Скачать "Машинное обучение с нуля: Python, Google Collab, Pandas и Sklearn. Интенсив по Machine Learning"

"videoThumbnail Машинное обучение с нуля: Python, Google Collab, Pandas и Sklearn. Интенсив по Machine Learning

0:00

Начало

17:28

О Skillbox

26:30

Профессии

39:38

Практика

1:10:03

Презентация курсов Skillbox

1:25:07

Продолжаем практику

Обучение модели машинного обучения: данные и их анализ. Интенсив по Machine Learning

Обучение модели машинного обучения: данные и их анализ. Интенсив по Machine Learning

Канал: Skillbox Программирование

Что должен знать Junior Java Developer? Интенсив по Java

Что должен знать Junior Java Developer? Интенсив по Java

Канал: Skillbox Программирование

Ошибки новичков в Data Science. Интенсив по Data Science

Ошибки новичков в Data Science. Интенсив по Data Science

Канал: Skillbox Программирование

Сервисы на Linux: обучение и установка. Интенсив по работе в OC Linux

Сервисы на Linux: обучение и установка. Интенсив по работе в OC Linux

Канал: Skillbox Программирование

Машинное обучение Python. Интенсив по программированию на Python

Машинное обучение Python. Интенсив по программированию на Python

Канал: Skillbox Программирование

Обучение программированию на Python: пишем модель машинного обучения. Интенсив

Обучение программированию на Python: пишем модель машинного обучения. Интенсив

Канал: Skillbox Программирование

нейросеть на python пример

кросс валидация машинное обучение

алгоритмы градиентного спуска

gridsearch обучение

как подготовить данные для обучения нейронной сети

обучение модели машинного обучения

нейронные сети

искусственный интеллект

data science

как сделать машинное обучение

глубокое машинное обучение

data science обучение

как стать программистом

как стать программистом с нуля

skillbox программирование

skillbox отзывы

скиллбокс

скилбокс

skillbox

программирование

machinelearning

00:00:11

[музыка]

00:00:21

[музыка]

00:00:37

[музыка]

00:00:56

[музыка]

00:02:46

[музыка]

00:03:05

[музыка]

00:03:18

[музыка]

00:03:28

[музыка]

00:03:39

[музыка]

00:04:16

[музыка]

00:04:53

[музыка]

00:05:29

[музыка]

00:07:18

[музыка]

00:07:52

[музыка]

00:08:02

[аплодисменты]

00:08:03

[музыка]

00:09:59

[музыка]

00:10:08

[музыка]

00:10:36

[музыка]

00:11:03

[музыка]

00:11:12

[музыка]

00:11:25

[музыка]

00:11:48

[музыка]

00:12:05

[музыка]

00:13:24

[музыка]

00:13:45

[музыка]

00:14:05

[музыка]

00:14:20

[музыка]

00:15:09

[музыка]

00:15:29

[музыка]

