741
Канал о Data Science, ML, AI - книги, курсы, статьи.
https://cianproduct.timepad.ru/event/1674178/?utm_source=fb&utm_medium=refteam&utm_id=1
Читать полностью…
ТИПИЧНЫЕ ОШИБКИ ПРИ ВНЕДРЕНИИ AI • Неверная постановка задачи • Плохо проведённое бета-тестирование • Завышенные ожидания от новых технологий • Несистемные, точечные внедрения • Нежелание закрыть неудачный пилотный проект • Нехватка компетенций и попытка справиться собственными силами • Недостаточная коммуникация между заказчиком и исполнителем
⁉️Дополните список??
РОЛЬ ВИЗУАЛИЗАЦИИ В XXI
📊Визуальное мышление начинает брать верх во всех формах коммуникации. Мы все чаще пользуемся смартфонами как фотокамерами и предпочитаем делать фотографии, а не делиться описаниями.
🌍 Мы думаем, работаем, взаимодействуем с незнакомыми людьми по всему миру, а потому все больше полагаемся на технологии, позволяющие преодолеть языковые барьеры.
📈Благодаря сочетанию вербальных и графических средств, отражению мыслительного процесса, логического и творческого результата визуальные представления представляют собой идеальный инструмент мышления в условиях глобализированного XXI века.
Тони Бьюзен
⁉️Что предпочитаете вы: описать или показать что-либо ?
Data Fest возвращается! 🎉 Data Fest Online 2021 откроется уже 22 мая 🤩
Как и прошлой осенью вас ждут:
🍿 Целый день премьер и прямых включений из зоопарка с топовыми ведущими из ODS, плюс ваши любимые мохнатые и пернатые соведущие. Специальный гость - маленький медведь Потап 🐻
🤝 Море нетворкинга в Spatial Chat: десятки комнат по интересам со всеми полюбившимися и принципиально новыми форматами
💣 Десятки треков от сообщества и партнёров феста с докладами топовых спикеров и практическими заданиями для всех зарегистрированных участников
🎁 Ещё куча новых крутых штук 😉
Регистрируйтесь, чтобы получить доступ ко всем активностям Data Fest. До встречи!
● Лекции специалистов Samsung Innovation Campus об искусственном интеллекте и машинном обучении
Читать полностью…
ЗАЧЕМ РАЗРАБАТЫВАТЬ AI/ML/CV — ПРОДУКТЫ?
Для ответа на этот вопрос достаточно взглянуть на исследование, посвящённое использованию AI-технологий от McKinsey. • Использование AI в стандартных бизнес-процессах выросло на 25% по сравнению с прошлым годом. Показатель применения AI в мире составил 58%. • 63% внедривших AI сообщили об увеличении выручки. Топ-области: маркетинг (ценообразование, прогнозирование вероятности покупки и анализ обслуживания клиентов) и продажи, разработка продуктов и услуг, логистика (прогнозирование продаж и спроса, анализ трат). • 44% заявили о снижении расходов. Топ-области: производство, логистика и сервис. • 74% респондентов, чьи компании внедрили или планируют внедрить AI, заявили, что их организации увеличат инвестиции в AI в течение следующих трёх лет (в среднем на 10–30%). • Требования к специалистам также растут.
❓Верите сухим цифрам или думаете это все мыльный пузырь?🧼
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ЭТО НЕ НАУЧНАЯ ФАНТАСТИКА
🖱Необходимо помнить о том, что ИИ – это технология.
❗️Ни одна технология не способна очень быстро и резко изменить нашу жизнь к лучшему.
Давайте разберемся, что в этой области реально, а что нет, что мы можем ожидать от ИИ и его практического применения.
❗️❗️Реально:❗️❗️
🌀Оптимизировать процессы, которые имеют историю. При этом оптимизация возможна только на 5–10%.
🌀Выявлять отличия и аномалии в «нормальном» потоке данных.
🌀Автоматизировать рутинную работу, выполняемую человеком.
❓❓Не реально:❓❓
🌀Предсказать то, чему не было аналогов в прошлом.
🌀Получать решения на малом объеме данных.
🌀Приобретать новые знания, улучшать понимание
AI PRODUCT MANAGER
Менеджер по продуктам на основе искусственного интеллекта
🦾ИИ - бурно растущий рынок, требующий опытного менеджмента.
👨🔬На каждую команду Data Scientist/Engineer/Analyst необходим управленец, человек от бизнеса, который понимает зачем и куда должна двигаться команда.
❗️НО❗️Нужен не просто управленец в классическом понимании, так как работа с технологиями ИИ требует специфических знаний.
