Дорожная карта Data Science

Держите небольшую дорожную карту для специалистов по данным. Здесь собраны основные навыки и технологии, которые вам понадобятся для освоения профессии.

#roadmap #datascience

В чём различия между Data Science, машинным обучением, ИИ, глубоким обучением и Data Mining

Наверняка вы сталкивались с этими терминами при изучении программирования. Все вышеперечисленные понятия, хоть и связаны между собой, не могут использоваться как синонимы.

Эта статья поможет разобраться в различиях и связях между ними, а также изучить, в каких сферах применяются эти дисциплины:

https://habr.com/ru/post/682932/

#datascience

Data Science: что нужно знать для собеседования?

Data Science — является одной из самых популярных и высокооплачиваемых профессий в сфере IT. Компании полагаются на Data Science специалистов для анализа и интерпретации данных или принятия обоснованных решений, способствующих росту бизнеса.

С ростом спроса на квалифицированных специалистов конкуренция за вакансии сильно возросла и очень важно быть хорошо подготовленным. В этой статье — подборка материалов к собеседованию на Data Science Junior:

https://habr.com/ru/post/724064/

#datascience

​5 признаков, что вам пора в Data Science

Очевидные (и не очень) признаки, которые подскажут, нужно ли вам двигаться в науку о данных и какое направление Data Science выбрать: https://tprg.ru/cGbP

#datascience

​Полезные материалы по Data Science и машинному обучению

Автор данной статьи делится полезными материалами для абсолютных новичков и более уверенных специалистов, которые помогут найти и заполнить не только теоретические, но и практические провалы.

#ml #datascience

Как войти в топ-100 на Kaggle и стать крутым дата-сайентистом

Порой кажется, что люди, вошедшие в сотню лучших специалистов на Kaggle, обладают сверхспособностями и нечеловеческими знаниями, но всё не так просто.

О том, какие навыки важно иметь дата-сайентистам, какие возможности даёт участие в соревнованиях на Kaggle и что помогает побеждать, вы узнаете здесь.

#datascience #статья

Почему дата-сайентистам нужны ещё и графы

Графы — это абстракция, которую используют для выявления связей между сущностями: множество вершин и множество рёбер, которые их соединяют.

В настоящее время многие крупные компании переходят на графы, мотивируя это тем, что производительность таких методов выше, по сравнению с другими современными ИИ-архитектурами. А по прогнозам Gartner к 2025 году графы будут использоваться в 80% инноваций в области данных и аналитики.

Какие же задачи можно решать графами?
— составлять рекомендации (друзей, товаров, музыки и т.п.);
— выявлять мошенничество;
— строить маршруты;
— ранжировать информацию по достоверности;
— хранить взаимосвязи между сущностями.

Более подробную информацию о том, где используются графы и каким именно образом, а также подборку материалов для их изучения вы сможете найти в этой статье.

#datascience #ml #bigdata

​​Как работает обучение без учителя

В обучении с учителем для каждой обучающей ситуации, алгоритму дается понимание, какой ответ с нашей точки зрения тут правильный.
В обучении без учителя для каждой конкретной ситуации такого ответа алгоритму не дается. Алгоритм сам должен научиться решать, как ему поступать в каждом конкретном случае, исходя из конечной оценки совокупности всех его действий.

В этом материале на примерах вы сможете разобраться, какие задачи можно решить с помощью этих методов, какими алгоритмами и есть ли у них недостатки.

#bigdata #ml #datascience

Знакомимся с Data Science и машинным обучением

Делать мы это будем с помощью бесплатного курса, который включает 30 уроков, 54 теста и 21 задачу. В рамках курса вы изучите основные теоретические понятия, а также познакомитесь с библиотеками Pandas и Scikit-learn — наиболее популярными инструменатами для анализа данных и машинного обучения, используя язык программирования Python.

Этих знаний более чем достаточно для старта в этой области. А начать можно уже сейчас по ссылке.

#курс #datascience #ml

Data Science и Big Data: одно и то же или есть различия?

Некоторые люди считают эти термины чуть ли не синонимами, но это не верно. Data Science — междисциплинарная область, которая охватывает практически всё, что связано с данными. А вот Big Data, как можно догадаться из названия, занимается работой исключительно с большими объёмами данных.

Это самое базовое различие, но далеко не единственное. Отличия есть в областях применения, необходимых навыках, задачах и так далее. Всё в один пост не влезет, поэтому рекомендую прочитать эту статью, там всё разложено по полочкам.

#datascience #bigdata

Python в Data Science: топовые библиотеки и фреймворки, которые будут популярны в 2025

В сфере Data Science Python продолжает оставаться лидером среди языков программирования. И в следующем году ему также пророчат лидерство.

Чтобы вы не тратили время на изучение уже устаревших инструментов и технологий, мы собрали для вас те, которые точно будут востребованы в 2025. Ознакомиться с ними вы можете по ссылке.

Не ждём, а готовимся.

#python #datascience

Хотите стать дата-сайентистом? Вот краткая дорожная карта с основными ресурсами.

#datascience #roadmap

Партиционирование данных: что это такое и зачем нужно

Простыми словами, партиционирование — это разбиение больших таблиц на более мелкие части. Такой подход полезен не только аналитикам, но и всем, кто работает с базами данных — он ускоряет работу отчетов и позволяет быстрее получать ответы на запросы.

У нас на сайте появилась статья, в которой вы сможете узнать больше подробностей о партиционировании, способах его реализации и отличиях от шардирования. Вы также увидите, как это работает в разных СУБД. Прочитайте, потому что это та база, которая пригодится каждому: https://tprg.ru/xHb6

#бд #datascience

Data Science с нуля: подробный гайд для начинающих

Хорошо структурированный материал, который охватывает весь путь новичка в Data Science: от математики и Python до визуализации, машинного обучения и портфолио. Поможет понять, с чего начать и в каком порядке двигаться.

https://tproger.ru/translations/a-beginners-guide-to-data-science

#datascience #гайд

«С чего бы я начал, если бы сегодня снова выбрал Data Science»

Когда входишь в ML, легко запутаться. Как выстроить обучение, чтобы оно было последовательным и не отбивало мотивацию?

Автор этой статьи — уже опытный специалист, но в этом тексте он смотрит назад и честно отвечает на вопрос: *что бы он сделал иначе, если бы учился заново?*

— с чего стартовать, если вы пока только слышали про Python и Pandas;
— почему не стоит сразу лезть в LeetCode;
— как не сгореть по пути и не превратить обучение в бесконечную теоретическую гонку;
— что читать, где пробовать себя, и как искать первые задачи на практике.

Никаких обещаний «через 2 месяца вы в Data Science». Зато — полезный ориентир для тех, кто выбирает направление и хочет пройти путь без лишнего шума.

#ml #datascience