Осталось 2 дня, когда можно приобрести любой курс со скидкой 33%

🔥 Математика для Data Science – 19 990 рублей (вместо 29 990 рублей)

Обязательный курс для всех, кто собирается переходить в Data Science.

🔥 Алгоритмы и структуры данных – 24 190 рублей (вместо 35 990 рублей)

Курс, который поможем вам трудоустроиться в классную компанию, потому что вы с легкостью будете проходить алгоритмические собеседования.

🔥 Архитектуры и шаблоны проектирования – 9 990 рублей (вместо 14 990 рублей)

Курс для уже опытных разработчиков, который поможет вам выйти на новый уровень в разработке ПО.

Оставляйте заявку и менеджер свяжется с вами!

Все правильно, ведь это время можно потратить на новое обучение!

Всем хорошей недели, не перегружайте себя 🫶

Осталось 6 часов до окончания летней распродажи 🙌🏻

Самый хардкорный вышмат для Data Science за 19 990 рублей здесь – https://proglib.io/w/ff7f6865

Делимся с вами подборкой из 5 лучших статей для тех, кто начинает свой путь в Data Science 

Решаем задачи машинного обучения с помощью алгоритма градиентного бустинга

Градиентный бустинг (Gradient Boosting) – один из самых эффективных инструментов для решения задач машинного обучения, в особенности на соревнованиях Kaggle. Чтобы научиться правильно его применять, разберем подробнее лежащие в основе алгоритма процессы.


Наивный байесовский алгоритм классификации: преимущества и недостатки

Наивный байесовский классификатор (Naive Bayes classifier) – это очень популярный в машинном обучении алгоритм, который в основном используется для получения базовой точности набора данных. Изучим его преимущества и недостатки, а также реализацию на языке Python.

Метод k-ближайших соседей (k-nearest neighbour)

Метод k-ближайших соседей (k Nearest Neighbors, или kNN) – популярный алгоритм классификации, который используется в разных типах задач машинного обучения. Наравне с деревом решений это один из самых понятных подходов к классификации.

Вариационные автоэнкодеры (VAE) для чайников – пошаговое руководство

Практическое руководство в стиле "сделай сам" с работающим кодом создания и обучения VAE для лиц знаменитостей на Keras.

Генеративная состязательная сеть (GAN) для чайников – пошаговое руководство

Лучшее руководство для новичков по пониманию, созданию и обучению GAN с надежным кодом на Python.

🐼 ТОП-5 функций Pandas 2.0: Data Science специалисты отправятся «в утиль»?

Все новые функции в Pandas 2.0 для анализа данных. Опробуем на популярных пакетах: ydata-profiling, matplotlib, seaborn и scikit-learn.

🔗 Читать статью
🔗 Зеркало

В августе так проходит по-моему каждый рабочий день, а как у вас, коллеги? 🫠

Бесплатный IT-интенсив: алгоритмы и структуры данных

😱Мы пригласили несколько крупных разработчиков из Yandex, Sharechat и даже Meta*. Чтобы они поделились своим опытом и рассказали на практических примерах о NP-трудных задачах, графах и типичных ошибках, которые соискатели совершают на собеседовниях.

👉Регистрируйтесь по ссылке

В конце каждого вебинара вас ждет интерактив, практика в написании кода, а также возможность задать любой вопрос спикеру.

Программа вебинаров на август:

🗓 14 августа, «NP-трудные задачи: почему их плохо решают».
🎙Спикер: Дмитрий Коротенко, ML specialist at Yandex.

🗓 22 августа, «Графы: алгоритмы и структуры данных на Python».
🎙Спикер: Иван Потапов, Staff machine learning engineer at Sharechat.

🗓 29 августа, «Собеседование на разработчика: разбор задач и ошибок».
🎙Спикер: Алексей Бочкарев, Engineering Manager at Meta*

👉Узнать подробнее и зарегистрироваться можно по ссылке:https://proglib.io/w/d4d5a21b

*Компания Meta признана в РФ экстремистской и запрещена

Задача:

В прямоугольник 5×4см2 вписан круг радиусом 1,5 см. Какова вероятность того, что точка, случайным образом поставленная в прямоугольник, окажется внутри круга?

Пишите ответ в комментариях (желательно с ходом решения), завтра выложим решение!

Нейронные сети, графы и эмерджентность

Автор пробует осветить некоторые интересные области науки, с которыми он сталкивался в контексте работы с нейронными сетями, и найти между ними взаимосвязь. Данная статья не претендует на истину в последней инстанции и является всего лишь попыткой посмотреть на нейронные сети под другим углом.

Читать статью

Что такое аугментация данных? Можете привести примеры?