❓Что должен знать менеджер, работающий с ИИ?
⁃ Знать бизнес и возможную (или невозможную) пользу для него от ИИ.
⁃ Понимать экономику ИИ-решений:
~ где стоит сэкономить на решении;
~ где лучше обойти дешёвые варианты внедрения.
⁃ Разбираться в специфике ИИ:
~ понимать, когда модель, работающая в бизнесе, перестанет приносить пользу;
~ знать, когда и как эту модель заменить или переобучить.
⁃ Обладать навыками управления командой:
~ определять нужных специалистов;
~ ставить цели;
~ координировать работу команды.
Вы ещё, действительно, считаете, что Data Science это только для технарей и гуманитариям здесь нет места?
Кто хочет в Яндекс?
Гайд для подготовки к собеседованию:
https://yandex.ru/recruitment-guide/analysts#materialy
Цифры зп в DS, актуальная приятная статистика 📊
https://devsday.ru/blog/details/21331
Бесплатная конференция:
https://data-fusion.ru/conference/
Прокачайте скиллы по анализу данных за 18 дней!
мы предлагаем челлендж - прокачать себя в сфере анализа данных за 18 дней!
Что вы будете делать на курсе?
— Познакомитесь с основами Python — синтаксисом важнейших операций: условий, циклов и функций.
— Научитесь работать с библиотекой Pandas, применять её методы для простого анализа данных и правильно оформлять результаты.
— Научитесь строить графики и диаграммы и рассказывать истории с помощью данных.
— Проведёте первое самостоятельное исследование на основе реальных данных сервиса Яндекс.Музыка.
Мы верим, что вы сможете стать сильнее в области дата аналитики за 18 дней, защитить итоговый проект и получить сертификат от Яндекс.Практикума и Университета 2035!
Если вам по-прежнему интересна программа, пожалуйста, перейдите по этой ссылке и зарегистрируйтесь на курсе.
Обратный отсчет начался! Обучение на курсе доступно до 31 марта 2021 г. /channel/DSMLAI/100
ГДЕ ЕЩЁ НУЖЕН НАВЫК РАБОТЫ С ДАННЫМИ?
👩🏼🏫Еще одна достаточно новая профессия —ДАТА ЖУРНАЛИСТИКА.
📰Направление в журналистике, основанное на обработке открытых данных и их эффективном использовании — для раскрытия историй или создания медиаматериалов с нуля.
👨💼Подойдёт гуманитариями, которые хотят работать с данными.
👩🏼💻Но все-равно придётся изучать Python и Power BI, потому что парсить, извлекать данные надо, рисовать визуализации вообще must have.
🤯Иной раз мне кажется, что данные нас просто поглощают и скоро не будет ни одной профессии, где не будет требоваться навык работы с данными.
👩🔬Product / project менеджерам, медиа-менеджерам, PR-специалистам, журналистам, контент-маркетологам, блогерам - уже давно пара осваивать инструменты для работы с данными.
⁉️А вам часто приходится работать с данными?
ИСТИННАЯ ЦЕННОСТЬ ДАННЫХ
🤯Чем больше работаю с машинным обучением/ искусственным интеллектом , изучаю data science в целом, тем более четко понимаю истинную ценность данных и технологий вокруг них.
🤖Большинство стремятся к оптимизации за счёт анализа данных, хотя иногда хороший менеджер с меньшими затратами может улучшить/ наладить бизнес процессы и привести к лучшим результатам.
🤑Другие пытаются продавать накопленные данные или модели, построенные на них — ещё один способ монетизации;
📈Я же вижу реальные результаты у тех компаний, которые не просто занимаются оптимизацией процессов за счёт данных, а которые на 100% завязаны на данные, становятся big data ориентированными, у которых информационные технологии в прерогативе.
🚕Такие компании могут вести как классический бизнес, так и информационный — Яндекс, айти компания, а ещё такси/ доставка и т.д; Сбербанк, уже не просто банк, а айти компания, а так же Тинькофф.
⁉️В будущем всем компаниям придётся стать айти направленными, что думаете?
С ЧЕГО НАЧИНАЕТСЯ СОЗДАНИЕ AI/ML ПРОДУКТОВ
🦾Создание продуктов на основе искусственного интеллекта/ машинного обучения следует начинать с конца: необходимо описать всю картину в целом, и только потом углубляться и решать отдельные аспекты.
🗾Для этого создали специальную “таблицу” — Machine Learning Canvas — такой некий roadmap, чтобы ничего не забыть.
⁉️Для чего используется ML Canvas?
