1. Специалист по data science: специализация и работа

    Мы живем в век информации, и ее количество растет очень быстро. Объем информации, которую потребляет современный человек за год, вскоре может оказаться больше, чем у наших предков за всю жизнь. Данные, с которыми мы сегодня имеем дело, это не только книги, фильмы и web-страницы. Есть огромное количество данных, скрытых от...
  2. Ошибки на собеседовании data science

    При собеседовании на должность в сфере data science соискатели часто допускают банальные ошибки, которую снижают их шансы быть принятым на работу. Вот некоторые из них: Not doing any research on the company prior to the interview. Not understanding whether they want to hire a scientist or a developer. In many...
  3. Life Cycle of Data Science Projects

    1. Identify the problem Identify metrics used to measure success over baseline (doing nothing) Identify type of problem: prototyping, proof of concept, root cause analysis, predictive analytics, prescriptive analytics, machine-to-machine implementation Identify key people within your organization and outside Get specifications, requirements, priorities, budgets How accurate the solution needs to...
  4. Data Science инструменты для тех, кто не умеет кодить

    Вообще-то кодинг является важной частью data science, но всё-таки без этого можно обойтись, используя соответствующие вспомогательные инструменты (но лучше уметь кодить). Итак, вот список таких инструментов: 1. RapidMiner RapidMiner (RM) was originally started in 2006 as an open-source stand-alone software named Rapid-I. Over the years, they have given it the name of RapidMiner and...
  5. 12 алгоритмов, которые должен знать каждый data scientist

    Алгоритмы являются неотъемлемой частью обработки данных. Предлагаем рассмотреть инфографику о 12 блоков алгоритмов, которые должен знать каждый исследователь данных. Внутри «блоков» имеется список присущих блоку алгоритмов. Источник
  6. Жизнь исследователя данных

    Data scientists are big data wranglers. They take an enormous mass of messy data points (unstructured and structured) and use their formidable skills in math, statistics and programming to clean, massage and organize them. Then they apply all their analytic powers – industry knowledge, contextual understanding, skepticism of existing assumptions...
  7. 9 советов начинающему исследователю данных

    1. Освежите в памяти знания по математике и статистике Математика и статистика играю важную роль в анализе данных и понимании того, что данные показывают нам. На начальном этапе достаточно базовой математики и статистики, а на более специфичных должностях могут быть необходимы углубленные знания. 2. Изучите основы машинного обучения Машинное обучение...
  8. Аналитическая команда

    В последние годы произошел серьезный сдвиг. Вместо того чтобы задавать вопрос, нужны ли им вообще аналитические таланты, сегодня организации озабочены тем, как из имеющихся у них талантов создать команды и расширить их влияние. Это говорит о том, что в настоящее время ценность профессиональных аналитиков осознана, а их роли расширяются. Результаты...

Data Scientist # 1

Машинное обучение, большие данные, наука о данных, анализ данных, цифровой маркетинг, искусственный интеллект, нейронные сети, глубокое обучение, data science, data scientist, machine learning, artificial intelligence, big data, deep learning

Данные — новый актив!

Эффективно управлять можно только тем, что можно измерить.
Copyright © 2016-2021 Data Scientist. Все права защищены.