Data scientist – работа для фрилансеров в Москве

Тестирование, разработка с нуля, настройка. Разработка распределенной системы мониторинга промышленного оборудования на базе автономных IoT-нод. Работа с временными рядами в условиях высокой зашумленности. Стек датчиков (Input Data): 6-осевой инерциальный модуль (High-frequency IMU). Токовые трансформаторы (AC/DC Current monitoring). Климатические параметры (Temp/Humidity). Ключевые задачи: Анализ сигнатур движения: Разработка алгоритмов сегментации циклов работы оборудования на основе данных акселерометра и гироскопа (Kalman filtering, Madgwick). Частотный анализ и дефектоскопия: Выделение признаков износа механических узлов через FFT/STFT-преобразования виброакустических паттернов. Профилирование энергопотребления: Детекция аномалий в пусковых и рабочих токах двигателя для прогнозирования электрических неисправностей. Environment Correction: Построение регрессионных моделей влияния микроклимата на износ компонентов системы. Edge AI Implementation: Оптимизация классификаторов для исполнения на микроконтроллерах с ограниченными ресурсами (TinyML). Технические требования: Опыт работы с DSP (цифровая обработка сигналов) и Anomaly Detection. Python (NumPy, SciPy, Scikit-learn, PyTorch/TensorFlow). Понимание физики процессов в электромеханических системах.

Разработка ПО. Data Science. Разработка с нуля, тестирование, настройка, доработка существующего продукта. Необходимо сделать РНП систему для наших магазинов на вб и озон. Иначе - оцифровка результатов, производимая автоматически и на постоянной основе. Данные с маркетплейсов собираются по апи и интерпретируются в читаемый формат для постоянного анализа: сумма заказов, количество заказов, заказы по артикулу, рекламный расход, дрр, расчет прибыли от заказов и тд. Ищу активного, инициативного вайбкодера/программиста, который сможет на постоянной основе работать с проектом, допиливать его, тк развитие у такой системы может быть бесконечное. Не интересны специалисты с оверпрайс чеком и на разовое выполнение задачи. Если вы прочитали до конца, при отклике ответьте пожалуйста на вопросы: 1. Был ли у вас опыт вайбкодинга? Что это было? 2. Умеете ли вы писать и доделывать код самостоятельно? 3. На какую зп хотите рассчитывать, если будет предложение устроиться в штат?.

Data Science. Разработка с нуля. Автоматизация аналитической системы для Ozon Нужен Python‑разработчик / интегратор для создания MVP аналитической системы под магазин Ozon с интеграцией API, хранением истории данных и базовой причинной аналитикой. Ozon Seller API позволяет автоматизировать работу с товарами, ценами, остатками и отчётами, а MPSTATS предоставляет аналитику по продажам, конкурентам, трендам и API для интеграции с другими программами. Цель проекта Собрать систему, которая автоматически получает данные из Ozon и внешней аналитики, сохраняет историю и помогает отвечать на вопросы: почему выросли или упали продажи по SKU; что повлияло сильнее: цена, индекс цен, акции, остатки, изменения карточки, конкуренты; какие акции и изменения карточки работают лучше.

обработать опросники. Нужно обработать заполненные опросники (26 человек заполнили по 4 опросника. 4 опросника (ниже), нужно посчитать значения по всем шкалам, корреляции в соответствии с гипотезами. Ищу клинического психолога или того, кто разбирается в статистики, умеет пользоваться СПСС. 1. Личностный опросник Айзенка (EPI) для оценки личностных черт (экстраверсия–интроверсия, нейротизм). 2. Тест жизнестойкости С. Мадди в адаптации Д. А. Леонтьева и Е.И. Рассказовой. 3. Опросник способов совладающего поведения Р. Лазаруса и С. Фолкман в адаптации Т. Л. Крюковой и Е. В. Куфтяк. 4. Опросник качества жизни SF-36.

Data Science. Разработка с нуля, тестирование, настройка, доработка существующего продукта. Нужен разработчик для SaaS: обработка прайс-листов, сопоставление товаров, работа с PostgreSQL, интеграция с 1С, API, загрузка Excel/PDF.

Data Science. Разработка с нуля, доработка существующего продукта. Выход на инференцию.

Разработка с нуля. /.

1.