❗️ОПИСАНИЯ ИДЕИ В ЦЕЛОМ
Какую ML систему вы делаете, какую ценность это будет приносить конечным пользователям, на каких данных будите обучаться и как вы будете измерять результаты и работоспособность.
❗️ЕДИНСТВА ПОНИМАНИЯ У ВСЕЙ КОМАНДЫ
Создание высокопроизводительных систем ML, как правило, включает в себя различные роли: инжиниринг, продукт, бизнес, data science. Важно, чтобы все видели конечную цель и работали в одном направлении, а для этого ML Canvas лучший ориентир.
❗️ПОДГОТОВКИ РЕАЛИЗАЦИИ
ML Canvas позволяет прогнозировать затраты, выявлять узкие места, определять требования и создавать дорожную карту.
⁉️У кого есть опыт использования ML Canvas или кому кажется это полезным, жду вас в комментариях👇
Тут один уважаемый член нашего сообщества Франсуа Холе, который изобрел Keras и XceptionNet, говорит, что через 10-20 лет каждая область науки будет подобластью Computer Science. Вычислительная физика, компьютерная химия, компьютерная биология, компьютерная медицина ... Даже компьютерная археология. Симуляции, анализ больших данных и машинное обучение будут повсюду.
Я частично с ним согласен. Смотря на темпы развития машинного обучения и компьютеризации всего и вся, нетрудно представить, что базовые умения в азы программирования и AI нужны будут почти любому интеллигентному человеку, а тем более ученому.
Из забавного, Франсуа говорит, что доменные знание будут так же релевантны как сейчас, скажем, релевантно знание лингвистики для чела, который занимается Neural Language Processing и обучает всякие Берты и GPT лол.
Такое предсказание может показаться диким, но ведь также мало кто мог представить в 2000 году, что почти все крупные компании к 2020 будут в той или иной степени IT-компаниями.
📈
● По данным IDC Worldwide Artificial Intelligence Spending Guide, российский рынок ИИ в 2020 году достиг $291 млн, а его прогнозируемый объем к 2024 году — $555,1 млн
Где работать с данными с помощью Python?
Anaconda — дистрибутив Python, предоставляет все необходимое по анализу и обработке данных. Требует установки на ПК.
PyCharm — (Integrated Development Environment) - IDE для профессиональной разработки на Python. Входит в Anaconda.
Jupyter Notebook — это мощный инструмент для разработки и представления проектов DS в интерактивном виде. Он объединяет код и вывод все в виде одного документа, содержащего текст, математические уравнения и визуализации. Входит в Anaconda.
Kaggle Notebook — аналогично jupyter, но расположено на платформе Kaggle и доступно через браузер, ничего скачивать и устанавливать на ПК не нужно. Плюс предоставляются хорошие мощности для обучения моделей.
Google Colab — это бесплатный облачный сервис на основе Jupyter Notebook. Предоставляет всё необходимое для машинного обучения прямо в браузере, даёт бесплатный доступ к невероятно быстрым GPU и TPU.
Datalore — это онлайн-блокнот для Data Science c функциями умного редактора кода, доступна командная работа. Это что-то вроде Google colab + Pycharm.
Также есть в Anaconda с 2020.
Какими инструментами пользуетесь вы?
ГОРЬКАЯ ПРАВДА О РАБОТЕ В DATA SCIENCE
1. Данные никогда не бывают чистыми.
2. Большую часть времени вы потратите на очистку, разметку и подготовку данных.
3. 95% задач не требуют глубокого обучения.
4. В 90% случаев помогает обобщённая линейная регрессия.
5. Большие данные — это лишь инструмент.
6. Никого не волнует, как вы это сделали.
7. Академия и бизнес — два разных мира.
8. Презентация является архиважным моментом — станьте мастером Power Point.
9. Все модели ложны, но некоторые из них полезны.
10. Не существует полностью автоматизированной науки о данных. Вам нужно запачкать руки, работая с ней.
Желаете продолжить список?
Пишите номера, с которыми согласны/ не согласны👇
Хотите поучаствовать в интересном мероприятии Яндекса для аналитиков (Оффер за выходной)?
https://forms.yandex.ru/surveys/10028145.142cf94e769bdc3db78c17c58a8bfe34c5c7638f/
Для всех любителей Pycharm и ненавистников Jupyter, держите компромис отJetBrains:
https://datalore.jetbrains.com
Празднуем 6 лет сообщества Open Data Science!
Полная программа и регистрация на нетворкинг активности: https://ods.ai/events/birthday6
Зарегистрироваться в сообщество: https://ods.ai/
Трансляция тут:
https://www.youtube.com/watch?v=PU_PF_dBi1Y
