Data Science. лабораторная с чатом гпт. Есть лабы изичные, чисто с чатом гпт делаются. Там тяжелее отчёт даже сделать, ну в плане просто нужно сделать нормальный отчёт по примеру. Есть 3 лабы, по два варианта(они +- похожи). На один вариант 500р, то есть лаба 1000р. Если интересно, можно сразу в тг@Есть пример отчетов, сделанных лаб. Например вот Составить программу, которая, с использованием алгоритмов оптимизации (генетическому и по варианту), аппроксимирует функции, задаваемые по варианту. В отчёте отразить: + общие этапы функционирования системы; + предлагаемый генетический алгоритм (выбранные функции мутаций, скрещивания и пр.); + описание второго алгоритма (по варианту); + особенности реализации (рекомендуется использовать готовые библиотеки); + результаты работы (среднеквадратичная ошибка; время вычислений); + результаты сравнения генетического алгоритма и по-варианту; P.S. ГА необходимо реализовать всем участникам этой лабораторной работы, но дополнительно попадётся эволюционный алгоритм Очевидно, что пользоваться готовыми реализациями НУЖНО Вариант: f(x) = sin(x)*(sin(x)+cos(x)), x\in [-2\pi; +2\pi], g(x) = x^2 + x -5, искусственного косяка рыб.
Data Science. Тестирование, доработка существующего продукта. Нужна помощь с заданием по программированию, есть 3-4 дня чтобы подготовить код, презентацию сделаю сам.
Data Science. Разработка с нуля. Необходимо подготовить проект по теме "Прогнозирование продаж продуктов компании с использованием временных рядов" c разработкой сервиса по требованиям.
Нужно заполнить информацию об организациях и клиентах в CRM. Пожелания и особенности: Нужен человек, который хорошо знает английский, а также в идеале имеет техническое образование. В нашей crm есть 2000 организаций и людей (всего 4000), нужно проработать каждую организацию/клиента и добавить необходимую информацию из информации и интернета, с помощью ИИ (по готовому промпту), из наших собственных документов.
Data Science. Разработка с нуля. Разработать программу на языке Python, анализирующую данные, задание с критериями и подробным описанием в прикрепленном файле.
Data Science. Доработка существующего продукта. Пожелания и особенности: Нужно реализовать уравнение больцмана на пайтон. Методичка и все условия скину. По результатам должна быть матрица в txt, и Построение как на рисунке 18 в методичке (один в один). Есть наработки, но результат не совпадает с графиком.
Разработка с нуля. Пожелания и особенности: Есть таблица на 180к строк. Нужно выполнить задачу регрессии – предобработать данные, очистить, добавить фичи, протестировать разные модели. Я хочу делать все сам и понимать что я делаю, от вас прошу менторить меня, давать литературу и исправлять ошибки.
Data Science. Разработка с нуля. Нужно написать ПО собирающее информацию о загрузке бронирования из открытого источника (сайт) с возможностью выгрузки информации в таблицу.
Data Science. Разработка с нуля. Исследовательский вопрос Как различается отношение пользователей к различным регионам России в туристических обсуждениях в социальных сетях за май-сентябрь 2025 года? Гипотезы Гипотеза 1: Регионы, где пользователи чаще отмечают положительные аспекты инфраструктуры (качество отелей, дорог, сервиса), получают больше позитивных отзывов в целом. Гипотеза 2: Регионы с уникальными природными достопримечательностями получают значительное количество положительных отзывов, даже если в комментариях присутствуют негативные упоминания инфраструктуры. Гипотеза 3: Регионы, в обсуждениях которых преобладают негативные упоминания как природных, так и инфраструктурных аспектов, получают преимущественно негативные или нейтральные общие оценки. Описание ожидаемого результата Проанализировав комментарии пользователей в социальных сетях: Составить карту тональности регионов Определить туристические тренды (самые популярные регионы) План действий Поиск в различных социальных сетях сообществ, посвященных туристической тематике + проверка наличия в них каких-либо постов за май-сентябрь 2025 года Сбор всех сообщений (посты + комментарии) из выбранных источников Предобработка текстовых данных будет включать: очистка от повторяющихся символов, устранение эмодзи, ссылок и т.д. приведение всех символов к нижнему регистру токенизация удаление стоп-слов лемматизация удаление пунктуации Нужно будет сделать фильтрацию по именованным сущностям (NER -> Location) Анализ тональности с использованием предобученных моделей для русского языка, так как они обеспечивают более высокую точность на неформальных русскоязычных текстах, содержащих сленг, иронию Тематическое моделирование (Заметка: ещё нужно будет подумать) Анализ результатов и интерпретация Визуализация полученных результатов на каждом этапе Формирование выводов.