00:15:57

Здравствуйте дорогие друзья Всем добрый

00:15:59

вечер Москва понедельник 28 ноября 19:00

00:16:04

мы с ней рада приветствовать вас на

00:16:05

Первом из трех дней нашего интенсива

00:16:07

посвященного

00:16:09

сетям и биткоину для всех наших зрителей

00:16:15

вебинары внутри нашей образовательной

00:16:18

платформы stealbox и перед тем как

00:16:20

продолжить буду благодарен вам если

00:16:22

поможете мне настроить наши вещание

00:16:24

Пожалуйста подскажите всё ли у нас в

00:16:26

порядке со звуком

00:16:31

трансляций есть единая платформа

00:16:33

livebox.ru

00:16:41

Поэтому если в настоящий момент смотрите

00:16:43

нас где-то на ристримах например во

00:16:45

ВКонтакте

00:16:47

или на Ютубе то смело переходите на

00:16:51

life.skillbox.ru также в процессе нашего

00:16:53

повествования периодически может

00:16:55

появляться подобного рода окно бояться

00:16:57

его не стоит потому что мы очень чутко

00:16:59

следим за всеми нашими эфирами И конечно

00:17:01

же хотим чтобы из месяца в месяц наш

00:17:03

трансляцию для вас становились Всё лучше

00:17:05

и лучше поэтому Если захотите поделиться

00:17:07

обратной связью э увиденным и услышанным

00:17:10

то Обязательно оставляйте свои

00:17:12

контактные данные для нас очень важно

00:17:14

если по каким-то причинам

00:17:18

обратной связью не хочется то просто

00:17:20

Закройте это окно и про него забудьте

00:17:23

Окей давайте посмотрим Все ли у нас в

00:17:25

порядке так плюс плюс плюс плюс плюс

00:17:26

плюс плюс плюс плюс все в порядке супер

00:17:29

коллеги тогда также буду благодарен вам

00:17:32

если сможем познакомиться с вами чуточку

00:17:33

ближе потому что увы но никого из вас Мы

00:17:36

не видим и не слышим а видим только ваши

00:17:38

аватарки поэтому буду благодарен вам

00:17:40

если Напишите прямо сейчас в чат через

00:17:42

запятую Из какого города сколько вам лет

00:17:45

э-э в какой сфере сейчас трудитесь или

00:17:47

может быть и учитесь и чем направление

00:17:50

поэтому и направление дата Санс у Вас

00:17:52

заинтересовало может быть хотите

00:17:54

применить полученные знания где-то на

00:17:56

работе

00:17:58

может быть какие-то хобби проект хотите

00:18:01

реализовать может быть рассматривать эту

00:18:04

сферу в качестве фриланса пожалуйста

00:18:05

напишите в чат для нас это важно и очень

00:18:08

интересно пока вы пишите о себе я вам

00:18:11

расскажу о нас Мы международный

00:18:13

образовательная платформа skillbox и

00:18:15

настоящий момент обучение по всем нашим

00:18:18

программам проходит уже свыше полу

00:18:19

миллиона пользователей в нашем сайте

00:18:22

более полутора тысяч сотрудников а

00:18:24

самостоятельно Мы разработали более 600

00:18:26

программа обучения и по факту настоящий

00:18:28

момент Единственный кто имеет

00:18:30

собственную методику разработки курсов

00:18:32

партнёрство с ведущими компаниями

00:18:33

постоянно поддержку пользователей на

00:18:36

всех этапах обучения конечно же помощь в

00:18:39

старте карьеры

00:18:43

квартира находится в городе Москва но

00:18:47

все мы более полутора тысяч человек

00:18:50

работаем удаленно плюс ко всему я думаю

00:18:52

в скором времени мы вернем формат

00:18:53

экскурсии по нашему офису и формат

00:18:55

работы нашего лектория поэтому Если

00:18:57

захотите можно будет записаться к нам на

00:19:00

экскурсию также мы подготовили огромное

00:19:01

количество подарков для всех участников

00:19:04

этого интенсива сразу все я называть не

00:19:07

буду но расскажу об одном из главных а

00:19:09

именно дополнительные скидки в размере

00:19:11

10.000 руб на покупку абсолютно любого

00:19:13

из нашего курса важно что это скидка она

00:19:16