Выполнить задание. Задание 1 . По индивидуальному заданию (скачать интересующий датасет https://www.kaggle.com/datasets?search=retail) выполнить в Power BI ряд действий: 1. Произведите расширение модели данных с использованием таблиц календаря. 2. Создайте выражения KPI с использованием выражений анализа данных (DAX) и языка M Power Query. 3. Разработайте интерактивные отчеты. 4. Результат работы (отчет строго в формате pdf – в документе должны быть представлены описание датасета, ссылки на выполненное задание, скриншоты с пояснениями и выводы) . Задание 2. По индивидуальному заданию (скачать интересующий датасет https://www.kaggle.com/datasets?search=retail) выполнить в Tableau ряд действий: 1. Постройте дашборды. 2. Выявите инсайты. 3. Оформите истории (Story). 4. Опубликуйте в своем аккаунте в Tableau Public. 5. Внедрите визуальную аналитику в Google Colab https://colab.research.google.com/ (Jupyter Notebook https://jupyter.org/) или блоги и сайты". 6. Результат работы (отчет строго в формате pdf – в документе должны быть представлены описание датасета, ссылки на выполненное задание, скриншоты с пояснениями и выводы) И итоговая работа . 2. Источник и описание данных Необходимо: • указать источник данных (собственные данные или открытые наборы) • описать структуру данных (количество таблиц, строк, ключевые признаки) • обозначить предметную область Допускается использование: • собственных данных • открытых датасетов (включая Kaggle: https://www.kaggle.com/datasets?fileType=csv) • любых публичных источников Вы не ограничены одним конкретным ресурсом. 3. ETL и подготовка данных (обязательная часть) Работа выполняется в любой аналитической платформе (Loginom, Knime, RapidMiner или аналогичной). Консолидация данных Если используются несколько таблиц: • объединить данные • описать ключи соединения • проверить корректность объединения Очистка и трансформация (ETL) • обработать пропуски • устранить дубликаты • исключить малоинформативные признаки • привести данные к корректным типам • рассчитать производные показатели (при необходимости) Preprocessing Подготовка данных выполняется в логике методологии CRISP-DM: https://www.sveurope.com/crisp-dm-methodology/ • обработка выбросов • кодирование категориальных признаков • нормализация или стандартизация (при необходимости) • подготовка данных к моделированию Каждый этап должен сопровождаться пояснением: что сделано ? зачем это выполнено ? какой результат получен. 4. Исследовательский анализ данных (EDA) — обязательная часть Необходимо: • построить описательные статистики • создать несколько типов визуализаций • выявить закономерности • определить аномалии • сформулировать аналитические наблюдения EDA должен содержать интерпретацию, а не только графики. 5. Дополнительная аналитика (рекомендуется) Для получения высокого балла рекомендуется выполнить расширенную аналитику: • ABC-XYZ анализ • RFM-анализ • классификацию • регрессию • кластеризацию Можно реализовать один или несколько методов — исходя из структуры данных. 6. Машинное обучение (при наличии задачи) Если данные позволяют: • разделить данные на обучающую и тестовую выборки • обучить одну или несколько моделей • оценить качество по метрикам • сравнить результаты • обосновать выбор алгоритма Важно описать: • какие признаки использовались • какие метрики применялись • почему выбран конкретный алгоритм 7. BI-визуализация (обязательная часть) Необходимо реализовать визуализацию результатов в одной из BI-платформ: • Power BI – использовать подготовленный датасет или обработать «сырые» данные через Power Query – создать KPI – применить DAX – разработать несколько интерактивных отчётов или • Tableau Public – построить дашборды – оформить Story – выявить инсайты или • Yandex DataLens https://datalens.yandex.cloud/ – создать интерактивный отчёт – настроить ключевые показатели – визуализировать основные аналитические выводы Визуализация должна подтверждать аналитические выводы. 8. Заключение В заключении необходимо: • сформулировать ключевые выводы • обосновать полученные результаты • при необходимости предложить рекомендации • обозначить возможные направления развития проекта ?? Критерии оценивания Оценка формируется по следующим параметрам: • полнота аналитического цикла • корректность логики решения • качество обработки данных • обоснованность выбора методов • глубина аналитических выводов • корректность визуализации • структурированность и аккуратность оформления Максимальный балл выставляется при условии: ? реализованы все обязательные этапы ? каждый этап сопровождается аналитическими пояснениями ? выводы аргументированы ? выполнена расширенная аналитика Снижение баллов возможно при: • формальном выполнении без интерпретации • пропуске обязательных этапов • логических или методических ошибках.