Data Science. Разработка с нуля. Пожелания и особенности: Разработать и внедрить системы сбора и анализа данных по API с маркетплейсов Озон и ВБ. Система должна уметь: 1) собирать данные о продажах за любой период времени (рука на пульсе) 2) уметь получать отчёт о продажах и расшифровывать его 3) собирать информацию об актуальных остатках на складах озон и ВБ 4) выводить всю указанную информацию в удобном виде (например через Гугл таблицы) 5) регулировать цены в зависимости от установок (авторепрайсер) 6) быть самодостаточной (без абонентки и необходимости постоянной поддержки, за исключением случаев изменения API).
Data Science. Разработка с нуля. Пожелания и особенности: Имеется производство изделий из металла с видеонаблюдением. Необходимо разработать и интегрировать анализ видеопотока для учёта количества времени, которое сотрудники находятся на своих рабочих постах и осуществляют рабочую деятельность. Такая система должна давать ежедневную, еженедельную и ежемесячную сводку. Прикладываю часть скриншотов. Часть камер стоит неудачно, расположение поменяем. Всего необходим анализ до 10 потоков видео.
Data Science. Тестирование, доработка существующего продукта. Нужна информация в виде отчета, какую информацию запрашивает приложение, какие запросы делает, либо какую информацию получает помимо предоставленных разрешений.
Доработка существующего продукта. Есть анализ медицинского изделия. Шаблон. В нем данные из реестра РЗН и данные по закупкам из ЕИС. Нужно повторить шаблон по 1му конкретному изделию. Техническое задание в примерах.
Разработка с нуля. Провести анализ исходного состояния банка, его возможностей и рисков в рамках разработан- ных сценариев Операционали зация плана действий: список договоров/сде лок/проектов на плановый период Подбор допустимых плановых альтернатив для разных сценариев Подбор допустимых плановых альтернатив для разных сценариев 1.Расчет денежных потоков по сформированному списку сделок/ операций/проектов 2.Отчет по соблюдению ограничений 3.Прогнозные Баланс, P&L, CF, KPI в форматах листов CF_short, Bal_short, P&L_short, Indicators Стресс-тести- рование отобранных плановых альтернатив для разных сценариев 1. Оценка ЭК: распределение отклонений NP от показателя этапа 5 2. Оценка ликвидности: распределение отклонений показателя ЛА/НП от показателя этапа 5 3. Презентация: Анализ устойчивости основных целевых KPI к измененения параметров. Конкретные формулировки и ТЗ в лс.
