🚀 Хотите получше разобраться в нейронных сетях? Хотим рассказать вам про интерактивную площадку «A Neural Network Playground» от TensorFlow.

«A Neural Network Playground» — это не просто песочница, а целая платформа для динамического обучения и проведения экспериментов. Узнайте, как незначительные изменения гиперпараметров влияют на точность и скорость сходимости. Наглядно изучите метод обратного распространения ошибки, попробуйте варианты усовершенствования нейросетевой архитектуры для достижения максимальной производительности.

🔹Функционал и возможности:
- Удобный интерфейс: Неважно, являетесь ли вы новичком или опытным DS-специалистом, на этой интерактивной площадке вы сможете легко взаимодействовать с нейронными сетями.
- Интерактивное обучение: Настраивайте параметры, изменяйте архитектуру и наблюдайте за изменениями в поведении модели в режиме реального времени.
- Предварительно обученные модели: Погружайтесь в работу с предварительно обученными моделями для различных задач, таких как распознавание изображений и генерация текста. Наблюдайте, как каждый слой влияет на конечный результат.
- Визуализации: Визуализируйте и отслеживайте прогресс обучения, кривые потерь и карты активации в реальном времени.
- Эксперименты: Пробуйте и комбинируйте функции активации, оптимизаторы и функции потерь. Выясняйте, как изменения влияют на сходимость модели.

🔹Применение:
Воспользоваться интерактивной площадкой для нейронных сетей будет полезно при решении многих типов задач. Приведем примеры некоторых из них:
- Распознавание изображений: Обучение сетей идентификации объектов, лиц и сцен на изображениях.
- Обработка естественного языка: Создание моделей, способных понимать и генерировать человекоподобный текст.
- Игры: Создание динамически адаптирующихся ИИ-противников, позволяющих геймерам быть начеку.
- Здравоохранение: Помощь врачам в диагностике заболеваний путем анализа медицинских изображений и данных.
- Финансы: Прогнозирование рыночных тенденций и оптимизация инвестиционных стратегий с помощью мощных нейронных сетей.

🔹Советы:
- Начните с простого: Начните с простейших моделей, прежде чем приступать к сложным архитектурам. Позже переходите к сетям с большим количеством скрытых слоев, добавляйте шум к данным и комбинируйте признаки.
- Экспериментируйте: Пробуйте настраивать параметры и анализировать их влияние. Подбирайте скорость обучения, тип активации и добавляйте регуляризацию.
- Изучайте визуализацию: Контролируйте процесс обучения, отслеживайте веса нейронов и наблюдайте за визуальной интерпретацией результата нейронной сети.

💡Вы уже освоили программирование на Python и изучили базовые разделы высшей математики? Готовы идти дальше, применять имеющиеся навыки и совершенствоваться?

Совсем скоро стартуют очные курсы повышения квалификации от Центра непрерывного образования Факультета компьютерных наук НИУ ВШЭ!

⚡️ Очный курс «Алгоритмы и структуры данных»
Программа направлена на изучение методов эффективного решения задач и стратегий правильного выбора алгоритмов и способов хранения данных. На курсе вы научитесь основным подходам к решениям практических задач на примере классических алгоритмов и структур данных, изучите стандартные контейнеры и поймете, как анализировать алгоритмы и оценивать эффективность их работы.

Старт: 7 сентября 2023.
Стоимость: 50 000₽, оплату можно разделить на 2 части без переплат.
Подробнее о программе: по ссылке.


⚡️ Очный курс «Машинное обучение»
Программа подойдет тем, кто уже имеет опыт работы на языке Python (достаточно прохождения курса), а также базовые знания высшей математики, и хочет освоить классические ML-алгоритмы. Вы познакомитесь с основными видами моделей, обработкой и первичным анализом данных, классическими алгоритмами машинного обучения и научитесь решать прикладные задачи.

Старт: 16 сентября 2023.
Стоимость: 72 000₽, оплату можно разделить на 2 части без переплат.
Подробнее о программе: по ссылке.


📍 Занятия проходят в корпусе Высшей школы экономики в Москве на Покровcком бульваре, 11. А в результате обучения вы получите удостоверение о повышении квалификации НИУ ВШЭ.

