Разработка с нуля, доработка существующего продукта. Необходимо сортировать веб-сервсисы, на основе информации об их вызовах. количестве вызовов, количестве вызовов конкретным пользователем, ключевые слова, качественные характеристики сервиса (время выполнения, отказоустойчивость).
Разработка с нуля. Есть база СМИ и база спец сообществ по узкой тематике (тг, vk, fb). Я хочу проанализировать тексты этих сайтов и сообществ за последние 3 года и выделить основные обсуждаемые темы с показателями. Дальше мы будем год от года следить в динамике как меняются обсуждаемые темы. Поэтому, идеально если будет софт, но не обязательно. Вопросы: - Как меняются обсуждаемые темы? Какие темы набирали популярность, а какие уходили на второй план? (СМИ) - Какие темы набирали больше всего реакций (сообщества): комментариев, лайков. Важно, чтобы тренд анализировался не простым количеством, а упоминаемостью в разных статьях (т.е. если в одной статье 20 раз упомянулся термин, то это одно вхождение, а не несколько). Нужен не столько парсер, сколько переработка данных в знания.
Data Science. Доработка существующего продукта, настройка. Суть задания в след . Нужно чтобы вводимые данные в эксель автоматически подтягивались в соответствующие ячейки файла формате DBF.
Информация по ИИ. Мне нужна информация про ИИ по подбору персонала. Пишу научную работу Чтобы не тратить ваши деньги на отклики, можете сразу написать мне в Вотсапе: [Телефон скрыт].
Data Science. Доработка существующего продукта. Ищу репетитора по Python. Необходимо помочь разобраться с ООП, компонентами при написании библиотек (классы, функции и прочее). Формат взаимодействия: очный.
Настройка. Добрый день! Необходимо восстановить и еще раз вспомнить основные правила расчетов данных (продажи, выполнение плана, проценты) в Эксель. Очень давно работала, необходимо восстановить навыки.
Предобработка и анализ датасета. Во вложении загруженный датасет. Что нужно: Шаг 1. Откройте файл с данными и изучите общую информацию Путь к файлу: /datasets/real_estate_data.csv Загрузите данные из csv-файла в датафрейм c помощью библиотеки pandas. Изучите общую информацию о полученном датафрейме. Постройте гистограмму для всех числовых столбцов таблицы на одном графике. Шаг 2. Предобработка данных Найдите и изучите пропущенные значения в столбцах: Определите, в каких столбцах есть пропуски. Заполните пропущенные значения там, где это возможно. Например, если продавец не указал число балконов, то, скорее всего, в его квартире их нет. Такие пропуски можно заменить на число 0. Если логичную замену предложить невозможно, то оставьте пропуски. Пропущенные значения — тоже важный сигнал, который нужно учитывать. В ячейке с типом markdown укажите причины, которые могли привести к пропускам в данных. Рассмотрите типы данных в каждом столбце: Найдите столбцы, в которых нужно изменить тип данных. Преобразуйте тип данных в выбранных столбцах. В ячейке с типом markdown поясните, почему нужно изменить тип данных. Изучите уникальные значения в столбце с названиями и устраните неявные дубликаты. Например, «поселок Рябово» и «поселок городского типа Рябово», «поселок Тельмана» и «посёлок Тельмана» — это обозначения одних и тех же населённых пунктов. Вы можете заменить названия в существующем столбце или создать новый с названиями без дубликатов. Шаг 3. Добавьте в таблицу новые столбцы со следующими параметрами: цена одного квадратного метра (нужно поделить стоимость объекта на его общую площадь, а затем округлить до двух знаков после запятой); день недели публикации объявления (0 — понедельник, 1 — вторник и так далее); месяц публикации объявления; год публикации объявления; тип этажа квартиры (значения — «?первый», «последний», «другой»); расстояние до центра города в километрах (переведите из м в км и округлите до ближайших целых значений). Шаг 4. Проведите исследовательский анализ данных: Изучите перечисленные ниже параметры объектов и постройте отдельные гистограммы для каждого из этих параметров. В некоторых параметрах встречаются редкие и выбивающиеся значения. При построении гистограмм удалите их. Например, в столбце ceiling_height может быть указана высота потолков 25 м и 32 м. Логично предположить, что на самом деле это вещественные значения: 2.5 м и 3.2 м. Попробуйте обработать аномалии в этом и других столбцах, если они есть. Если природа аномалии понятна и данные действительно искажены, то восстановите корректное значение. В противном случае удалите редкие и выбивающиеся значения. Список параметров: общая площадь; жилая площадь; площадь кухни; цена объекта; количество комнат; высота потолков; тип этажа квартиры («первый», «последний», «другой»); общее количество этажей в доме; расстояние до центра города в метрах; расстояние до ближайшего парка Опишите все ваши наблюдения по параметрам в ячейке с типом markdown. Изучите, как быстро продавались квартиры (столбец days_exposition). Этот параметр показывает, сколько дней было размещено каждое объявление. Постройте гистограмму. Посчитайте среднее и медиану. В ячейке типа markdown опишите, сколько времени обычно занимает продажа. Какие продажи можно считать быстрыми, а какие — необычно долгими? Какие факторы больше всего влияют на общую (полную) стоимость объекта? Изучите, зависит ли цена от: общей площади; жилой площади; площади кухни; количества комнат; этажа, на котором расположена квартира (первый, последний, другой); даты размещения (день недели, месяц, год). Постройте графики, которые покажут зависимость цены от указанных выше параметров. Для подготовки данных перед визуализацией вы можете использовать сводные таблицы. Посчитайте среднюю цену одного квадратного метра в 10 населённых пунктах с наибольшим числом объявлений — постройте сводную таблицу с количеством объявлений и средней ценой квадратного метра для этих населенных пунктов. Выделите населённые пункты с самой высокой и низкой стоимостью квадратного метра. Ранее вы посчитали расстояние до центра в километрах. Теперь выделите квартиры в Санкт-Петербурге с помощью столбца locality_name и вычислите их среднюю стоимость на разном удалении от центра. Учитывайте каждый километр расстояния: узнайте среднюю цену квартир в одном километре от центра, в двух и так далее. Опишите, как стоимость объектов зависит от расстояния до центра города — постройте график изменения средней цены для каждого километра от центра Петербурга. Шаг 5. Напишите общий вывод Опишите полученные результаты и зафиксируйте итоговый вывод проведённого исследования.
Data Science. учебное задание, анализ базы данных. Анализ и работа с базами данных. Операционная система: ---. Техническое задание есть. Нужно сделать проект по анализу данных для университета (специальность не программистская). Нужно делать в Jupiter notebook, данные из таблицы, придумать простой проект по анализу базы данных (выбрана база данных, сделать анализ с помощью нее, определенные задания, чтобы использовать разные функции, сделать графики по таблице через питон). Подробности в сообщения (все подробные инструкции, критерии есть). предполагается создание частотных таблиц, расчет МЦТ, выбросы для переменных и др.
Собирать и анализировать статистику в соцсетях, искать тренды и предлагать идеи на их основе. Ваша основная задача — работа со сбором данных по охватам и вовлеченности нашего контента, поиск связок для увеличения показателей, поиск трендов в различных соцсетях, подходящих под наш проект. Помимо этого — вы являетесь редактором и некоторое количество времени уделяете написанию аналитических постов. Требуется ежедневная, еженедельная и ежемесячная отчетность.
Разработка с нуля. Нужна помощь в выполнении учебного задания по нейронным сетям, не успеваю. В самом задании две части, одна по computer vision, другая по NLP. Использовать библиотеку Torch. Подробно описать всю логику действий(на английском языке), предоставить графики. Подробное описание задания могу скинуть в личной переписке.
Помощь с домашкой. Определение движения временного ряда на основе бинарной классификации (0 – падала или оставалась на месте, 1 – росла). Многослойный персептрон, простая RNN, однонаправленная LSTMили двунаправленная LSTM. Парсера текстовых данных и их обработка через BeautifulSoup или Selenium. Все семинарские ноутбуки при себе.
Data Science. Разработка с нуля. Нужно сделать онтологию OWL (в Protege, например) на медицинскую тему. Показать связи: диагноз, симптом, обследование и результаты обследования, исследования и результаты исследования, лечение. В идеале - затем нужно сделать с помощью Python отображение онтологии в веб-интерфейсе.
