Check Levi9 best QA positions to Backbase team!
×Закрыть

Материалы по теме «Data Science»

RSS

Від Data Analyst до ML Engineer. Як вибрати позицію в Data Science Від Data Analyst до ML Engineer. Як вибрати позицію в Data Science

Tetiana Torovets 4957

Ця стаття буде корисна тим, хто планує розпочати кар’єру в Data Science і не може визначитися, який напрям найбільш цікавий або найбільше підходить для переходу з інших Software Engineering позицій. Матеріал також буде цікавий HR, що працюють з вакансіями Data Scientist. 4

«Я стал ML-инженером ради денег». Бывший анестезиолог — о том, почему не остался в медицине и как нашел себя в IT «Я стал <nobr>ML-инженером</nobr> ради денег». Бывший анестезиолог — о том, почему не остался в медицине и как нашел себя в IT

Ekaterina Tereshchenko 25332

Борис Кабаков 7 лет своей жизни посвятил медицине с участием в международных клинических исследованиях и серьезной анестезиологической практикой. Однако после 30 лет, осознав карьерную и финансовую бесперспективность работы, он решил круто изменить свою профессию. Сегодня Борис — Senior Machine Learning Specialist в SoftServe. С читателями DOU он делится трудностями вхождения в отрасль, применением медицинского бэкграунда и размышлениями о будущем украинской медицины. 277

Профессия Data Engineer: хайп или реально надо Профессия Data Engineer: хайп или реально надо

Illia Kalchenko 7393

Чистить, структурировать, конвертировать — основные операции Data-инженерии. Специалист должен знать, как объединить данные разного формата, собранные из нескольких источников. Илья Кальченко уверен, что Data Engineer — это сборная солянка четырех профессий. В статье рассмотрим подробнее. 34

Как я работаю: Александр Гончар, Chief AI Officer в Neurons Lab Как я работаю: Александр Гончар, Chief AI Officer в Neurons Lab

Валентина Шимкович 7379

Александр Гончар — сооснователь и Chief AI Officer консалтинговой компании Neurons Lab. Его команда разрабатывает решения в области искусственного интеллекта, в основном для финтех- и медицинских компаний. Александр выступает на технических конференциях по всей Европе, преподает на кафедре Data Science в Веронском университете и ведет популярный блог на Medium. Также он автор нескольких статей и AI & ML дайджестов на DOU. 13

С чего начать свой путь в нейронные сети, или Ответы будущему AI-специалисту С чего начать свой путь в нейронные сети, или Ответы будущему AI-специалисту

Эм Константинов 20859

Михаил Константинов, Senior Deep Learning Research Engineer в SQUAD, отвечает на вопросы, с чего начать обучение нейронных сетей. В статье вы найдете ссылки на книги, курсы и многое другое. 11

Data Science и Machine Learning: с чего начать и где учиться Data Science и Machine Learning: с чего начать и где учиться

Olya Mazhara 10578

Статья написана для тех, кто хочет попробовать себя в Data Science и машинном обучении, но не знает, с чего начать и какие знания для этого нужны. Ольга Мажара, преподавательница «Искусственного интеллекта» в КПИ им. Игоря Сикорского и Senior Java Developer в Intellias, составила короткий гайд. 11

Не ищите единорога: как нанять хорошего Data-аналитика или как им стать Не ищите единорога: как нанять хорошего Data-аналитика или как им стать

Oksana Nosenko 7390

В статье мы будем говорить и о том, как вести себя компании, если она ищет аналитика, и о том, что делать кандидату, чтобы развиваться в профессии. Оксана Носенко, Senior Data Analyst, расскажет, что сейчас ищут работодатели, публикуя вакансию Data-аналитика или BI-специалиста; какие ошибки не стоит совершать при поиске кандидата; что надо знать и на что обращать внимание в первую очередь, чтобы быть востребованным аналитиком. 20

Зачем дата-сайентисту MBA за 200 тысяч долларов: история украинца из Klarna Зачем дата-сайентисту MBA за 200 тысяч долларов: история украинца из Klarna

Hanna Bandalier 14784

28-летний Александр Кутовой начинал карьеру как маркетинг-аналитик в киевском офисе Microsoft. В 2016-м он переехал в Вильнюс на позицию бизнес-аналитика в Google. Спустя полтора года вернулся в Стокгольм, чтобы развиваться в сфере аналитики данных, и вот уже три года работает в финтех-гиганте Klarna. Александр рассказал про свой путь в Data Science, учебу в Стокгольмском университете и поступлении на MBA в Уортонскую бизнес-школу. 47

