Машинное обучение
дистанционно
договорная
Для себя
2026-01-15
Откликнуться
Подработка для репетиторов по машинное обучение в Москве
Найдено вариантов подработки — 3
| 🔸 | Преподаёте машинное обучение и ищете подработку в Москве? |
| 🔸 | У нас можно найти работу или подработку, выбрав из более чем 3 вакансий |
| 🔸 | Заявки от прямых заказчиков, которым нужно подтянуть знания по машинное обучение |
| 🔸 | Актуальных предложений на май 2026 года — 92 |
Категория
машинное обучение
Метро
Площадь Революции
Театральная
Охотный Ряд
Чеховская
Юго-Западная
Чистые пруды
Университет
Международная
Лубянка
Кузнецкий Мост
Первомайская
Нахимовский проспект
Шаболовская
Выставочная
Арбатская
Бибирево
Бабушкинская
Преображенская площадь
Сокол
Беляево
Кунцевская
Пушкинская
Тверская
Александровский сад
Комсомольская
Улица Академика Янгеля
Академическая
Проспект Вернадского
Фрунзенская
Октябрьское Поле
Третьяковская
Библиотека им. Ленина
Новокузнецкая
Маяковская
Смоленская
Славянский бульвар
Деловой центр
Деловой центр - МЦК
Панфиловская
Озёрная
Отрадное
Дмитровская
ВДНХ
Бауманская
Авиамоторная
Пролетарская
Кантемировская
Варшавская
Пражская
Тёплый Стан
Калужская
Белорусская
Цветной бульвар
Китай-город
ЗИЛ
Коптево
Ломоносовский проспект
Бульвар Рокоссовского
Курская
Таганская
Чертановская
Севастопольская
Ленинский проспект
Октябрьская
Улица 1905 года
Боровицкая
Тургеневская
Красные Ворота
Площадь Гагарина
ЦСКА
Мичуринский проспект
Рассказовка
Владыкино
Савёловская
Менделеевская
Новослободская
Свиблово
Алексеевская
Рижская
Щёлковская
Площадь Ильича
Братиславская
Крестьянская Застава
Римская
Красногвардейская
Домодедовская
Царицыно
Коломенская
Автозаводская
Павелецкая
Каховская
Бульвар Дмитрия Донского
Южная
Серпуховская
Ясенево
Коньково
Новые Черёмушки
Профсоюзная
Спортивная
Уровень дохода
Тип занятости
Машинное обучение
дистанционно
договорная
Для работы Объяснить мне которые понятия, помочь ответить на несколько вопросов
2026-01-09
Откликнуться
Машинное обучение
без разницы
договорная
Для себя
2026-01-09
Откликнуться
Машинное обучение
дистанционно
договорная
Для себя Нейронные сети
2026-01-07
Откликнуться
Машинное обучение
с выездом или дистанционно
договорная
Для себя Репетитор для ребенка 15 лет
2026-01-02
Откликнуться
Машинное обучение
дистанционно
договорная
Для работы
2026-01-01
Откликнуться
Машинное обучение
дистанционно
договорная
Для работы Переход внутри компании на другую позицию
2025-12-28
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-28
Откликнуться
Машинное обучение
дистанционно
от 2000.00 руб.
Для себя
2025-12-28
Откликнуться
Машинное обучение
дистанционно
договорная
Для себя Нужно помочь улучшить скор в моей задаче. Использую градиентный бустинг catboost, но пока не получается сильно улучшить результаты в задаче регрессии. Данных 10 тысяч, это временной ряд.