Доработка существующего продукта, разработка с нуля. Срок выполнения 14 мая 2026 г.изм. Антиплагиат не требуется Текст задания Нужна помощь с подбором датасета для диплома и кратким обоснованием, почему выбран именно он Тема диплома: кредитный скоринг на основе альтернативных данных Нужно подобрать датасет, который подойдет для моей логики работы: • построить базовую модель на традиционных признаках • построить гибридную модель на традиционных + альтернативных признаках • затем сравнить их по метрикам Для меня особенно важен именно вопрос альтернативных данных: • какие признаки можно корректно считать альтернативными • как их лучше выделить, собрать, смоделировать или обосновать • как сделать это так, чтобы тема диплома выглядела логично и без натяжки Важно: в дипломе не нужно доказывать, что альтернативные данные лучше традиционных • акцент должен быть на исследовании применимости альтернативных данных как дополнения к классическим признакам в гибридной модели Нужен: • подходящий датасет • понимание, какие признаки в нем взять как традиционные, а какие как альтернативные • краткое объяснение в 2–3 предложениях для диплома, почему этот датасет подходит • проверка, насколько этот датасет вообще ляжет на мой текущий код Код у меня уже частично есть, но его при необходимости можно сгенерировать или доработать отдельно — это не основная проблема • главная задача сейчас — подобрать нормальный датасет и понять, как корректно обосновать в нем альтернативные данные Я отдельно скину то, что у меня уже есть по диплому и по коду, чтобы можно было подстроиться под текущую логику работы.

Data Science. Разработка с нуля, доработка существующего продукта. Необходимо описать концепцию проекта (AI-доноры, система предиктивной аналитики поведения доноров некоммерческих организаций), описать функции, технологии и какие данные нужны, разбить данные на категории и отобразить первичную архитектуру проекта.

Data Science. Разработка с нуля. Требуется: 1. Доработка концепции ИТ-архитектуры для SaaS (верификация текущей версии). 2. Развертывание в 2 независимых друг от друга провайдерах: VC + Яндекс.

Data Science. Настройка, доработка существующего продукта. Помочь перенастроить передачу данных по API.

задания python/pandas. Несколько простых заданий на python/pandas. файл вышлю.

Data Science. Разработка с нуля.

Data Science. Разработка с нуля, настройка. Команда в поисках разработчиков, креаторов и вайбкодеров для автоматизации генерации видеоконтента. Берём людей с готовыми пайплайнами и тех кто только хочет начать — велком всем. Интересуют любые форматы автоматизации создания видео — со сценарием и без, любой длительности и направленности. Подходят решения на любом стеке — чистый код, агентские пайплайны (n8n, LangGraph, Make, Crew, AutoGen), no-code, гибридные конструкции, на промптах или на API любых AI-сервисов. Любые ниши — нейроаватары, мультики, слайдшоу, реакционные ролики, подкасты с визуализацией, карусели для соцсетей, VEO/Sora-форматы, нишевые направления под конкретные сегменты. Чем нестандартнее формат — тем интереснее. Условия гибкие. Базовый выкуп пайплайна — от 5 000 до 30 000 ?, оцениваем по сложности, качеству, стабильности и тому насколько хорошо автоматизирован формат. Для уникальных и сложных решений бюджет обсуждается отдельно и может быть значительно выше. Альтернатива выкупу — подключение к нашей системе через API с процентом от каждой генерации на вашем пайплайне. Вы остаётесь владельцем, можем хостить либо у себя, либо на ваших ресурсах. Возможен гибрид — частичный выкуп + меньший процент. На ваш выбор. Минимальные требования к автоматизации (для тех у кого уже есть пайплайн): принимает сценарий или промпт на входе, выдаёт готовое видео, есть базовая кастомизация (минимум шрифты и цвета, в идеале больше параметров), стабильно работает на типовых входах. Сценарии писать не нужно — это не ваша задача, нужен сам пайплайн. Для тех кто только хочет начать — мы поможем определиться с форматом, обсудим референсы и направление, дадим конкретное ТЗ или творчество без рамок — как удобнее. Если получится — выкупаем или подключаем по API с процентом, дальше переходим к следующим форматам. Полное творчество с вашей стороны. Никаких ТЗ на 50 страниц. Согласовываем итоговый формат, принимаем работу, оплачиваем быстро. Если зайдёт сотрудничество — будем выкупать ваши следующие форматы тоже, превращаем это в постоянный поток заказов. Открыты к любым нестандартным форматам и любой географии. Работаем удалённо. Откликайтесь в личку — расскажите что у вас уже есть или с чем хотите начать.