Как я работаю: Сергей Шельпук, СЕО DeepTrait, в прошлом Head of Data Science Как я работаю: Сергей Шельпук, СЕО DeepTrait, в прошлом Head of Data Science

Валентина Шимкович 5815

Сергей Шельпук — сооснователь и СЕО стартапа DeepTrait. Раньше Сергей строил с нуля и возглавлял Data Science отделы в компаниях SoftServe и Eleks, а также преподавал AI и Machine Learning на факультете прикладных наук в УКУ. Расспросили его подробнее о карьере и развитии в Data Science. 7

Карьера в IT: NLP Engineer и NLP Researcher Карьера в IT: NLP Engineer и NLP Researcher

Валентина Шимкович 6157

В новой статье серии «Карьера в IT» поговорим об одной из специализаций Data Science — Natural Language Processing. NLP Specialist занимается обработкой естественного языка: это могут быть задачи по распознаванию речи, машинному переводу, определению эмоциональной окраски текста и так далее.

Зарплати українських PM, HR, DevOps, Data Science та інших ІТ-спеціалістів — літо 2020 Зарплати українських PM, HR, DevOps, Data Science та інших ІТ-спеціалістів — літо 2020

Редакція DOU 53425

Представляємо фінальну статтю циклу про зарплати. У попередніх ми розглядали розробників і тестувальників. У цій статті подивимося на менеджерів, ейчарів, дизайнерів, маркетинг і сейлз спеціалістів, девопсів, сисадмінів та інших ІТ-фахівців. Серед респондентів зарплатного опитування їх було 3745 осіб. 6

Українка — про роботу в Coca-Cola у Сингапурі: «Я відповідаю за Data Science в усьому регіоні Азії та Тихого океану» Українка — про роботу в Coca-Cola у Сингапурі: «Я відповідаю за Data Science в усьому регіоні Азії та Тихого океану»

Світлана Тучинська 27547

Українка із маленького містечка Вознесенськ у Миколаївській області увійшла у список найвпливовіших жінок у Data Science у щорічному рейтингу журналу CDO Chief Data Officer Magazine. Це Галина Волошина, і вона очолює відділ Data & Analytics у компанії Coca-Cola у Сингапурі. Перед тим як 2018 року переїхати у Сингапур, Галина 14 років працювала у компанії Procter & Gamble, в офісах компанії в Москві, Будапешті та Гуанчжоу. Жінка розповіла DOU про навчання, роботу та поділилась думками про майбутнє науки про дані. 16

Про стажування в NASA за напрямом Data Science та культуру ділитися знаннями — розповідь української програмістки Про стажування в NASA за напрямом Data Science та культуру ділитися знаннями — розповідь української програмістки

Элеонора Бурдина 11413

Програмістка Тамара Коляда була серед 50 учасників зі всього світу, які потрапили до програми стажування NASA Datanauts у 2018 році, що допомагає охочим опанувати фах Data Science. Сьогодні Тамара керує програмою від Facebook — спільнотою Developer Circle у Києві, яка допомагає розробникам вчитись і ділитись досвідом. В інтерв’ю DOU дівчина розповіла про програму стажування Datanauts, свої враження від NASA та чому волонтерство заслуговує на більшу увагу розробників. 23

Що має знати Data Scientist. Аналіз вакансій в Україні та Каліфорнії Що має знати Data Scientist. Аналіз вакансій в Україні та Каліфорнії

Dmytryk Skorokhod 11708

Ми проаналізували 50 Data Science вакансій від найбільш відомих і престижних компаній: по 25 в Україні та Каліфорнії. І дізналися, які вимоги висувають компанії до цих спеціалістів. Стаття буде корисною насамперед тим, хто починає свій шлях у Data Science та хоче мати орієнтир, які технології є затребуваними на ринку праці. 16

Мапа розвитку в Data Science, або Як стати дослідником даних Мапа розвитку в Data Science, або Як стати дослідником даних

Євген Голюк 17880

Data Science — це міждисциплінарна галузь. Перед світом загалом і бізнесом зокрема стоїть багато складних багатофакторних завдань. Подекуди такі проблеми неможливо вирішити підходами в межах однієї галузі, тому в сучасному світі ми бачимо тенденцію до міждисциплінарності. Ця стаття окреслює програму самоосвіти, достатню для того, щоб розпочати кар’єру в Data Science. 21

AI & ML дайджест #17: курсы по ML & DL, обзор популярных GAN архитектур, AI бот для ребенка AI &amp; ML дайджест #17: курсы по ML &amp; DL, обзор популярных GAN архитектур, AI бот для ребенка

Dmitry Spodarets 3422

В выпуске: курсы на выбор — для базового или полного погружения в машинное обучение, статья о том, как устроен дебагер в Jupyter, обзор популярных архитектур сегментации изображений, научные статьи.

Перші кроки в NLP: розглядаємо Python-бібліотеку TensorFlow та нейронні мережі в реальному завданні Перші кроки в NLP: розглядаємо Python-бібліотеку TensorFlow та нейронні мережі в реальному завданні

Андрій Хмельницький 4908

Андрій Хмельницький працює в оцінці майна, а у вільний час займається машинним навчанням. У циклі статей він розповідає, як реалізував власний проєкт зі зручної класифікації земельних ділянок, і робить огляд бібліотек на Python, які використав для цієї мети. У цій частині детально розглянемо бібліотеку TensorFlow, нейронні мережі, реалізацію моделі word2vec. 9

Перші кроки в NLP: розглядаємо Python-бібліотеку scikit-learn в реальному завданні Перші кроки в NLP: розглядаємо Python-бібліотеку scikit-learn в реальному завданні

Андрій Хмельницький 4974

Андрій Хмельницький працює в оцінці майна, а у вільний час займається машинним навчанням. У циклі статей він розповідає, як реалізував власний проєкт зі зручної класифікації земельних ділянок, і робить огляд бібліотек на Python, які використав для цієї мети. У цій частині детально розглянемо бібліотеку scikit-learn.

Перші кроки в NLP: розглядаємо Python-бібліотеку NLTK в реальному завданні Перші кроки в NLP: розглядаємо Python-бібліотеку NLTK в реальному завданні

Андрій Хмельницький 7444

Андрій Хмельницький працює в оцінці майна, а у вільний час займається машинним навчанням. У цій статті він розповідає, як реалізував власний проєкт зі зручної класифікації земельних ділянок, і робить огляд бібліотек на Python, які використав для цієї мети. У першій частині детально розглянемо бібліотеку NLTK. 14

← Сtrl 123 Ctrl →

Комментарии

Для цього одна людина має знати, як оті усі модулі працюють. А потім — мержи та пулл реквести та код ревью. І треш затягнеться на тиждень на рівному місці. це був найпростіший синтетичний приклад.
Це може зробити одна людина, зробивши зміни в усі модулі. Для цього одна людина має знати, як оті усі модулі працюють. А потім — мержи та пулл реквести та код ревью. І треш затягнеться на тиждень на рівному місці.
А ще є такий цікавий процес, як зміна інтерфейсу. В моноліті, зазвичай, здається, інтерфейси не версіоновані. в моноліті більшіть інтерфейсів працюють через пам’ять а не мережу.
Модуль навіть не завантажується в пам’ять якщо його не використовувати. А скільки часу він завантажується, коли потрібен? Я думав, люди тримають усе готове до роботи під FCGI.
в мене моноліт, і тому все консистентно. всі модулі робочі і працюють. Навантаження на систему я знімаю лоад балансером. Де я зекономлю на мікросервісах? 150 МБ жорсткого диску ? ) Модуль навіть не завантажується в пам’ять якщо його не використовувати.
исправьте пожалуйста ошибки, они оскорбляют чувства грамотных©. приводило к потери бюджета
Як можна не розуміти що при мс домовлятись потрібно набагато більше і ’якісніше’, з меншим набором інструментів і з набагато більшою вірогідністю щось може піти не так. А ще є такий цікавий процес, як зміна інтерфейсу.
ок. я горизонтально масштабую моноліт через лоад балансер. Завантажую ті модулі які хочу на кожній ноді. Що мені заважає? Те, що ці модулі без інших модулів неробочі)))
Має значення не розмір коду, а оперативка та проц. В моноліті купа модулів завантажені, кожний тримає свій стан. ок. я горизонтально масштабую моноліт через лоад балансер. Завантажую ті модулі які хочу на кожній ноді. Що мені заважає?
Ну минут 30 от силы. В общем несколько раз в день можно спокойно релизиться :) А на гуглевые пузомерки влияет не статика HTML, а как фонты и картинки подключены, заданы ли таймауты кеша и сделаны ли маленькие тумбнейлы под мобайл-ферст.
особливо ці два аргументи про-мс мене радують. Як можна не розуміти що при мс домовлятись потрібно набагато більше і ’якісніше’, з меншим набором інструментів і з набагато більшою вірогідністю щось може піти не так.
в моноліті усім командам треба домовлятись про зміни Бо моноліт може не влазити в один бокс, особливо ці два аргументи про-мс мене радують.
Занимательные тезисы :) интересно было бы узнать, как Вы строите свой день помимо 15-минутных дейли, чтобы придерживаться этих пунктов
John Resig — zoomer? Really?
Я буду признательна если вы порекомендуете подобные курсы)