Data Science, математическая статистика. Разработка с нуля. Разработать скрипт для обработки статистических данных Основная задача Разработка математической модели для расчёта Parameter Score (PCS) и Zone Rating (ZCR) на основе ряда базовых механических параметров (в мм, %, векторных значений и динамических траекторий), включая нормализацию, трансформации и агрегирование. Задачи Нормализация разнородных параметров (мм ? доли длины, % ? приведённые значения). Разработка Curves для каждого параметра (логистические, квадратичные, экспоненциальные). Определение и построение Target Range (CTR) на основе 1K наблюдений. Моделирование расстояний до CTR в многомерном нормализованном пространстве. Расчёт PCS для каждого параметра Построение ZCR через агрегирование PCS с весами и штрафами за outliers. Обработка динамических данных: вариации, траектории, векторные нормы. Интеграция методов обнаружения аномалий: выбросы датчиков, ошибки фаз, несогласованность сигналов. Разработка модулей Python для вычисления PCS/ZCR. Создание FastAPI-сервиса для расчёта PCS и ZCR в режиме реального времени. Методы статистики и матмоделирования (обязательно): 1. Z-score normalization Нормализация по Z-оценке / стандартизация Z-показателем 2. Robust MAD standardization Робастная стандартизация на основе медианного абсолютного отклонения (MAD) 3. Quantile / percentile normalization Квантильная нормализация / нормализация по перцентилям 4. Length scaling Масштабирование по длине / длиновая нормализация 5. Euclidean normalization in multivariate space Евклидова нормализация в многомерном пространстве или более научно: Нормализация через евклидову метрику в мультивариативном пространстве 6. Mahalanobis distance (анализ многомерных выбросов) Расстояние Махаланобиса (для обнаружения многомерных выбросов) 7. Kernel Density Estimation (KDE) Оценка плотности распределения методом ядровых функций (KDE) или коротко: Ядерная оценка плотности 8. Gaussian Mixture Models (GMM) Смеси гауссианов / Гауссовские смешанные модели (GMM) (официальный термин в статистике — «смеси нормальных распределений») 9. Percentile band/interval estimation Оценка перцентильных интервалов / построение перцентильных диапазонов 10. Bootstrapped confidence intervals Доверительные интервалы, рассчитанные методом бутстрапа или коротко: Бутстрап-интервалы доверия 11. Exponential penalty functions Экспоненциальные штрафные функции 12. Logistic and sigmoid scoring transforms Логистические и сигмоидные функции преобразования (скоринговые функции) 13. Piecewise quadratic scoring Кусково-квадратичная скоринговая функция или Кусково-квадратичное преобразование 14. Weighted and penalized mean models Взвешенные и штрафные модели среднего или Модели среднего с весами и штрафами 15. Dynamic variance modeling (DSI — Dynamic Stability Index) Моделирование динамической дисперсии (индекс динамической стабильности, DSI) 16. Time-series smoothing (SG filter / EWMA) Фильтр Савицкого–Голея (SG) Экспоненциально взвешенное скользящее среднее (EWMA) или общее название: Сглаживание временных рядов Требуемый технологический стек: Python: NumPy, SciPy, Pandas Modeling: scikit-learn, statsmodels API: FastAPI, Pydantic Data processing: Jupyter, PyArrow, Polars (желательно) Инженерные навыки: Docker, REST API, работа с большими датасетами Выходные результаты работы Модуль a_pcs.py — вычисление всех PCS. Модуль a_zcr.py — расчёт Zone Score. Модуль ctr_model.py — построение Target Range. FastAPI-сервис api.py — обработка входных данных и возвращение PCS/ZCR. Документация: формулы, методы нормализации, схема пайплайна.
Почему стоит искать работу для фриласнеров по профилю data scientist в России у нас?
🔸 Более 10 предложений о работе за сегодня в тематике data scientist
🔸 Работа и подработка на бирже фриланса от прямых заказчиков, которым нужна помощь специалистов по профилю data scientist уже сегодня!
🔸 Свежих заказов на data scientist в России для фрилансеров на апрель 2026 года — 122 шт.
Как найти удалённую работу для фриланс-специалистов по профилю data scientist в России?
Вы специалист по data scientist и ищете проекты и заказы на удалёнке в России? Нам всегда есть что вам предложить. Ежедневно мы публикуем новые проекты и заказы по вашей специальности. Найдите интересную работу уже сегодня
Сколько проектов для IT-специалистов по профилю data scientist в России?
На апрель 2026 года опубликовано 122 предложений удалённой работы от прямых заказчиков для исполнителей по специализации data scientist
Сколько можно заработать выполняя проекты по data scientist?
Специалисты по профилю data scientist зарабатывают от 0.00 рублей с заказа. Хотите больше? Выполняйте как можно больше заказов и зарабатывайте сколько пожелаете