будет суммироваться с другими акциями

00:19:18

спецпредложениями о которых я расскажу

00:19:19

вам чуточку позже и Также важно и то что

00:19:22

Этим сертификатом можно будет оплатить

00:19:24

до половины от итоговой стоимости любого

00:19:26

из наших курсов О'кей Ну что ж Давайте

00:19:29

посмотрим в чат Что вы пишете

00:19:41

сферу деятельности супер пишет нам

00:19:43

Алексей Вадим Саратов 38 лет учился бокс

00:19:46

запрограммирование Python супер Евгений

00:19:49

пишется о том что Евгений 42 года начал

00:19:51

курс по этому разработчиков skillbox

00:19:53

настоящее время бухгалтер супер Никита

00:19:55

пишет О том что он 14 лет позвонил

00:19:57

начало программирования Отлично так да

00:20:00

меня зовут давич Да был почувствовать

00:20:03

программе там из Перми Давид Добрый

00:20:05

вечер Юлия шестнадцати значит что новые

00:20:08

супер Андрее чуть закусил да мы там

00:20:11

что-нибудь хочу понять лучше чем супер

00:20:15

Матвей Освободи 19 лет учившись отлично

00:20:26

Привет меня зовут арак и Севастополя

00:20:28

учусь супер Новосибирский диплом И это

00:20:31

тоже Екатеринбург 54 it супер коллеги

00:20:35

тогда буквально еще несколько

00:20:36

организационных моментов для того чтобы

00:20:38

она лезть в будущем книге возвращаться

00:20:40

первое что касается записи трансляции

00:20:42

запись трансляции Обязательно будет и

00:20:45

будет доступна для каждого из вас в

00:20:47

течение 12 часов с момента окончания

00:20:49

нашего прямого эфира Поэтому если

00:20:51

настоящий момент вы где-то в транспорте

00:20:53

смотрите нас на мобильном телефоне или

00:20:55

может быть кормите свою семью или

00:20:58

читаете детям сказки и по каким-то

00:20:59

причинам не можете быть вместе с нами в

00:21:02

режиме онлайн ничего страшного повторюсь

00:21:04

запись будет доступна для вас в течение

00:21:05

12 часов с момента окончания нашего

00:21:08

прямого эфира для того чтобы страничку

00:21:10

нашу не потерять рекомендую добавить её

00:21:12

к себе избранные или же например

00:21:15

скопировать адрес нашей трансляции и

00:21:17

отправить себе mail.ru повторюсь запись

00:21:19

останется в течение 12 часов

00:21:38

Спасибо коллегам что сказали Я говорил о

00:21:41

том что запись трансляции будет и будет

00:21:43

доступна в течение 12 часов с момента

00:21:45

окончания нашего прямого эфира и для

00:21:47

того чтобы запись трансляции не потерять

00:21:49

рекомендую добавить нашу страницу к себе

00:21:51

в Избранные или же скопировать эту

00:21:53

ссылку и например отправить её себе на

00:21:55

электронную почту Как самый простой

00:21:58

пример второй важный момент в самом

00:21:59

конце нашего сегодняшнего эфира мы

00:22:02

публикуем ссылку на нашу закрытое

00:22:04

Telegram сообщество где все три дня

00:22:05

будем друг с другом общаться и друг с

00:22:08

другом коммуницировать друг другу

00:22:09

помогать повторюсь ссылка будет в самом

00:22:12

конце нашего сегодняшнего эфира Я

00:22:14

благодарю всех кто обратил внимание на

00:22:17

то что звук пропал Спасибо огромное

00:22:19

вроде бы всё починили и что касается

00:22:22

чата коллеги мы его читаем мы его очень

00:22:25

любим и в целом я активно агитирую всех

00:22:29

задавать вопросы самые разные потому что

00:22:32

в первую очередь мы собрались для того

00:22:34

чтобы на ваши вопросы отвечать поэтому

00:22:36

спрашивайте все что интересно ничего не

00:22:38

стесняйтесь

00:22:39

обязательно лайкайте и дизлайкайте чужие

00:22:42

вопросы самые обещаю обязательно

00:22:44

прозвучат у нас в эфире

00:22:48

с удовольствием представлю главного на

00:22:51

три дня человека а это именно Овчинников

00:22:54

главный методист технического

00:22:56

направления skillbox более 18 лет за