Под аугментацией данных понимается увеличение выборки данных для обучения через модификацию существующих данных. Компьютерное зрение — одна из областей, где очень полезно увеличение объема данных. Есть много модификаций, которые мы можем сделать с изображениями:

— Изменить размер
— Горизонтально или вертикально перевернуть
— Добавить шум
— Деформировать
— Изменить цвета
#вопросы_с_собеседований

Напоминаем про серию вебинаров по алгоритмам и структурам данных

Регистрироваться можно здесь – https://proglib.io/w/d4d5a21b

Классные темы, классные спикеры, много практики, подарки. Ну точно надо идти!

Решение вчерашней задачи:

Для начала, площадь прямоугольника равна: S прямоугольника = 5 см * 4 см = 20 см².
Площадь круга равна: S круга = π * r² = π * (1.5 см)² = 2.25π см² ≈ 7.07см².

Вероятность того, что случайная точка окажется внутри круга, равна отношению площади круга к площади прямоугольника:

P = S круга / S прямоугольника = 2.25π см² / 20 см² = 9π/80.

Ответ: Таким образом, вероятность того, что точка, случайно поставленная в прямоугольник, окажется внутри круга, составляет 9π/80

Подборка статей по Python:

✍️ python-mastery: продвинутое владение Python
Курс по продвинутому программированию на Python, основанный на упражнениях, который был протестирован несколько сотен раз в рамках корпоративного обучения на протяжении более десяти лет.

✍️ Как Netflix выполняет отказоустойчивость всего за 7 минут
Netflix сократил время, необходимое для реагирования на сбой, с 45 минут до семи без каких-либо дополнительных затрат. В этой статье рассказывается о том, как они осуществляют горячую замену процессов и резервируют вычислительное время, чтобы обеспечить быстрое реагирование на сбои.

✍️ Вкус итерации в Python
Любой объект, реализующий интерфейс итератора, можно использовать в цикле for, но как это работает? В этой статье показано, как используется протокол итератора и как можно писать собственные совместимые объекты.

✍️ Практическое руководство по метапрограммированию в Python
Эта статья представляет собой общий обзор различных типов метапрограммирования, доступных в Python, включая декораторы, метаклассы, встроенные ключевые слова самоанализа и динамическую генерацию кода.

✍️ Практическое руководство по метапрограммированию в Python
Эта статья представляет собой общий обзор различных типов метапрограммирования, доступных в Python, включая декораторы, метаклассы, встроенные ключевые слова самоанализа и динамическую генерацию кода.

В такие моменты нужно говорить уверенно: да, было.

Что такое нормализация данных и зачем она нам нужна?

Нормализация данных — очень важный этап предварительной обработки, используемый для изменения масштаба значений, чтобы они соответствовали определенному диапазону, чтобы обеспечить лучшую сходимость во время обратного распространения ошибки. В общем случае она сводится к вычитанию среднего значения и делению на стандартное отклонение.

Если этого не сделать, некоторые признаки будут иметь более высокий вес в функции стоимости. Нормализация позволяет сделать все признаки одинаково взвешенными.

#вопросы_с_собеседований

Задача:

Из 1 000 пылесосов 380 принадлежат к 1 партии, 270 – ко второй партии,
остальные к третьей. В первой партии 4% брака, во второй - 3%, в третьей – 6%. Наудачу выбирается один пылесос. Определите вероятность того, что выбранный пылесос – бракованный.

Отправляйте решения, сегодня в 18:00 опубликуем верный ответ!

Решение:

Введем полную группу независимых гипотез:

Hi = (Пылесос принадлежат i -ой партии), i =1,2,3 .
Найдем вероятности гипотез по классическому определению вероятностей. Всего пылесосов 1 000, из них 1-ой партии принадлежат 380, то есть

P(H1)= 380/1 000= 0,38, 2-й партии принадлежат 270, то есть P(H2)= 270/ 1 000= 0,27, остальные 1 000-380-2700= 350 пылесосов принадлежат 3-ей партии, поэтому P(H3)= 350/1 000= 0,35

Введем событие A = (Пылесос бракованный). По условию даны априорные вероятности: P(A| H1)= 0,04, P(A|H2)= 0,03, P(A|H3) = 0,06

Вероятность события A найдем по формуле полной вероятности:

P(A)= P(A|H1)P(H1) + P (A|H2)P(H2)+P(A|H3)P(H3)= 0,38*0,04+0,27*0,03+0,35*0,06 0,0443.

ОТВЕТ. 0,0443 (или 4,43%)

Мы в эфире! Подключайтесь – https://www.youtube.com/watch?v=xOQ2LidDEVo

План на сегодня такой:

▪️ Понятие NP-трудных задач

▪️ Реальные примеры NP-трудных задач

▪️ Экзотические задачи, связанные с числами Рамсея

▪️ Переход от постановки задачи к программированию

И много много практики!