TGViewer
Channel Public Channel
DataSciencePRO

DataSciencePRO

@ds1pro

Все нужное и полезное из мира дата сатанистов)
Subscribers
749
Photos
188
Videos
19
Links
339

Showing posts older than #163 · Back to latest

Older Posts 20 shown
Post #162 234

Forwarded from Data Science | Machinelearning [ru]

​​CatBoost 1.0.0

Опубликованная в 2017 году библиотека получила первую «production ready» версию. Ускорение, поддержка Spark, multilabel-классификация и даже открытая документация — обо всём этом рассказывается подробнее в статье разработчиков на Хабре. 

Статья
Post #161 241

Forwarded from Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение

📊 Kaggle за 30 минут: разбираемся с соревнованием House Prices

Из предыдущей статьи мы узнали, что такое Kaggle и какие разделы предлагает этот ресурс. Теперь разберемся с одним из самых базовых соревнований Kaggle – House Prices.

https://proglib.io/sh/rckgt1HD0I
Post #160 221

Forwarded from Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение

📊 Построение и отбор признаков. Часть 2: feature selection

Мы уже знаем, что такое признаки и почему они важны в моделях машинного обучения. Попробуем разобраться со следующей после построения “фич” техникой – их отбором.

https://proglib.io/sh/XxDRvJwC1j
Post #159 209

Forwarded from Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение

🐘 8 лучших GUI клиентов PostgreSQL в 2021 году

Что такое графический интерфейс PostgreSQL? Зачем он нужен? Как это может помочь вам в управлении базами данных? Узнайте о лучшем программном обеспечении Postgre GUI, которое можно попробовать в 2021 году.

https://proglib.io/sh/Q3gDi6wsyZ
Post #158 678
Post #157 223
Все прошли тест 500 вопросов на джуна?)
Post #150 520
LightAutoML: https://github.com/sberbank-ai-lab/LightAutoML

Обучение - https://ods.ai/tracks/automl-course-part1
https://github.com/sberbank-ai-lab/LightAutoML/blob/master/examples/Tutorial_1.%20AutoML%20pipeline%20preset%20(with%20model%20descr).ipynb

LightAutoML для датафеста, а также видео, в котором обсуждается тема бенчмарков AutoML решений.

1. Репозиторий с туториалами из видео (https://github.com/sberbank-ai-lab/lightautoml-datafest-workshop)
2. Туториал BlackBox (Рыжков Александр) (https://www.youtube.com/watch?v=hr8GbPOHaEE), ноутбук
(https://github.com/sberbank-ai-lab/lightautoml-datafest-workshop/blob/master/LightAutoML%20demo%20(Blackbox).ipynb)3. Туториал WhiteBox (Вахрушев Антон) (https://www.youtube.com/watch?v=ajQwShL_Hak), ноутбук
(https://github.com/sberbank-ai-lab/lightautoml-datafest-workshop/blob/master/LightAutoML%20demo%20(Whitebox).ipynb)4. Туториал NLP (Симаков Дмитрий) (https://www.youtube.com/watch?v=4klVmKGdhvg), ноутбук
(https://github.com/sberbank-ai-lab/lightautoml-datafest-workshop/blob/master/LightAutoML%20demo%20(NLP).ipynb)5. Видео про бенчмарки AutoML (Дамдинов Ринчин) (https://www.youtube.com/watch?v=HO_N4BEmZm0)

Ноутбуки:
https://www.kaggle.com/alexryzhkov/lightautoml-baseline-tps-june-2021
https://www.kaggle.com/alexryzhkov/lightautoml-classifier-regressor-mix
https://www.kaggle.com/alexryzhkov/lightautoml-pseudolabel-nlp-baseline

узнал что pytorch под windows медленнее чем под linux - что конда медленнее и старее чем докер poetry и прочее)
GitHub GitHub - sberbank-ai-lab/LightAutoML: LAMA - automatic model creation framework LAMA - automatic model creation framework. Contribute to sberbank-ai-lab/LightAutoML development by creating an account on GitHub.
Post #149 1.14K
#хакатон #опыт #DS
Итак! в воскресенье завершился хакатон от Райффайзен банка по DS - Интересная задача, живой датасет, 2400 участников, 230+ команд на старте, шикарная обстановка и погружение в тему, топчики организаторы которые жили 3 дня вместе с участниками в чате, отдельный респект и уважуха им за это! теперь по порядку
1) это мой второй хакатон в принципе и первый по ДС так как учусь я на этом направлении, и интересно все увидеть и узнать!
2) шел на хак просто что бы посмотреть данные и хоть как то попробовать его проанализировать что я и сделал ))) потому что тягаться с ДС командами сбера или Х5 нереально на данном треке моего развития
3) получил кучу эмоций и новых знаний, хотя бы слова новые узнал куда можно двигаться и развиваться и на чем сконцентрироваться в обучении (привет LightAutoML, Siamese TabNet
4) узнал пару интересных финтов по future engineering такие как OpenCellID
5) важно - EDA анализ никто не отменял) потратив немного времени на поиск интересностей можно потом сэкономить кучу времени на подборе параметров для машинок
6) команда решает , но в топ10 был и соло участник)
7) EDA конечно Важен , но, по просмотру питчей стало понятно , что , либо никто про EDA не сказал, либо большинство просто запихивало данные в машинку и тюнило остальное от балды) на шару - а вдруг повезет!
8) времени было мало! думаю если бы дали недели 2 , можно было бы нагенерить достаточно фичей для более качественной реализации моделей

Хууух! всем спасибо кто дочитал! еще раз - было мега классно , это вам не kaggle) можно даже сказать "Raiffhack - он вам не kaggle"
GitHub GitHub - sberbank-ai-lab/LightAutoML: LAMA - automatic model creation framework LAMA - automatic model creation framework. Contribute to sberbank-ai-lab/LightAutoML development by creating an account on GitHub.
Post #148 221
А вот и poetry
Post #147 220

Forwarded from Zen of Python

Лучшие практики Python для нового проекта в 2021 году

Полезная статья для тех, кто хочет разобраться и научиться работать с экосистемой Python. Автор постарался взять лучшие практики для работы с pyenv, Poetry, pytest, Flake8, Black и MyPy.

Вот, что из этого получилось:

https://tprg.ru/Z4Wt
Post #146 244
Завтра постараюсь написать пост про участие в хакатоне от Райффайзен банка) узнал много новых слов которые ещё предстоит выучить и разобраться. Скину пару полезных ссылок
Post #141 293

Forwarded from Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение

🛠 5 лучших инструментов управления проектами, о которых вы могли не знать

В старые времена для собрания по планированию спринта требовалась только доска, маркер и стикеры. В наши дни появились цифровые инструменты, которые делают планирование более эффективным, а спринт – более успешным.

https://proglib.io/sh/lvB3EpG7hz
Post #140 230

Forwarded from Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение

📊 Построение и отбор признаков. Часть 1: feature engineering

Машинное обучение – это не просто подбор правильных параметров для модели. Рабочие процессы ML зависят от построения и отбора признаков. В сообществах специалистов по Data Science эти понятия ошибочно отождествляют. Разберемся, для чего нам нужны признаки, а также изучим особенности реализации техники feature engineering.

https://proglib.io/sh/en9TlokuUV
Post #139 214
Older posts →
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →