Data scientist – работа для фрилансеров в Москве

Разработка с нуля. Практическая работа в институт. Написать код на Python для распознавания изменения положения одного или нескольких объектов на фото.

Data Science. Другое. Нужно открыть файл crypt 14 crypt 15 без ключа . Файлы скориваны.

Разработка с нуля. Нужно выполнить анализ данных в Orange - BI-система.

Дали тестовое задание по статистическому анализу данных. Нужно знать формулы ABS функции, VEN анализа, среднее значение без учёта мин и макс значений и тп, и тд. Дали тестовое задание по статистическому анализу данных. Нужно знать формулы ABS функции, VEN анализа, среднее значение без учёта мин и макс значений и тп, и тд.

Доработка существующего продукта. Есть датасет Нужно до 14.00 завтра найти все возможные корреляции и на их основе сделать маркетинговые гипотезы.

анализ международных отношений. 1. Контент анализ современных международных отношений + выводы 2. Ивент анализ и динамика двустороннего соперничества/сотрудничества современных международных отношений + выводы 3. Регрессивный анализ современных международных отношений + выводы 4. Анализ голосования в ГА ООН и мониторинг соблюдения международных обязательств G20. Пожелания и особенности: 1. Контент анализ современных международных отношений + выводы 2. Ивент анализ и динамика двустороннего соперничества/сотрудничества современных международных отношений + выводы 3. Регрессионный анализ современных международных отношений + выводы 4. Анализ голосования в ГА ООН и мониторинг соблюдения международных обязательств G20.

Data Science. Тестирование, Выполнение дз, анализ результатов. Домашнее задание: максимизировать среднее значение метрики оценки построенной модели f1 за счет подбора параметров деревьев по трем выборкам. Задание выполняется в блокноте DecisionTree.ipynb (блокнот будет направлен отдельным файлом). По ходу выполнения задания необходимо сделать текстовые комментарии о том, какие параметры вы использовали, какие результаты были получены в разных вариантах, какие значения параметров дают максимальных результат. Необходимо подгрузить блокнот с решением задачи классификации. Допустимое расширение .ipynb. Решение выполняется в google colab.

Анализ производств. Нужен человек на сегодня- завтра, который обзвонит контрактные производства кухонь и корпусной мебели, и на основе данных сделает таблицу с минимальными ценами производств.

Data Science. Разработка с нуля. Нужно настроить, чтобы с кабинета селлера ozon ежедневно, в одно и то же время выгружался определенный отчет в гугл таблицу. Оплата по договоренности.

Data Science. Доработка существующего продукта. Rstudio выполнить задание практической работы.

Data Science. Доработка существующего продукта. Необходимо реализовать функцию регулярного (раз в сутки) экспорта данных из Яндекс.Tracker в какую-либо СУБД, подключение к которой имеется в стандартном наборе подключений Яндекс.Datalens. Функция экспорта должна помимо стандартных экспортировать также данные из пользовательских полей.

Разработка с нуля, настройка, тестирование, Python / BI / ML. Прикладываю ТЗ задания и три не самых лучших примеров, данных преподом. Датасет в формате .зип не могу приложить Python/BI/ML.

Data Science. написать код. Необходимо в Нетологии, сделать домашнее задание. Машинное обучение (написать код Phyton). DS.

Data Science. Доработка существующего продукта. Необходим специалист в PQ и VB для выполнения задач в экселе.

Data Science. Настройка. Требуется настроить подключение локальной базы данных Postgres к Apache Supersets.

Прогнозирование количества поездок в Orange. Построить прогноз количества поездок в Orange.

Доработка существующего продукта. Ищем на постоянную работу специалиста аналитика в компанию по онлайн продажам - Удаленный режим работы - Гибкий, но плотный график Основные задачи: - Подготовка текстовых и табличных данных - Рассылка писем и сообщений руководителя - Взаимодействие с командой, покупателями и поставщиками - Подготовка отчетов - Сбор и анализ необходимой информации Требования: - Отличные знания excel - Навыки деловой переписки - Аналитический склад ума - Коммуникабельность - Опыт работы на схожих позициях расценивается как преимущество, но не является обязательным Пишите в телеграм mpa7585 Заработная плата фиксированная. Бонус по итогам квартала.