Только что стартовала наша летняя школа по аналитике и Data Science🔥 Открыл школу Сергей Юдин из Яндекса😊

Мастер-класс «Вся правда о ChatGPT и MidJourney. Что такое генеративные сети и как с ними работать?»

Всех, кто хочет разобраться, заменит ли ChatGPT и искусственный интеллект людей, приглашаем на мастер-класс Центра непрерывного образования ФКН. Вы узнаете:

🤖Как искусственный интеллект уже в третий раз пытается захватить мир и почему не вышли первые 2 раза (история ИИ);
🤖Как работают генеративные нейросети;
🤖Что действительно умеют ChatGPT и MidJourney, как они устроены и почему мир они не захватят.
🤖Как с ними работать — от prompt-инжиниринга до дообучения.

Вебинар будет полезен тем, кто хочет внедрить современные генеративные сети в свою работу или научиться создавать их самим.

🗓29 августа, 19:00
📢Михаил Степнов, директор по AdTech Big Data МТС

Регистрация: https://cs.hse.ru/dpo/announcements/854407934.html

❓ Приходилось ли вам слышать фразу «корреляция не подразумевает причинно-следственную связь»? Понимание разницы между корреляцией и причинно-следственной связью важно для формулировки выводов и правильной интерпретации данных. Сегодня обсудим каждый из этих терминов и посмотрим на примеры.

🔹Корреляция:
Корреляция — это статистическая мера, показывающая, насколько тесно изменяются две переменные. Когда две переменные имеют положительную корреляцию, увеличение одной из них, как правило, связано с увеличением другой (и наоборот, при отрицательной корреляции). Однако наличие корреляции необязательно означает, что одна переменная вызывает изменение другой.

Пример:
Представьте себе сценарий, в котором продажи мороженого и количество пострадавших от укусов насекомых в летние месяцы имеют положительную корреляцию. Означает ли это, что покупка мороженого каким-то образом приводит к увеличению продаж репеллентов? Абсолютно нет! В действительности обе переменные увеличиваются в жаркие месяцы из-за погодных условий, поэтому они коррелируют, но не находятся в причинно-следственной связи.

🔹Причинно-следственная связь:
Причинно-следственная связь, с другой стороны, подразумевает прямое влияние, когда существование первой переменной (причины) приводит к наблюдаемому эффекту на вторую переменную (следствия). Изменение одной переменной непосредственно влияет на изменение другой. Установление причинно-следственной связи требует более тщательного анализа и часто контролируемых экспериментов для устранения внешних дисбалансирующих факторов.

Пример:
Рассмотрим связь между недостатком сна и потреблением кофе. Кажется логичным предположить, что недостаток сна заставляет людей потреблять больше кофе. Но давайте посмотрим глубже. В действительности движущей силой как недосыпания, так и повышенного потребления кофе может быть стрессовая нагрузка. Когда люди загружены работой, они, как правило, меньше спят из-за длительного рабочего дня. Одновременно они прибегают к потреблению кофеина, чтобы получить энергию для поддержания бодрости. В данном случае стрессовая нагрузка выступает в качестве истинной причины обеих переменных.

🔹Различие этих двух понятий:

- Временной порядок: Причинно-следственная связь требует, чтобы причина предшествовала следствию во времени.
- Контролируемые эксперименты: Контролируемые эксперименты помогают установить причинно-следственную связь путем манипулирования переменными и определением взаимного влияния.
- Спутывающие факторы (конфаундеры): Это внешние факторы, которые могут влиять на обе переменные, находящиеся в корреляционной связи. Для их исключения необходим тщательный анализ, а выявление и устранение этих факторов может помочь определить причинно-следственную связь.

🌟 Задумывались ли вы над тем, что NULL в SQL это не всегда просто отсутствующие данные?

Вопреки распространенному мнению, NULL не всегда означает отсутствие данных. Сегодня разберемся в нюансах, примерах и в том, как с ними работать в конкретных ситуациях.