2025-12-27
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-19
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-19
Откликнуться
Машинное обучение
дистанционно
договорная
Для себя
2025-12-19
Откликнуться
Машинное обучение
дистанционно
договорная
Дз университет Мне нужно по моему датасету сделать следующее: И желательно в ближайшие дни Прогнозирование выручки с использованием моделей временных рядов 1. Подготовка данных ? Создайте датафрейм из двух столбцов: date (дата) и sales (продажи/выручка). ? Преобразуйте столбец date в тип datetime. ? Установите date в качестве индекса датафрейма (df.set_index('date', inplace=True)). ? Проверьте данные на пропуски и дубликаты. Решите, как их обработать (интерполяция, заполнение средним и т.д.). 2. Агрегация и первичный анализ ? Используйте df.resample('M').sum() (или 'W', 'Q') для выбора периода (месяц — оптимально для большинства бизнес-задач). Обоснуйте выбора периода. ? Постройте линейный график агрегированного ряда (plot()). Оцените визуально: есть ли тренд, сезонность, выбросы, структурные изменения. 3. Декомпозиция ряда ? Выполните декомпозицию (аддитивную или мультипликативную) с помощью seasonal_decompose. Мультипликативная модель подходит, если амплитуда сезонных колебаний растет со временем. ? Визуализируйте тренд, сезонную компоненту и остаток. 4. Проверка на стационарность и стационаризация ? Определите тип колеблемости с помощью автокорреляции первого порядка по отклонению от тренда. ? Определите стационарность набора данных с помощью теста Дики-Фуллера (ADF). Если p-value > 0.05, ряд нестационарен. ? Примените первое дифференцирование: df_diff = df.diff().dropna(), если ряд нестационарен. ? Повторно провести ADF-тест для df_diff. Если ряд все еще нестационарен, применить второе дифференцирование. Порядок дифференцирования d = 1 (реже 2). 5. Идентификация модели ? Постройте графики ACF и PACF для стационарного ряда (df_diff). ? Определите p (порядок AR). Смотреть на график PACF. Порядок p — это количество значимых выбросов до того, как корреляции перестанут быть значимыми (окажутся внутри доверительного интервала). ? Определите q (порядок MA). Смотреть на график ACF. Порядок q — это количество значимых выбросов до того, как корреляции перестанут быть значимыми. ? Определите наличие сезонности. Если на графике ACF исходного ряда есть значимые пики на лагах, кратных периоду (например, на 12, 24, 36 для месячных данных), нужна SARIMA с сезонными параметрами (P, D, Q, S), где S — период сезонности (12 для месяцев). 6. Разделение данных и обучение модели ? Разделите ряд на обучающую (70-80%) и тестовую (20-30%) выборки. Не перемешивать! Тестовая часть — это последние периоды временного ряда. ? Подберите несколько моделей-кандидатов на основе шага 5 (например, ARIMA(1,1,1), ARIMA(0,1,2), SARIMA(1,1,1)(1,1,1,12)). ? Обучите каждую модель на тренировочных данных. 7. Валидация и выбор лучшей модели ? Сделайте прогноз по каждой модели на длину тестовой выборки. ? Рассчитайте метрики ошибок (MAE, RMSE, MAPE) на тестовой выборке, сравнив прогноз с реальными значениями. ? Выберите модель с наименьшими ошибками. ? Визуализируйте: на одном графике тренировочные данные, тестовые данные и прогноз выбранной модели. 8. Диагностика остатков ? Получите остатки (ошибки) финальной модели: residuals = model_fit.resid. ? Проверьте на нормальность полученные ошибки. Постройте гистограмму с кривой распределения и/или Q-Q plot. Выполнить тест Шапиро-Уилка (если данных не очень много). ? Проверьте на автокорреляцию полученные остатки. Постройте график ACF для остатков. Выполнить тест Льюнга-Бокса (p-value должен быть > 0.05, что говорит об отсутствии автокорреляции). ? Проверьте остатки на гомоскедастичность. Постройте график остатков от времени. Не должно быть какой-либо структуры (например, увеличения разброса со временем). Хорошие остатки похожи на "белый шум". 9. Финальное прогнозирование ? Если диагностика остатков удовлетворительная, переобучите выбранную модель на всем доступном наборе данных (train + test). ? Постройте прогноз на нужное количество шагов вперед. ? Постройте график итогового прогноза с доверительными интервалами. В чем проблема - у меня вроде получилось сделать 5 первых шагов, но датасет всего из 12 месяцев и это создает проблемы, которые я не уверена, что решаю и интерпретирую правильно Так же до этого делала анализ по этому датасету (что-то вроде предобработка, eda, статистический анализ) и там есть некоторые моменты по rfm анализу, где хотелось бы тоже услышать мнение, но это уже по возможности и не так важно
2025-12-18
Откликнуться
Машинное обучение
дистанционно
договорная