Data Science. Разработка с нуля, настройка. Требуется специалист для настройки выгрузки данных о продажах из кассовой системы SET Retail (CSI / Кристалл Сервис) в базу данных PostgreSQL в режиме, максимально приближенном к реальному времени (near real-time). Что нужно сделать: — Подключиться к источнику данных SET Retail (внутренняя БД / файлы выгрузки / очередь / API — вариант предложить). — Проектирование схемы в PostgreSQL под хранение чеков, позиций, оплат, возвратов и отмен. — Реализовать сервис/ETL-пиплайн, который потоком забирает данные из SET Retail и загружает их в PostgreSQL с минимальной задержкой. — Обеспечить отказоустойчивость, мониторинг, логи, повторную доставку при сбоях (idempotency). — Оформить короткую документацию по развёртыванию и эксплуатации. Требования к специалисту: — Подтверждённый опыт интеграций с кассовыми системами (желательно именно SET Retail 5/10 от CSI). — Уверенный PostgreSQL: проектирование схем, SQL, индексы, партиционирование. — Опыт построения ETL/streaming-пиплайнов (любой из вариантов: Python/Java/.NET, Kafka/RabbitMQ, Debezium/CDC, cron-выгрузки — предложите своё решение). — Понимание ритейл-домена (чеки, позиции, SKU, оплаты, возвраты). Формат работы: удалённо. Результат: работающая выгрузка в PostgreSQL, проверенная на реальных данных, с документацией. Буду благодарен за предложения с оценкой срока, стоимости и кратким описанием предлагаемого подхода.

Доработка существующего продукта, разработка с нуля. Нужно создать концепцию по внедрению в медицинские кабинеты систем для сбора обратной связи (Чтобы например после приема человек не тратил время, а просто в 1-2 нажатия мог оценить и при желании написать комментарий. На данный момент у нас в медицинском центре обратная связь работает через QR-коды, что не очень удобно (так как каждый должен доставать телефон, открывать сканер, там заполнять свои личные данные и только после этого оценивать). Нужно предложить несколько более современных и удобных концепций (вариантов) с обоснованной аналитикой.

Разработка с нуля. Есть дата сет выгруженных вакансий с HH.ru, содержащий переменную key_skills (ключевые навыки упомянутые в вакансиях). Выгрузка была сделана по it-специальностям. После первичного исследовательского анализа было обнаружено, что большая доля навыков упоминается только 1 раз, предполагаем, что это описки, ошибки, синонимы и аббревиатуры. Задача: максимально стандартизировать это поле, снизить размерность данных, чтобы они были применимы для дальнейшего анализ. Проект должен быть реализован на Python.

Доработка существующего продукта, настройка, тестирование, разработка с нуля. Разработать приложение на Flask с графическим интерфейсом или интерфейсом командной строки, которое будет выдавать прогноз показателя модели машинного обучения код модели написан и сохранен. Написать краткую инструкцию пользователя по приложению Выложить все репозиторий в GitHub разместить там код , продемонстрировать работу приложения. Оформить файл README.

8 домашних заданий. Пожелания и особенности: Необходимо выполнить 8 простых заданий по аналитике данных применяя Google Colab по готовым примерам и написать отчёт о проделанной работе. Отправить задания нужно отдельными файлами. Время выполнения - 1 сутки. Сами задания прописаны в гугл-доке, внутри есть ссылки на примеры: https://docs.google.com/document/d/126Zgn10JRPqXuXfYA8WHBo0dcgjqLvRw1bsVHO44Ves/edit?tab=t.0.

Доработка существующего продукта. Необходим специалист работающий в qlik view. Помочь разобраться с моим файлом. Пример того, что нужно сделать. помочь дописать выражение - вывести клиентов с положительным итогом в гистограмме. Дописать выражение в кнопку ( при нажатии открывалось нужное поле с данными) Связь онлайн через тимс. Оплата 600 руб.час.

Data Science. Доработка существующего продукта. Нужен специалист разбирающийся в R, а именно в библиотеке survival. Имеется рыба кода, который строит графики кокса и выводит определённые коэффициенты Возникли определённые неполадки в результатах: выводятся не те результаты, которые необходимы.