🔹 Хотя NULL обычно ассоциируется с отсутствующими значениями, важно помнить, что он представляет собой отсутствие “известного значения”. NULL может означать, что данные неприменимы, еще не записаны или намеренно оставлены неопределенными.

🔹 Нюансы и примеры:
- Пропущенные данные: Классический случай. NULL может означать отсутствие значения, например, когда пользователь не указал свой номер телефона.
- Неизвестные данные: Представьте себе отслеживание любимого товара покупателя, который еще не сделал выбор в приложении продуктового магазина. NULL может указывать на то, что его предпочтения в данный момент неизвестны.
- Неопределенные данные: Выполнение арифметических операций над NULL может дать NULL. Это равнозначно случаю, когда невозможно определить результат из-за неполноты входных данных. Например, в аналитике NULL в столбце "conversion_rate" может означать, что показатель не может быть рассчитан из-за недостатка данных.
- Заместитель для будущих данных: NULL может служить в качестве заполнителя до тех пор, пока не будет получено действительное значение. Так, товары с NULL-ценами могут означать наличие новых товаров, цены на которые еще не установлены.
- Опциональные поля: В отзыве покупателя оценка NULL может означать, что покупатель решил не ставить оценку. Или, например, при проведении опросов ответы NULL могут означать, что респондент пропустил вопрос.

🔹 Работа с NULL:
- IS NULL/IS NOT NULL: Эти условия помогают отфильтровать или выявить NULL-значения в запросах.
- COALESCE: Эта функция позволяет заменить NULL на заданное значение. Подходит для отображения значений по умолчанию.
- IFNULL/NULLIF: Условные функции для работы со значениями NULL.
- INNER JOIN: При объединении таблиц значения NULL могут повлиять на результаты. Чтобы избежать этого, используйте INNER JOIN.
- Агрегирующие: COUNT() игнорирует NULL, а SUM() воспринимает его как 0. Настройте соответствующим образом.

🔥Кстати, познакомиться с другими тонкостями языка SQL вы можете на курсе «Аналитик данных» от Центра непрерывного образования Факультета компьютерных наук НИУ ВШЭ, который стартует уже 3 октября!
Подробнее о программе: по ссылке.

💡Сегодня обсуждаем работу со сводными таблицами (Pivot Tables) в Pandas!

🔹Зачем нужны сводные таблицы?
Представьте, что у вас есть набор данных, в котором информация представлена в виде строк. Сводные таблицы помогут упорядочить, обобщить и сгруппировать данные в структурированном виде. Они особенно полезны, когда вам необходимо проанализировать тенденции, закономерности и взаимосвязи в данных.

🔹Преимущества перед другими типами таблиц:
- Гибкость: Сводные таблицы обеспечивают гибкий способ перестановки данных без изменения исходного набора данных.
- Обобщение: Можно быстро обобщить большие наборы данных, что облегчает восприятие всей анализируемой информации.
- Многомерный анализ: Pivot-таблицы позволяют анализировать данные по нескольким параметрам и помогают обнаружить неявные и трудно выявляемые особенности.

🔹Пример кода:

import pandas as pd
# Образец фрейма данных
data = {'Дата': [...], 'Категория': [...], 'Значение': [...]}
df = pd.DataFrame(data)
# Создание сводной таблицы
pivot_table = df.pivot_table(index='Date', columns='Category', values='Value', aggfunc='sum')

🔹 Особенности сводных таблиц:
- Функции агрегирования: Для обобщения данных можно выбирать различные функции агрегирования, такие как sum, mean, count и т.д.
- Многоуровневая индексация: Pivot-таблицы поддерживают многоуровневую индексацию строк и столбцов, что позволяет проводить сложный иерархический анализ.
- Настройка: Вы можете настраивать собственные макеты таблиц, выбирая строки, столбцы и значения в соответствии с требованиями проводимого анализа.

🔹Пример:
Вы хотите понять, какие категории товаров приносят наибольший доход и влияют ли способы оплаты на эти продажи. Используя сводную таблицу, можно легко получить такие данные, как:

Общая сумма продаж по каждой категории в разбивке по типам платежей с помощью функций pivot_table() и aggfunc='sum'.
Какие способы оплаты наиболее часто используются для конкретных категорий с помощью функций pivot_table() и aggfunc='sum'.
Выявление тенденций в продажах по категориям товаров с течением времени с помощью функций pivot_table(), индекса 'Дата_покупки', столбца ‘Категория’ и функции агрегирования aggfunc='sum'.