Для себя Есть датасет и первые пять пунктов вроде сделаны, но с остальными не получается Сделать надо сегодня-завтра Прогнозирование выручки с использованием моделей временных рядов 1. Подготовка данных ? Создайте датафрейм из двух столбцов: date (дата) и sales (продажи/выручка). ? Преобразуйте столбец date в тип datetime. ? Установите date в качестве индекса датафрейма (df.set_index('date', inplace=True)). ? Проверьте данные на пропуски и дубликаты. Решите, как их обработать (интерполяция, заполнение средним и т.д.). 2. Агрегация и первичный анализ ? Используйте df.resample('M').sum() (или 'W', 'Q') для выбора периода (месяц — оптимально для большинства бизнес-задач). Обоснуйте выбора периода. ? Постройте линейный график агрегированного ряда (plot()). Оцените визуально: есть ли тренд, сезонность, выбросы, структурные изменения. 3. Декомпозиция ряда ? Выполните декомпозицию (аддитивную или мультипликативную) с помощью seasonal_decompose. Мультипликативная модель подходит, если амплитуда сезонных колебаний растет со временем. ? Визуализируйте тренд, сезонную компоненту и остаток. 4. Проверка на стационарность и стационаризация ? Определите тип колеблемости с помощью автокорреляции первого порядка по отклонению от тренда. ? Определите стационарность набора данных с помощью теста Дики-Фуллера (ADF). Если p-value > 0.05, ряд нестационарен. ? Примените первое дифференцирование: df_diff = df.diff().dropna(), если ряд нестационарен. ? Повторно провести ADF-тест для df_diff. Если ряд все еще нестационарен, применить второе дифференцирование. Порядок дифференцирования d = 1 (реже 2). 5. Идентификация модели ? Постройте графики ACF и PACF для стационарного ряда (df_diff). ? Определите p (порядок AR). Смотреть на график PACF. Порядок p — это количество значимых выбросов до того, как корреляции перестанут быть значимыми (окажутся внутри доверительного интервала). ? Определите q (порядок MA). Смотреть на график ACF. Порядок q — это количество значимых выбросов до того, как корреляции перестанут быть значимыми. ? Определите наличие сезонности. Если на графике ACF исходного ряда есть значимые пики на лагах, кратных периоду (например, на 12, 24, 36 для месячных данных), нужна SARIMA с сезонными параметрами (P, D, Q, S), где S — период сезонности (12 для месяцев). 6. Разделение данных и обучение модели ? Разделите ряд на обучающую (70-80%) и тестовую (20-30%) выборки. Не перемешивать! Тестовая часть — это последние периоды временного ряда. ? Подберите несколько моделей-кандидатов на основе шага 5 (например, ARIMA(1,1,1), ARIMA(0,1,2), SARIMA(1,1,1)(1,1,1,12)). ? Обучите каждую модель на тренировочных данных. 7. Валидация и выбор лучшей модели ? Сделайте прогноз по каждой модели на длину тестовой выборки. ? Рассчитайте метрики ошибок (MAE, RMSE, MAPE) на тестовой выборке, сравнив прогноз с реальными значениями. ? Выберите модель с наименьшими ошибками. ? Визуализируйте: на одном графике тренировочные данные, тестовые данные и прогноз выбранной модели. 8. Диагностика остатков ? Получите остатки (ошибки) финальной модели: residuals = model_fit.resid. ? Проверьте на нормальность полученные ошибки. Постройте гистограмму с кривой распределения и/или Q-Q plot. Выполнить тест Шапиро-Уилка (если данных не очень много). ? Проверьте на автокорреляцию полученные остатки. Постройте график ACF для остатков. Выполнить тест Льюнга-Бокса (p-value должен быть > 0.05, что говорит об отсутствии автокорреляции). ? Проверьте остатки на гомоскедастичность. Постройте график остатков от времени. Не должно быть какой-либо структуры (например, увеличения разброса со временем). Хорошие остатки похожи на "белый шум". 9. Финальное прогнозирование ? Если диагностика остатков удовлетворительная, переобучите выбранную модель на всем доступном наборе данных (train + test). ? Постройте прогноз на нужное количество шагов вперед. ? Постройте график итогового прогноза с доверительными интервалами.
2025-12-18
Откликнуться
Машинное обучение
дистанционно
договорная
Для себя Хочу найти работу, никак не могу трудоустроиться нужно закрыть пробелы по знаниям
2025-12-18
Откликнуться
Машинное обучение
дистанционно
от 2000.00 руб.
Проект в университете Рекомендательные системы, консультирование по коду, теории
2025-12-18
Откликнуться
Машинное обучение
дистанционно
от 3000.00 руб.
Подготовка к экзамену
2025-12-18
Откликнуться
Машинное обучение
дистанционно
договорная
Для себя Разработка 3-ех слойной нейронной сети и ее машинное обучение для корреляционного и регрессионного анализа вклада 3 основных параметров в измерения
2025-12-16
Откликнуться
Машинное обучение
дистанционно
договорная
Для себя Помочь с выполнением лабораторных по машинному обучению
2025-12-16
Откликнуться
Машинное обучение
дистанционно
от 500.00 руб.
