Позитивная команда 🟥 в поисках аналитика данных (удаленка + офис в Москве).

👉 Требуемые знания, навыки и опыт:
- высшее образование математическое/техническое;
- опыт работы на позиции системного аналитика/бизнес аналитика от 2х лет;
- опыт работы с BI инструментами;
- опыт работы с ETL-инструментами;
- опыт работы с DWH (Clickhouse/Arenadata/Apache Hadoop);
- опыт участия в процессах Управления Данными, Управления Качеством данных;
- опыт проведения бизнес/системного анализа, формализации требований;
- знание SQL на базовом уровне (select, join, update, insert, case).

👉 Задачи:
- разработка технический требований для построения дашбордов/витрин/отчетности
- разработка макетов дашбордов/витрин/отчетности;
- участие в улучшении качества данных посредством изменения бизнес-процессов добавление необходимых метрик и т.д.;
- анализ систем-источников в компании, подготовка бизнес требований и функциональных требований для сбора данных под расчет метрик;
- анализ альтернативных источников данных в компании для обогащения отчетности и оптимизации их сбора;
- написание технических заданий на доработку систем-источников, хранилища данных;
- подготовка дата-сетов (набора данных) и использование их в BI инструменте;
- проведение обучения бизнес пользователей по построению дашбордов в BI на подготовленных ранее наборах данных;
- участие в демо и тестировании дашбордов/витрин/отчетности.

#вакансии

Позитивная ML-команда 🟥 в поисках Senior ML Engineer (удаленка + семь офисов в России).

👉 Задачи:
- Предстоит применять техники машинного обучения/статистики/анализа данных или понимать, что можно решить проще и эффективнее традиционными способами для продуктов ⬜️ (обнаружение атак в реальном времени, пост анализ, классификация протоколов, детектирования аномалий, поиск похожих инцидентов и новых "знаний").
- Предстоит внедрять решения в продукты, включая проектирование частей ML-компонент, использующих ML-модели, написания кода для частей, использующих ML-компоненты продукта, проходить код ревью и взаимодействовать с разработчиками продуктов, различных их частей.
- Также предстоит сталкиваться и думать над актуальными проблемами ML-безопасности (как offence так и defence) и способами их решения — это не совсем исследовательская позиция, но быть вовлеченным или желать вовлекаться в актуальные проблемы как ML так и ИБ очень важно.

👉 Что ждём от кандидата:
- Опыт работы на ML позиции > 3 лет.
- Понимание основ статистики, техник машинного обучения в частности глубокого обучения, а также опыт работы с какими-то конкретными задачами. Важна не супер-глубина, сколько умение решать задачу относительно целей и ограничений.
- Хорошие технические познания в Python, опыт с другими языками тоже приветствуются.
- Опыт работы с Linux-based ОС, Docker.
- Знания основ CS: алгоритмы и структуры данных (не на уровне олимпиадников, а на уровне опыта применения).
- Опыт работы в командах c agile/kanban процессами.
- Опыт доведения прототипов до прода.

#вакансии

Про метод apply в pandas

Возвращаемся к изучению основ pandas 🐼 в формате теория + самостоятельная практика 🤓

Частый кейс, который решается благодаря методу apply - заполнение значений в таблице, исходя из показаний в других столбцах. Например, в популярном датасете titanic множество пропусков в столбце с возрастом пассажиров (age).

Можем заполнить их несколькими способами: 1️⃣ заменить константой, 2️⃣ средним по столбцу или 3️⃣ более сложным способом, учитывая другие столбцы (на рисунке показан пример таблицы с пропущенным значением в столбце age).

👉 Пример кейса titanic с методом apply доступен по ссылке, по традиции внутри блокнота есть Colab.

👨‍🏫 Закрепить понимание темы предлагаю решением кейса с классификацией вин 🍷 по ссылке в Colab.

Подготовил по ссылке сводный блокнот про различные способы загрузки и выгрузки данных в Python и pandas 👨‍🏫

Рассматриваю темы:
- модули csv, json, sqlite3 🖥
- функции read_csv, read_table, read_excel, read_html, read_sql 🐼
- функции to_csv, to_excel, to_html 🐼

На прошлом месте работы в вузе 👨‍🏫, будучи начальником отдела анализа данных, я часто рассказывал про открытую науку, которая включает 6 составляющих:

1️⃣ открытые данные
2️⃣ открытый доступ
3️⃣ открытая методика исследования
4️⃣ открытый исходный код 🖥 🐼
5️⃣ открытая экспертная оценка
6️⃣ открытое образование

👉 Подробно разбираю каждый термин в статье по ссылке. Планирую развивать эту тему и далее.

👉 Свой диплом по анализу сетевого трафика (2009 года) оформил по правилам открытой науки: по ссылке доступны исходные данные (ARFF), программы (🖥, SQL) и методика исследования 👨‍🔬

На сайте большое обновление: на странице с лекциями по Python появились упражнения по каждой из тем (больше 80 различных заданий 🔥):

👉 Упражнения к занятию 1
👉 Упражнения к занятию 2
👉 Упражнения к занятию 3
👉 Упражнения к занятию 4
👉 Упражнения к занятию 5
👉 Упражнения по NumPy

Enjoy! 🖥

👋 О чем этот блог? Пост для новых друзей

Привет, я Дима (@dm_fedorov), руководитель образовательных проектов в Positive Technologies (@cyber_edu) 🔴 и Python-евангелист 🖥.

Здесь я делюсь своим опытом: пишу про обработку данных на языке Python 🐼, управление проектами и преподавание.

А еще я автор книги об основах программирования! 👨‍🏫

Буду рад новым знакомствам 😊

Ниже собрал для вас несколько полезных ссылок 👇

0️⃣ Уроки про Python

1️⃣ Бесплатный открытый онлайн-курс по Python (Лекториум)

2️⃣ Введение в pandas

3️⃣ Уроки по визуализации данных

4️⃣ Кейсы и упражнения про pandas

Новая статья об экосистеме пакетов для анализа данных 🐍🐼

https://www.securitylab.ru/blog/personal/DFedorov/352651.php

Аналитик данных - это исследователь (об этом тут) 🔭

Подход к разработке на Python 🐍 для исследователей основан на трех взаимосвязанных идеях.

👉 Открытая наука (подробнее тут): обеспечение свободного доступа к данным, методам и результатам для всех путем их публикации в соответствии с открытыми лицензиями.

👉 Воспроизводимое исследование: обеспечение того, чтобы любой, у кого есть доступ к данным и ПО, мог воспроизвести результаты, как для их проверки, так и для их дальнейшего использования.

👉 Устойчивое программное обеспечение: легкость его обслуживания и расширения, а не полная замена.

Люди часто смешивают эти три концепции, но они отличаются. Например, если вы делитесь своими данными и программами, которые их анализируют, но не документируете, какие шаги и в каком порядке нужно предпринять, то ваша работа будет открытой, но невоспроизводимой. И наоборот, если вы полностью автоматизируете свой анализ, но ваши данные доступны только людям в вашей лаборатории, то ваша работа воспроизводима, но не открыта.

Продолжение текста по ссылке.

Первым шагом в анализе данных является загрузка и первоначальная обработка данных. Прежде чем это сделать, стоит подумать, как мы собираемся организовать проект, какой способ хранения файлов выберем 🤔

Рассмотрим подробнее один из вариантов структуры каталогов.
Продолжить чтение по ссылке.