Data Science. Доработка существующего продукта. Миландр 1901 Вц1Т написана программа давно, 1 нужно поправить счетчик при выводе инф. на SD карту вместо отображения записей 1 раз в 10 минут выводит в 2 раза больше записей за установленный промежуток времени. 2 в программе есть внутренний цикл по завершении которого программа должна перестать выполнять команды по нагреву, освещению, работе двигателей, вместо того чтобы просто остановить выполнение этих процессов програмеры сделали просто останов процеесора а он в режиме остановки выдает на своих выходах 1 и 0 которые не отключают освещение.

аб тесты. Добрый вечер! Я действующий продуктовый аналитик. Хочу найти специалиста, который поможет разобраться в тонкостях аб тестирования: от дизайна до обсчета результатов (в Python). Объяснить и задать проект, разобрать вместе Цена указана за час.

Построить модель прогнозирования. Это дз по по предмету. Оно выполняется в орандже https://orangedatamining.com/ Описание в файле Сами данные скину отдельно Срок до полуночи завтра (28.11 в 23:59).

Data Science. Переустановить anaconda. После самостоятельной переустановки anaconda navigator, в jupyter notebook был kernel dead, при этом доступных ядер нет. Пробовала менять путь ядра, тоже не помогло.

Разработка с нуля. Вероятность, формулы Бернулли, Байеса и тд.

Data Science. Выполнение домашнего задания. Задание 1 (1 балл) Загрузите данные из файла data1.csv в датафрейм dfm. Создайте датафрейм brands, в котором будет расчитано количество уникальных наблюдений по брендам (brand) и доля каждого бренда (по количеству) для тех наблюдений у которых рейтинг (rating) больше либо равен 2.0. В итоговом датафрейме brands должно быть три колонки с названиями brand, quantity и share. Задание 2 (2 балла) Загрузите данные из файла data2.csv в датафрейм dfm. Создайте датафрейм top_salaries, где будут рассчитаны средние зарплаты (Annual Salary) по подразделениям (Department) только для работников на полный рабочий день (значение F в колонке Full or Part-Time). Создайте датафрейм top7_titles для 7-ми подразделений с самыми высокими средними зарплатами с двумя колонками (Department и Job Titles), в котором будут перечислены уникальные наименования должностей (Job Titles) для каждого подразделения. Задание 3 (3 балла) Загрузите данные из файла data3.csv в датафрейм dfm. item_total_price - это общая стоимость с учётом количества в стобце quantity Преобразуйте колонку с общей стоимостью заказа (item_total_price) в десятичное число. В переменную most_expensive_order запишите order_id самого дорого заказа (либо список order_id, если их несколько). В один заказ входит несколько строк, объединённых одним значением order_id. Создайте датафрейм top5, в который будут записаны 5 самых дешёвых товаров и суммарное количество, сколько их было куплено (в незавсимиости от цены). Для расчёта цены товара необходимо разделить item_total_price на quantity. В переменную all_burritos запишите все уникальные значения из стоблцов item_name и choice_description, в которых встречается слово Burrito (в независимости от регистра). Создайте датафрейм burritos_n, в котом будут рассчитано суммарное заказанное количество (quantity) для уникальных значений item_name, в которых втречается слово Burrito (в независимости от регистра). Создайте датафрейм major_items, в котором будут перечислены только те item_name, стоимость которых (item_total_price) составляет более 50% от общей стоимости всего заказа (определяется по order_id) и в заказе было более одного item_name. Для каждого item_name должен быть указан order_id, доля данного в общей стоимости заказа и количество уникальных item_name в данном заказе. Задание 4 (4 балла) Написать функцию get_all_csv(folder_path), которая на вход принимает адрес какой либо папки. Функция должна прочесть все *.csv файлы во всех дочерних папках (игнорируя файлы с другим расширением) и соединить их в единый датафрейм (друг под другом). В итоговом датафрейме должен присутствовать столбец filename, в котором будет указано абсолютное имя файла из которого была осуществлена загузка конкретных данных. Например, если надо выгрузить все файлы из папки Sales, которая расположена на рабочем столе, то аргумент folder_path должен бытьC:\\Users\\YOUR_USERNAME\\Desktop\\Sales Используя написанную функцию загрузитe все файлы из подпапок папки Sales в датафрейм dfm. Удалите все строки с Grand Total в столбце TranDate и переведите этот стобец в дату (даты введены через косую черту и в американском формате ММ/DD/YYYY). Перевидите столбец Sum of Amount в числовой формат. Поскольку это финансовый формат, все значения в круглых скобках должны стать отрицательными. Например, значение ($172.55) должно стать -172.55. Создайте датафрейм dfm_daily, в котором записаны итоговая сумма всех операций для дня (daily_total), общая сумма начислений (daily_receipt - операции с положительным Sum of Amonunt), общая сумма списаний (daily_withdrawal - операции с отрицательным Sum of Amonunt) и общее количество операций за день (daily_num). Определите следующие дни (создайте переменные с соответствующим именем): с самым большим количеством операций за день (daily_num); с самой большой итоговой суммой (daily_total); с самой большой итоговой суммой списаний (daily_withdrawal). Создайте датафрейм dfm_monthly, в котором посчитана итоговая сумма всех операций за месяц и среднедневное количество операций в течение месяца, для каждого месяца (независмо от года). Определите месяц с самым высоким среднедневным количеством операций. Задание 5 (5 баллов) Загрузите данные из файла cv_eng_hh.csv в датафрейм. uuid - обозначает код уникальный идентификационный номер человека (резюме). У каждого uuid может быть несколько мест предыдущих работ, даты начала и окончания указаны в переменных start и end. Удалите наблюдения, у которых не указано compensation. Удалите наблюдения, у которых compensationCurrencyCode не равно "RUR". Удалите наблюдения, у которых specialization id больше 5. Создайте новую колонку work_experience, в которой будет рассчитана продолжительность работы в годах (с учётом неполных лет) для каждого наблюдения как разница между start и end (пустые значения endзаполнить датой 31-12-2023) Cоздайте новый датафрейм cv_preprocessing: для уникальных значения uuid приведите значения переменных birthYear,gender,compensation,relocation,educationId и specialization, а также рассчитан общий стаж работы как сумма work_experience. Последующие шаги выполняйте с датафреймом cv_preprocessing Создайте переменную age, в которой будет рассчитан возраст в полных годах относительно даты 11-11-2023. Удалите наблюдения со значениями -1 в переменной gender. Оставьте только те наблюдения, возраст (age) которых больше либо равен 14 и меньше либо равен 80. Оставьте только те наблюдения, compensation которых не менее 30 000. Новый датафрайм назовите cv_preprocessing_filtered Последующие шаги выполняйте с датафреймом cv_preprocessing_filtered Постройте новый датафрейм mean_compensation: сводную таблицу, в которой будет рассчитана средняя зарплата для пола (gender - индексы строк) и специализации (specialization - названия колонок). Постройте новый датафрейм exper_vs_compensation: для уникальных значений общего стажа, округлённых до полного года (experience_years), рассчитайте среднюю зарплату (mean_compensation), и размах заплат (compensation_range - разница между максимальным и минимальным значением). Датафрейм отсортируйте по убыванию experience_years. Округление до полного года подразумевает округление вниз.