Data Science. Разработка с нуля. Пожелания и особенности: Собрать таблицы аналитики для бизнеса в Power bi.

Data Science. Разработка с нуля. Пожелания и особенности: Создание программы с автозаполнением, как excel.

Решение задач. Решение задач по Анализу данных Pandas.

Разработка с нуля, Выполнить задание из файла. Пожелания и особенности: Работа в программах R, Rstudio, Rtool.

Разработка с нуля. Сделать ии фото и видео.

Настройка, разработка с нуля. Формат работы Удаленно / гибрид Проектная занятость Срочный проект до сентября 2027 года Обязанности: Руководство научно-исследовательской работой (НИР) по теме перспективного технологического развития ПАО «Транснефть» до 2050 года; Организация и проведение форсайт-исследований; Проведение сценарного анализа и Delphi-опросов; Формирование и координация экспертных групп; Анализ перспективных технологий в нефтегазовой отрасли и ТЭК; Разработка дорожных карт развития технологий до 2050 года; Подготовка аналитических и научно-технических отчетов; Проведение экспертных панелей и стратегических сессий; Взаимодействие с Заказчиком, участие в регулярных ВКС; Подготовка материалов в соответствии с ГОСТ 7.32-2017. Требования: Высшее образование; Опыт участия в НИР, стратегических или аналитических проектах от 5 лет; Опыт проведения форсайт-исследований обязателен; Знание методов: Delphi; сценарный анализ; roadmap planning; оценка критических технологий; Опыт подготовки аналитических отчетов и дорожных карт; Понимание нефтегазовой отрасли / ТЭК; Опыт взаимодействия с крупными промышленными или государственными заказчиками; Навыки системной аналитики и стратегического планирования; Грамотная письменная речь и опыт подготовки больших отчетных документов. Будет преимуществом: Наличие публикаций, патентов; Опыт участия в отраслевых экспертных советах; Опыт работы с ПАО, госкомпаниями, институтами развития; Участие в технологических стратегиях или программах инновационного развития. Условия: Работа в масштабном долгосрочном проекте федерального уровня; Возможность привлечения собственной экспертной команды; Удаленный формат работы; Гибкий график; Долгосрочный контракт до 09.2027; Уровень оплаты обсуждается индивидуально.

Data Science. Доработка существующего продукта. Нужна помощь нужно подобрать открытый проект (из gethub) и адаптировать к работе "разработка анализ методов оптимизации обучения глубоких нейронных сетей на оборудовании с ограниченными ресурсами мобильных автономных роботов" нужна реализовать и сделать (ограниченным ресурсом может быть любой ноутбук).

Разработка с нуля. Пожелания и особенности: Вот пример как нужно сделать.

Data Science. Разработка с нуля, тестирование.

Разработка с нуля.

Python, API, системный анализ. 1. Обучение python; 2. Проектирование API; 3. Системный анализ; 4. Работа с GIT 5. Работа с БД.

Data Science. Настройка. SpeechSence с помощью ИИ-ассистента производит анализ телефонных разговоров наших сотрудников. Результаты нас устраивают. Но нет возможности выгружать эти данные в табличном формате. Нужно настроить эту выгрузку по api или подобрать подходящий сервис и реализовать через него.

Тестирование, разработка с нуля.