Data Science. Доработка существующего продукта. Необходим специалист для автоматической обработки файлов (jpg), а именно поиск файлов и переименование в нужной последовательности, с возможность задачи начальных параметров.
Консультация. Нужна помощь в решении задачи по обработке естественного языка (NLP). Составить алгоритм действий, какую предобработку делать, определить какие модели и библиотеки использовать. Данные: сообщения пользователей в чатах. Цель: есть два типа чатов, необходимо понять, чем отличаются сообщения в одних от других (с точки зрения семантики и типов сообщений).
Data Science. Помочь с визуализацией данных. Создать графическое изображение. Данные уже введены в Excel. Но сделать это нужно в других программах обработки статистических данных.
Анализ доходов и расходов. Анализ доходов и расходов домашних хозяйств Работа выполняется на примере субъекта РФ Красноярского края В работе необходимо проанализировать следующие данные за 2022 год в сравнении со среднероссийскими показателями: 1. Располагаемые ресурсы домашних хозяйств региона и их структура в разрезе источников доХоДов 2. Расходы домашних хозяйств региона и их структура в разрезе направлений использования средств.
Проанализировать результаты исследования. Провожу исследование в Гугл форма,необходимо обработать данные в программе spss,посчитать коэфециенты,выявить взаимосвязи.
подготовка к экзамену в университете. Подготовка к зачету и решение творческих заданий . прикреплю пример . Краткое содержание: Классификация языков программирования. Язык программирования Python. Типы данных и операции. Структурнос программирование на языке Python. Объектно-ориентированное программирование. Создание графических интерфейсов пользователя (GUI). Среда R. Данные в R. Управляющие конструкции языка и математика в R. Графические возможности языка R.
Data Science. Разработка с нуля. Необходимо спарсить отчеты из Вайлдбериз через ключ api в гугл-таблицу, то есть написать скрипт в гугл-таблице, который будет ее выгружать.
Доработка существующего продукта. У меня есть запрос сделать обзор литературы про точность и особенности применения алгоритмов, нейросетей и прочих подходов к анализу данных для анализа уровня стресса по различным параметрам. Список параметров есть. Под каждый нужно найти 2-3 статьи и описать суть - плюсы и минусы и тд. Ничего сложного, но мне надо чтобы мне это делал и потом объяснил человек, который в этом разбирается, то есть не автор на все руки.
Разработка с нуля. Нужен человек, отлично знающий гугл-таблицы для создания дашборда У нас много разных таблиц, нужно свести все данные в одну (например каждая вкладка для отдельных сотрудников и доступ у них только к своей вкладке, а директор видит на дашборде все данные - от экономики (доходы, расходы, зарплата и т.д.) до движения товара. В общем нужно кучу разных по содержанию табличек привести в божеский вид, чтобы это было читабельно.
Data Science. Разработка с нуля. Python ? Создать скрипт по парсингу данных с сайта в Яндекс/Google таблицу. Подробнее в ТЗ + запись алгоритма, что сейчас приходится делать вручную.