Результат: Создав сводную таблицу, вы сможете наглядно представить и проанализировать структуру доходов. Вы можете обнаружить, что в продажах электроники преобладают платежи по кредитным картам, а в покупках одежды часто используется MirPay. Это позволит вам принимать решения на основе данных, корректировать стратегии и более эффективно распределять ресурсы.

🔹Когда применять сводные таблицы:
- Анализ продаж: Анализ данных о продажах по датам, продуктам и регионам для выявления тенденций.
- Оценка эффективности работы сотрудников: Вклад сотрудников в рабочий процесс по отделам, должностям и периодам времени.
- Данные опросов: Обобщение результатов опросов по демографическим факторам и ответам.

📱Собрали для вас подборку приложений на телефон, с помощью которых можно изучать Python, математику, алгоритмы и Data Science во время поездок в метро, ожидания в очереди, задержек в пробках или перед сном.

🔹SoloLearn: Структурированные уроки по Python и интерактивные задачи по программированию с редактором кода для любого уровня, соревнования с другими пользователями и возможностью общаться с другими разработчиками в чате.
Установить: App Store, Google Play

🔹Enki: “Интерактивный учебник” с ежедневным изучением тематических разделов по Python, SQL, анализу данных и других направлений. Возможность готовиться к техническим интервью и собеседованиям, получать советы и полезные практики, проходить пятиминутные тренировки.
Установить: App Store, Google Play

🔹Mimo: Изучение основ Python для новичков и решение практических задач с написанием кода после прохождения каждого раздела.
Установить: App Store, Google Play

🔹Codecademy Go: Изучение программирования на Python и Data Science с помощью интерактивных уроков, чтения статей от специалистов и написания несложных проектов.
Установить: App Store, Google Play

🔹DataCamp: Изучение машинного обучения, Data Science и Python с помощью полного погружения в теорию и тонкости каждой темы проходимого трека. Возможность решения практических задач после каждого урока и использования флэш-карточек.
Установить: App Store, Google Play

🔹Khan Academy: Курсы по Python и другим языкам программирования, персонализированные уроки и подборки материалов, подстраивание под темп обучения и подборки теоретических материалов.
Установить: App Store, Google Play

🔹Leaflet for Algorithm: Изучение алгоритмов и структур данных с помощью тематически разбитых уроков с различными уровнями сложности, теорией, задачами и объяснениями (Приложение доступно только в App Store).
Установить: App Store

🔹Алгоритмы: Полное структурированное руководство по алгоритмам. Широкий диапазон тем с лаконичной с анимацией, позволяющей понять работу алгоритмов. Тренировки с заданием различных условий с помощью "режима моделирования". Также включено изучение шифрования и безопасности.
Установить: App Store, Google Play

🔹Codelet: Подготовка к собеседованиям и интервью по алгоритмам, отработка навыков, изучение основных концепций и подходов, интерактивное сравнение различных методов, анализ алгоритмической сложности.
Установить: App Store, Google Play

🔹Algorithms+Data Structures: Приложение предоставляет понятный контент по изучению алгоритмов с акцентом на интерактивность и визуализацию каждого шага. С помощью элементов управления пользователь осваивает алгоритм, наблюдая за его работой. Включены структуры данных, сортировки, деревья поиска, Hash-таблицы и графы. Визуализация алгоритмов и структур данных сопровождается фрагментом кода, показывающим их реализацию.
Установить: App Store, Google Play

🔹Brilliant: Learn interactively: Приобретение необходимых базовых навыков и изучение основ математики, Data Science, Deep Learning и программирования с помощью коротких интерактивных уроков с обратной связью в режиме реального времени. Курсы разбиты по уровням сложности, можно отслеживать прогресс и составлять свой учебный план, получать ежедневные нотификации и полезные советы.
Установить: App Store, Google Play