Data Science. Разработка с нуля. Есть файл с кодом на С++, уже готовый Техническое задание (ТЗ) на разработку C++ программы 1. Общая постановка задачи Разработать программу на C++ для численного моделирования коллективной динамики сети нейронов ФитцХью-Нагумо (ФН) с взаимными связями. Программа должна учитывать формулы, написанные преподавателем от руки (листочки с уравнениями), а не только классическую модель из курсовой. Программа должна компилироваться в MINGW (g++), а визуализация результатов должна выполняться через Gnuplot (программа сохраняет данные в текстовые файлы, графики строятся отдельно). 2. Математическая модель (основные уравнения) Реализовать систему для каждого нейрона i в сети: · Быстрая переменная v_i (мембранный потенциал) · Медленная переменная w_i (восстановление) Уравнения (согласно пометкам преподавателя): \epsilon\frac{dv_i}{dt} = v_i - \frac{v_i^3}{3} + I_{syn} + I_{ext} \frac{dw_i}{dt} = a(v_i + b - c w_i) Где: · I_syn — синаптический ток от других нейронов · I_ext — внешний сигнал (периодический, импульсный, шум) · ?, a, b, c — параметры модели (задаются пользователем или фиксированы) Синаптический ток (универсальная форма): I_{syn} = \sum_{j} g_{ij} \cdot (v_j - v_i) Для электрической связи — линейная форма. Для химической связи — с дополнительной переменной s_ij(t) и потенциалом реверса v_rev. 3. Типы сетей (реализовать все) Программа должна поддерживать переключение между типами сети через параметр в конфигурации: № Тип сети Описание 1 1D цепочка Нейроны соединены последовательно (с соседями слева/справа) 2 1D кольцо Цепочка, где первый и последний нейроны также соединены 3 2D прямоугольная решетка Связи с 4 соседями (вверх/вниз/влево/вправо) 4 2D решетка с периодическими границами (тор) Противоположные края соединены 5 Полносвязная сеть Каждый нейрон связан со всеми остальными Количество нейронов — до 100 (задаётся пользователем). 4. Типы синаптической связи (реализовать оба) · Электрическая связь (линейная, двунаправленная, мгновенная) · Химическая связь (пороговая, с переменной s(t), может быть возбуждающей или тормозной) Параметры связи (сила g, потенциал реверса) задаются пользователем. 5. Внешние воздействия (реализовать все) Тип Форма Назначение Импульс Прямоугольный/гауссиан Проверка порога возбуждения Периодический A·sin(2?ft) Исследование резонанса Шум Гауссов белый шум Стохастическая когерентность Шум + сигнал Сумма периодического + шум Эффект стохастического резонанса 6. Что нужно вычислить (результаты программы) Программа должна сохранять в CSV-файлы данные для последующего построения графиков в Gnuplot: 1. Временные ряды v_i(t) / w_i(t) для выбранных нейронов. 2. Разности фаз между нейронами (для анализа синхронизации). 3. Пространственно-временные диаграммы (матрица: время ? номер нейрона ? значение v). 4. Зависимость отклика от частоты (для резонанса). 5. SNR (отношение сигнал/шум) или регулярность спайков в зависимости от интенсивности шума (для стохастической когерентности). 6. Скорость распространения волны (для цепочки/решетки). 7. Требования к программе · Язык: C++17. · Компилятор: MINGW (g++). · Библиотеки: только стандартные (iostream, fstream, cmath, vector, random, chrono). · Численный метод: Рунге-Кутта 4-го порядка с фиксированным шагом dt = 0.001. · Шум: генератор гауссова шума (стандартное нормальное распределение через std::mt19937). · Ввод параметров: через константы в коде или через текстовый конфигурационный файл. · Вывод: текстовые .csv / .dat файлы с разделителем , или пробелом. 8. Что должно быть продемонстрировано (итоговые результаты) Программа должна уметь воспроизводить все явления из курсовой: Явление Краткое описание Порог возбуждения Минимальный импульс, вызывающий спайк Фазовая синхронизация Переход к синхронным спайкам при увеличении силы связи Кластерная синхронизация Разбиение сети на группы с одинаковой фазой Волна возбуждения Распространение спайка по цепочке/решетке Резонанс Максимум отклика при определённой частоте стимула Стохастическая когерентность Оптимальный шум, усиливающий слабый сигнал 9. Построение графиков (Gnuplot) Программист не должен рисовать графики внутри кода C++. Вместо этого он предоставляет: · Готовые Gnuplot-скрипты (.gp файлы) для каждого типа графика. · Инструкцию, как запустить Gnuplot и получить график (например, gnuplot plot1.gp). Также добавлю файл с курсовой работой и сам файл кода.

Data Science. Решить домашнюю работу. Пожелания и особенности: Необходимо решить домашнюю работу и мини-контест, задача исследовательская, уровень МГУ, просьба не писать, если нет уверенности, уже трое специалистов с профи не смогли справиться с помощью по университетской программе AIM.

поиск данных. Поиск потенциальных покупателей на медные пластины есть полное описание оплата с каждого покупателя Оплата не всего 4000рубл. а уточняю с каждого покупателя так в день можно найти несколько покупателей.

