sapiens_solutions/articles/747142/
Объем информации в корпоративном хранилище данных (КХД) со временем неизбежно начинает превышать запланированные изначально мощности. Обычно эта проблема решается тем, что докупаются недостающие мощности (будет дорого). Когда с такой ситуацией столкнулся наш клиент, мы предложили ему другое решение. Оно позволило сэкономить бюджеты и сделать переходный период максимально безболезненным.
Читайте, что именно мы сделали и какой был результат.
Читать: https://habr.com/ru/companies/sapiens_solutions/articles/747142/
Какой у вас профессиональный уровень в IT?
Anonymous Poll
23%
Ещё не работаю в IT (учусь или хочу начать учиться)
8%
Intern / Стажёр
15%
Junior / Младший разработчик
17%
Middle / «Миддл»
7%
Senior / Старший разработчик
4%
(Team) Lead / Руководитель команды или ведущий разработчик
3%
Руководитель разработки, департамента, топ-менеджер
14%
Связан с IT, но не разработчик (дизайнер, продакт, аналитик и т.д.)
10%
Посмотреть результаты
Oracle Fusion Analytics Implementation Series: Configuring
Best Practices for Implementing Oracle Fusion Analytics Series: Configuring
Read: https://blogs.oracle.com/analytics/post/oracle-fusion-analytics-implementation-series-configuring
Best Practices for Implementing Oracle Fusion Analytics Series: Configuring
Read: https://blogs.oracle.com/analytics/post/oracle-fusion-analytics-implementation-series-configuring
Oracle
Oracle Fusion Analytics Implementation Series: Configure and Validate
Best Practices for Implementing Oracle Fusion Analytics Series: Configuring
Обновление Дельта BI. ChatGPT, PixelPerfect, коннекторы и визуализации
Совсем недавно вышло обновление платформы для бизнес-аналитики Дельта BI с решениями, прорывными для всей отрасли. Учитывая нашу реальность и недоступность глобальных продуктов, обновление ощутимо увеличивает отрыв Дельта BI от ближайших конкурентов на российском рынке. Показываем и рассказываем, почему.
Читать: https://habr.com/ru/articles/749996/
Совсем недавно вышло обновление платформы для бизнес-аналитики Дельта BI с решениями, прорывными для всей отрасли. Учитывая нашу реальность и недоступность глобальных продуктов, обновление ощутимо увеличивает отрыв Дельта BI от ближайших конкурентов на российском рынке. Показываем и рассказываем, почему.
Читать: https://habr.com/ru/articles/749996/
Multiple Output Columns in Data Science Models for Oracle Analytics Cloud
This article describes how to add multiple output columns to an OCI Data Science model using Python libraries.
Read: https://blogs.oracle.com/analytics/post/multiple-output-columns-in-data-science-models
This article describes how to add multiple output columns to an OCI Data Science model using Python libraries.
Read: https://blogs.oracle.com/analytics/post/multiple-output-columns-in-data-science-models
Transform columns for machine learning models that can be invoked from Oracle Analytics Cloud
This artilce explains how to transform categorical columns to the format required by the Python machine learning model, which can be then saved to the Oracle Data Science model catalog and invoked from Oracle Analytics Cloud.
Read: https://blogs.oracle.com/analytics/post/transform-columns-in-data-science-model-for-oracle-analytics-cloud
This artilce explains how to transform categorical columns to the format required by the Python machine learning model, which can be then saved to the Oracle Data Science model catalog and invoked from Oracle Analytics Cloud.
Read: https://blogs.oracle.com/analytics/post/transform-columns-in-data-science-model-for-oracle-analytics-cloud
Oracle
Transform Columns in Data Science Model for Oracle Analytics Cloud
This article explains how to transform categorical columns to the format as required by the python machine learning model, which can be then saved to data science model catalogue and invoked from Oracle Analytics Cloud.
Map Layers: Visualizing Insightful Analytics and Decision Making
Learn to visualize insightful analytics with custom image map layers and how they can aid in decision making.
Read: https://blogs.oracle.com/analytics/post/premierleague-maplayer
Learn to visualize insightful analytics with custom image map layers and how they can aid in decision making.
Read: https://blogs.oracle.com/analytics/post/premierleague-maplayer
Oracle
Map Layers: Visualizing Insightful Analytics and Decision Making
Learn to visualize insightful analytics with custom image map layers and how they can aid in decision making.
Как создавать качественные ML-системы. Часть 1: каждый проект должен начинаться с плана
Команда VK Cloud перевела серию из двух статей о жизненном цикле ML-проекта, проектной документации, ценности для бизнеса и требованиях. О том, как начинать с малого и быстро отказываться от слабых идей. Руководство пригодится дата-сайентистам, специалистам по машинному обучению, руководителям отделов, техническим руководителям или тем, кто хочет дорасти до этого уровня.
Читать: https://habr.com/ru/companies/vk/articles/749850/
Команда VK Cloud перевела серию из двух статей о жизненном цикле ML-проекта, проектной документации, ценности для бизнеса и требованиях. О том, как начинать с малого и быстро отказываться от слабых идей. Руководство пригодится дата-сайентистам, специалистам по машинному обучению, руководителям отделов, техническим руководителям или тем, кто хочет дорасти до этого уровня.
Читать: https://habr.com/ru/companies/vk/articles/749850/
Сможете ли вы отличить собаку от кошки, или Как объяснить проблемы дата-сайентиста коллегам. Часть 1
Этот материал начинает серию из трех постов о том, как объяснить проблемы дата-сайентистов сотрудникам вашей компании, которые ничего не понимают в data science. В первой части я доступно расскажу о нынешнем положении специалистов, их проблемах и типичных запросах, с которыми они сталкиваются.
Читать: https://habr.com/ru/companies/rosbank/articles/750176/
Этот материал начинает серию из трех постов о том, как объяснить проблемы дата-сайентистов сотрудникам вашей компании, которые ничего не понимают в data science. В первой части я доступно расскажу о нынешнем положении специалистов, их проблемах и типичных запросах, с которыми они сталкиваются.
Читать: https://habr.com/ru/companies/rosbank/articles/750176/