ГЛАВНОЕ ОТЛИЧИЕ BIG DATA от DATA SCIENCE

Как бы очевидно это не звучало, я обязана с этого начать.

‼️Объемы данных, которые стало необходимо хранить, обрабатывать, анализировать.

❗️Именно объёмы - volumes (англ.) в первую очередь, привели к появлению целого направления Big data, которое включает в себя подходы, методы и инструменты для работы с огромными размерами данных.

😰Классический DS и его подходы просто стали неспособны справляться с такими потоками данных. Например, реляционные базы данных или всем знакомый Excel - просто зависнет на очень долго, при попытке загрузить в него более 1 миллиона строк данных.

📚Поэтому, если обучаться анализу BigData, то вам необходимо освоить ряд инструментов типа: Hadoop, Spark, язык программирования Scala и тд.

📈Если говорить о востребованности, то она растёт с каждым днём, как и растут объёмы данных, генерируемые человечеством.

🤗В идеальном мире, когда все научаться собирать и хранить данные, больших данных будет большинство.

🚨Но также есть ряд сложностей и проблем связанных с работой с такими данными, по которым ещё только ищутся и разрабатываются решения.

❓А вы как думаете, есть будущее за большими данными - Big Data?

Утренний Clubhouse Daily 20.02.2021
Все клабы по московскому времени.

12:35 - 🎙PRO ФРАНЧАЙЗИНГ: что учесть при создании франшиз

13:00 - Будущее ивентов и медиа. Что нас ждёт?

13:00 - HR🚀 Бренд работодателя: EVP -> EB 👩🏼‍💻🧑🏻‍💻🏢

13:00 - Предпринимательство в спорте: точки роста, ниши, фейлы

13:00 - Санкции: все, что вы хотели знать, но боялись

15:00 - ⚡️EVENT ROOM⚡️ Продажи, Тендеры, Спонсоры.

16:00 - Sistema Talks: Как приручить единорога?

17:00 - Маркетинг полезного действия

17:00 - Обсуждаем пиар для стартапов и Оксану Самойлову

17:00 - Yandex Toloka Talk: собираем и обсуждаем большие данные

17:00 - Ресторанный бизнес: изменила ли нас пандемия?

18:00 - Мы без ума: как Росатом развивает искусственный интеллект

19:00 - SoftSkills для разработчиков

19:00 - Инвестиции в долголетие: проекты Longevity

20:00 - Первые шаги в Data Science / Вопросы от бизнеса

21:00 - .tech Войти в АйТи. С чего начать

Отправьте расписание к себе в избранное или пользуйтесь закрепом.

Присылайте анонсы и приглашайте слушателей задавать вопросы в комментариях группы.

Бесплатные курсы по DL

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

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. https://t.me/DSMLAI/100

Бесплатная конференция:

https://data-fusion.ru/conference/

Цифры зп в DS, актуальная приятная статистика 📊

https://devsday.ru/blog/details/21331

Для всех любителей Pycharm и ненавистников Jupyter, держите компромис отJetBrains:

https://datalore.jetbrains.com

Кто хочет в Яндекс?
Гайд для подготовки к собеседованию:

https://yandex.ru/recruitment-guide/analysts#materialy

Хотите поучаствовать в интересном мероприятии Яндекса для аналитиков (Оффер за выходной)?

https://forms.yandex.ru/surveys/10028145.142cf94e769bdc3db78c17c58a8bfe34c5c7638f/

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?

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👇

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