Доработка существующего продукта. Feature Engineering (ключевая область) Проектирование, разработка и валидация признаков для моделей. Работа с различными типами данных: Структурированные данные (объявления) нормализация параметров: площадь, цена, ставка аренды производные признаки: цена за м? отклонение от медианы по рынку обработка пропусков и шума Текстовые данные (NLP) извлечение сигналов из: описаний заголовков признаки: наличие “триггеров” (срочная продажа, торг и т.д.) embeddings текстов очистка и нормализация текстов Геопризнаки генерация spatial features: плотность POI транспортная доступность пешеходный/автомобильный трафик агрегации по зонам (H3/районы) distance-based признаки Временные признаки динамика: цены экспонирование объявления сезонность time-to-sell Поведенческие и рыночные признаки частота появления объектов повторные публикации активность продавца Важные аспекты: борьба с data leakage устойчивость признаков во времени интерпретируемость влияние на бизнес-метрики 2. Построение моделей скоринга разработка моделей: инвестиционного рейтинга прогнозирования доходности оценки справедливой цены построение ансамблей моделей 3. Антифэйк и качество данных детекция: фейковых объявлений выбросов (аномально дешевые/дорогие объекты) разработка механизмов trust score объявлений 4. Работа с дубликатами построение similarity моделей: embeddings (text + structured) clustering объявлений 5. Геоаналитика построение признаков: плотность POI транспортная доступность трафик spatial clustering районов влияние окружения на цену/ликвидность 6. NLP задачи извлечение признаков из: описаний заголовков классификация и нормализация текстов 7. Исследование данных (EDA) поиск закономерностей формирование гипотез влияние факторов на инвестиционную привлекательность 8. Валидация моделей offline метрики дизайн A/B тестов интерпретация моделей (feature importance) 9. Работа с продом (в связке с Python Dev) постановка требований к ML pipeline участие в внедрении моделей контроль качества после деплоя, проектирование инструментов контроля качества (drift, деградация) Требования к знаниям и навыкам Обязательные ML / Data Science уверенные знания: классификация регрессия ансамбли (GBM, XGBoost, LightGBM, CatBoost) опыт feature engineering (ключевой навык) работа с несбалансированными данными anomaly detection Python stack pandas, numpy scikit-learn опыт работы с пайплайнами Работа с данными SQL (обязательно) опыт работы с “грязными” данными понимание data leakage Статистика проверка гипотез доверительные интервалы A/B тесты Геоаналитика H3 / GeoPandas / PostGIS spatial features NLP embeddings (BERT, sentence-transformers) opensource / frontier LLM работа с текстами объявлений Similarity / Matching cosine similarity ANN (FAISS и аналоги) Time-series / forecasting прогноз ликвидности динамика цен Интерпретируемость SHAP / feature importance объяснимый ML Требования к опыту Минимум: 5+ лет в Data Science Обязательно: опыт production ML опыт работы с: marketplace / classifieds / real estate / fintech или любыми messy данными с большим шумом Очень желательно: опыт антифэйк / антифрод опыт скоринговых моделей опыт работы с пользовательской ценностью (а не только accuracy).

Практический урок. Я обучаюсь на инженера данных, мне нужно чтобы человек который разбирается в проектировании DWH и помог бы мне в лайве понять как проектировать Star Schema, Data Vault 2.0, Anchor Modeling. Формат такой: я буду рисовать три схемы в draw.io а инженер меня поправлять, и говорить как делать, как инструктор по парашютному спорту).

Обработка данных исследования. Проведено исследование по 5 методикам у 54 респондентов.

Помочь разобраться. Нужна помощь в методологии расчета некоторых показателей.

Data Science. Настройка.

Разработка с нуля.

Исследовательская работа. Пожелания и особенности: Здравствуйте! Нужна консультация опытного аналитика. Я исследую в магистратуре демографические процессы, и модели работают не так как нужно (по логике) нужно проверить код и проконсультировать меня. Анализ проводится в среде R. Логит регрессии.

Data Science. Разработка с нуля. Нужен скрипт, который по заданным объявлениям заходит каждый день вечером на авито, проверяет календарь бронирований и сохраняет занятые дни в файл. Нужно для оценки загрузки отелей конкурентов.

Data Science. Доработка существующего продукта. Мне необходимо с помощью кода распределить комментарии из готового датасета по группам, чтобы программа сама понимала, к какой группе отнести тот или иной комментарий.

Data Science. Разработка с нуля. Пожелания и особенности: Необходимо создать программу, которая рассчитывает детали мебели. Алгоритм расчёта дадим.

Разработка с нуля, доработка существующего продукта. Необходимо настроить выгрузку данных 1С ЧЕРЕЗ olap в отчеты сводной таблицы.