Подготовка к экзамену
2025-12-16
Откликнуться
Машинное обучение
дистанционно
договорная
Для работы Ищу репетитора для составления и курирования индивидуального плана обучения с нуля до Junior ML Engineer
2025-12-15
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-14
Откликнуться
Машинное обучение
дистанционно
договорная
Для себя Помощь с дз по решающим деревьям
2025-12-13
Откликнуться
Машинное обучение
дистанционно
от 1000.00 руб.
Для работы Разработать: 1. Методические материалы по практической и самостоятельной работе студентов 2. Контрольно-оценочные средства по дисциплинам: Разработка программных модулей в системах искусственного интеллекта Разработка мобильных приложений с поддержкой искусственного интеллекта Тестирование программных модулей Есть разработанные образовательные программы, названия практических работ.
2025-12-12
Откликнуться
Машинное обучение
дистанционно
от 500.00 руб.
Для себя Трек по освоению ML с нуля
2025-12-12
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-11
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-11
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-11
Откликнуться
Машинное обучение
дистанционно
договорная
Для сдачи работ и подготовке к их защите Нужна помощь написать практические работы по машинному обучению, подробно их разобрать, разобраться в логике работы кода и теории. В практических заданиях нужно писать методы машинного обучение ВРУЧНУЮ, без использования библиотек. Надо также разобрать не только код, но и теорию, чтобы хорошо подготовиться к защите. Конкретно, нужно реализовать наивный байес, plug-in (подстановочный), лдф, рбф, линейную регрессию (или любое из регрессии/ классификации), knn но необычный (расскажу) Осталось на сдачи работ две недели (два практических занятия)
2025-12-10
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-10
Откликнуться
Машинное обучение
возможна работа на дому
договорная
Подготовка к экзамену
2025-12-10
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-10
Откликнуться
Машинное обучение
дистанционно
договорная
Для себя
2025-12-10
Откликнуться
Машинное обучение
дистанционно
от 1000.00 руб.
Подготовка к экзамену
2025-12-09
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-09
Откликнуться
Машинное обучение
дистанционно
договорная
Для школы с углубленным изучением информатики Помощь в домашних заданиях
2025-12-07
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-06
Откликнуться
Машинное обучение
дистанционно
от 1500.00 руб.
Подготовка к экзамену
2025-12-06
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовить практическую часть по курсовой Выбрать данные с Kaggle. Составить программный код по машинному обучению для практической части курсовой работы. Решаем задачу регрессии, решающее дерево и градиентный бустинг(сравниваем показатели этих трех задач).
2025-12-05
Откликнуться
Машинное обучение
на дому
от 500.00 руб.
Подготовка к экзамену
2025-12-05
Откликнуться
Машинное обучение
дистанционно
договорная
Для работы
2025-12-05
Откликнуться
Машинное обучение
дистанционно
от 1000.00 руб.
Подготовка к сдаче практических работ
2025-12-04
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-04
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-12-02
Откликнуться
Машинное обучение
дистанционно
договорная
Для работы Хочу найти работу, нужно проходить собеседования, составить резюме
2025-12-01
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-11-29
Откликнуться
Машинное обучение
дистанционно
договорная
Подготовка к экзамену
2025-11-29
Откликнуться
Машинное обучение
дистанционно
от 500.00 руб.
Для себя Необходимо вместе со мной дополнить мой код Попутно объясняя что происходит и что отвечает
2025-11-28
Откликнуться
Машинное обучение
дистанционно
от 2500.00 руб.
Для себя Домашки по MLOps
2025-11-28
Откликнуться
Часто задаваемые вопросы
Как мне найти учеников по профилю машинное обучение в Москве?
Зарегистрируйтесь и создайте привлекательный профиль с упоминанием вашей специализации. Обратите внимание на количество доступных заявок от учеников, которое на май 2026 года составляет 92
Какие требования к преподавателям на вашем сайте?
На нашем сайте приветствуются преподаватели с любым уровнем квалификации. Мы рекомендуем указать все свои сертификаты и образование, чтобы увеличить шансы на нахождение учеников
Могу ли я установить гибкий график работы?
Вы полностью контролируете свой график и можете обсуждать его напрямую с учениками, чтобы найти удобное время для обеих сторон
Каков потенциальный заработок для репетитора машинное обучение?
Заработок зависит от количества занятий и квалификации. В среднем, за одно занятие можно заработать 651.73 рублей с занятия. Больше занятий в неделю – выше доход