Работа в Колаб. Выбрать индивидуальное задание: можно использовать “свои” данные или использовать датасеты с Kaggle https://www.kaggle.com/datasets?fileType=csv или взять любой датасет из PyCaret (https://colab.research.google.com/drive/1kXxUEBiG3Zc7fM73vLc34- rAk0vsGjij?usp=sharing , https://pycaret.org/get-data/) 2. В Colab (или используя платформу Data Science and Machine Learning - любую на выбор: Loginom (легко использовать визуализаторы статистика, качество данных), Knime, RapidMiner) выполнить консолидацию данных кейса, если кейс состоит из нескольких таблиц (пример на pandas: https://colab.research.google.com/drive/1dfFXMdk_X0JY6- JbkMtaHkQ8jqwe8eSz?usp=sharing, ссылка на датасет с дубликатами и пропущенными значениями https://docs.google.com/spreadsheets/d/1jjbT6CZGkj3OduClesmnqHHolxMTB1Er/edi t?usp=drive_link&ouid=115645456076953951741&rtpof=true&sd=true, очищенный датасет https://docs.google.com/spreadsheets/d/1jjbT6CZGkj3OduClesmnqHHolxMTB1Er/edi t?usp=drive_link&ouid=115645456076953951741&rtpof=true&sd=true); провести очистку, трансформацию данных (ETL), выполнить preprocessing данных (https://www.sv-europe.com/crisp-dm-methodology/), провести EDA с использованием любой библиотеки python (легко использовать библиотеки python автоматизации EDA Dataprep, Autoviz: пример использования https://colab.research.google.com/drive/1PIigDvYLxRVYzcBkcJ_ZQDqF4cLBWzhf? usp=sharing), библиотеки bamboolib, mitosheet, d-tale пример использования https://disk.yandex.ru/i/nAWgDzty2n1zZw). Платформы BI: На выбор любой из 1 2, 3 пунктов. В любой из BI-платформ: 1. Подключившись к BigQuery (или использовать подготовленный датасет или работать с исходными “сырыми” данными (обработать их в Power Query), создать в Power BI Desktop выражения KPI с использованием выражений анализа данных (DAX), разработать несколько отчетов в Power BI, опубликовать его в корпоративном облачном сервисе Power BI. 2. В Tableau Public (используя подготовленный датасет из предыдущего задания) построить дашборды, выявить инсайты, оформить истории (Story), опубликовать в своем аккаунте в Tableau Public, внедрить интерактивные отчеты в Colab. 3. Создать интерактивный отчет в Looker Studio https://lookerstudio.google.com/navigation/reporting (используя подготовленный датасет из предыдущего задания) и внедрить в Colab:.
Разработка с нуля, доработка существующего продукта, настройка. Добрый день, меня зовут Дмитрий. Мы - компания Age. Мы создаем образовательные программы для пенсионеров (55+ лет) по разным направлениям: история, искусство, гимнастика мозга, лечебная физкультура и другие. На данный момент у нас есть база около 8000 человек, из них 3000-5000 активной аудиторий, которые генерируют 50000 посещений. Каждый день мы продолжаем расти и усиливать команду. Для работы с базой данных мы используем базу ML. Однако, данная модель была нарушена и для продолжения работы с ней, модель необходимо модернизировать. Именно поэтому сейчас мы ищем специалиста, готового разобраться с причиной неполадки действующий модели и добавить необходимые нововведения. Что представляет собой действующая МЛ модель: -Чтобы отслеживать посещаемость мы создали таблицу Эксель в которую прогружается все, что есть по текущей посещаемости и там при помощи формул все ранжируется в графики. Нам ДОСТУПНЫ: /Период /Общая посещаемость /Посещаемость по группам /Посещаемость по людям /Посещаемость по расписанию /Статистика посещаемости кол-во человек на занятие /Люди кто в периоде несколько раз не ходили /Люди кто отпал из базы и старый Обязанности:?- Наладить действующую модель?- Добавить в модель необходимые дополнения?- Анализ и сбор статистики работы компании с помощью модели Формат работы: частичная занятость, удалённо Будем рады видеть вас в команде!.
Data Science. Разработка с нуля, доработка существующего продукта. Нужна программа: Упрощенная База данных финансовых движений подразделений и контрагентов по собственным статьям расходов и доходов. Различные формы отчетов по категориям. Размещение: сервер-клиент. Можно готовые шаблоны с последующей доработкой.
Разработка с нуля. Помощь в решении тестового задания на Python для стажировки на аналитика данных (gamedev) в игроку компанию, 3 задачи. И конечно объяснить решение) В задачах — работа с базой данных, Python, результаты A/B анализа.
Доработка существующего продукта. Нужна помощь с учебным проектом по анализу данных на Python. Нужно переработать проект после ревью в короткие сроки Проект по анализу поведения пользователей, воронки, метрики, проверка гипотез.
Помощь в решении тестового задания. Нужна помощь в решении тестового задания, для стажировки на аналитика данных (gamedev) в игровую компанию. (3 задачи). И конечно объяснить решение). Предпочтительно решить с помощью Python.
Почему стоит искать работу для фриласнеров по профилю data scientist в России у нас?
🔸 Более 1 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 май 2026 года — 254 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 май 2026 года опубликовано 254 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