Data Science. Доработка существующего продукта. Ексель.

Разработка с нуля. У меня есть задумка сервиса чат ботов на основе чат гпт. Я написал уже обвязку инфраструктурную, и теперь я ищу спеца который поможет мне из предметной области вытащить свойства для контекстного окна гпт и написать промпты которые будут позволять шаблонизированно это дело обрабатывать. У меня есть описанные состояния клиента, по которым он проходит в процессе общения. Собственно нужно силами гпт его вести по этим состояниям и собирать данные.

Data Science. Разработка с нуля. Вам требуется заполнить данные о 100 организациях в таблице Excel. Необходимо указать цену и сроки выполнения этой задачи. Если какая-то организация уже не действует, то ее заполнять не нужно. Также, если у вас нет конкретной информации об определенной организации, вы можете пропустить ее в таблице.

Data Science. Разработка с нуля. Нужно написать задачи на графы реализовать то, что написано в комментариях в файлах таких файлов еще 3.

Анализ конкурентов. Нужен человек чтобы провести анализ конкурентов на рынке стриминговых сервисов, дедлайн 26.11 в 22:00.

Помочь с экзаменом. Диктовать решение задач.

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].

Разработка с нуля. Предсказать рейтинг энергопотребления здания и понять, какие признаки оказывают на него сильнейшее влияние.

аналииа. Аналитика.

Data Science. Разработка с нуля. Необходимо разобрать морфологические методы анализа изображений, реализовав код на python по 1-2 картинкам.

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.

Data Science. Доработка существующего продукта. Размылить то что замыленно.

Data Science. Разработка с нуля. Настроить выгрузку данных с ВБ.

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.

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.

Data Science. Доработка существующего продукта. Доработка регулярных выражений для разбора строк.

Data Science. Доработка. Согласно ТЗ дополнить кода на Python для анализа приведенного датасета.

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.