00:22:58

плечами в области разработки в прошлом

00:23:00

руководителей команды который

00:23:02

разрабатывала платформу антиспамой

00:23:03

машинного обучения это корпорации Badoo

00:23:06

руководил разработкой бизнес-проважений

00:23:07

в одной очень известной американской

00:23:10

социальной сети также в прошлом директор

00:23:12

по разработке в лондонской компании

00:23:15

где развивал онлайн образование для

00:23:17

миллионов школьников настоящий момент

00:23:20

живёт и работает в городе Лондон Добрый

00:23:24

вечер Добрый вечер друзья рад всех

00:23:27

приветствовать на Первом дне нашего

00:23:28

интенсива мы с вами

00:23:30

начинаем трёхдневный путь в сторону

00:23:33

познавания познания пайтона и а

00:23:36

машинного обучения анализа данных и всех

00:23:40

э других смежных интересных тем которые

00:23:43

мы с вами затронем за 3 дня мы выполним

00:23:46

несколько практических задач вместе

00:23:48

вместе напишем большое количество кода

00:23:49

на языке программирования Python Ну и

00:23:52

изучим что-то новое интересное конечно

00:23:55

же наши интенсив нельзя назвать

00:23:57

полноценным обучением Это скорее такое

00:24:00

наша попытка вас заинтересовать в том

00:24:03

что такое дата сайнс рассказать о том

00:24:05

какие задачи и проблемы встают Перед

00:24:09

ацинтистами какими инструментами и

00:24:10

знаниями они пользуются конечно же за 3

00:24:13

дня нельзя стать специалистом ни в чём

00:24:14

вот этот сайт тем более А нужно большое

00:24:18

время на это потратить Да на обучение

00:24:19

изучить язык поэта изучить все

00:24:22

сопутствующие технологии теорию много

00:24:24

практиковаться Ну и мы обязательно

00:24:27

расскажем вам про то как всё это

00:24:29

устроено у нас в скиллбоксе мы расскажем

00:24:31

вам про наши курсы

00:24:33

и обязательно всех всех посвятим то как

00:24:37

можно на них записаться

00:24:40

в основном да мы будем с вами заниматься

00:24:43

программированием в инструменте Google

00:24:45

collab поэтому ничего Ставлю себе на

00:24:47

компьютер не нужно сейчас мы расшарим до

00:24:48

вас ссылку и можем приступать к практике

00:24:53

соответственно в практической части у

00:24:55

нас сегодня с вами будет задача по

00:24:59

задаче связаны с Data сетом турагентства

00:25:03

мы для вас приготовили табличку с

00:25:05

данными в ней есть Клиенты этого

00:25:08

турагентства они там куда-то летают в

00:25:10

какие-то свои прекрасные отпуска ну а мы

00:25:12

с вами будем работать над этими данными

00:25:15

но перед этим хочется немножечко

00:25:16

рассказать про в целом направление дата

00:25:20

сайнс что это такое Зачем оно нужно и

00:25:22

какие там бывают специальности Ну и

00:25:24

конечно ответить на ваши вопросы может

00:25:27

быть у вас есть какие-то конкретные идеи

00:25:29

Я говорит хочу предсказывать курс

00:25:32

биткоина на завтра а я может быть хочу

00:25:34

предсказывать

00:25:36

а-а какая завтра будет погода или

00:25:41

продажи

00:25:43

продажи пончиков хочу предсказывать свои

00:25:46

пончиковые да Вот какие у вас есть кейсы

00:25:48

Что вы хотите сделать искусственный

00:25:50

интеллект

00:25:51

генерацию картинок Да что что вот вам

00:25:54

интересно пишите нам но мы тем временем

00:25:57

продолжим я включаю демонстрацию экрана

00:26:02

Итак у нас с вами впереди три дня машину

00:26:06

обучения мы говорим про Python мы

00:26:08

говорим про нейросети и мы будем

00:26:09

говорить про

00:26:11

временные ряды здесь написано слово

00:26:13

Bitcoin у меня презентации Но на самом

00:26:16

деле мы будем

00:26:17

предсказывать действительно курс

00:26:19

биткоина будем прогнозировать то как он

00:26:21

будет себя вести но рассматривать будем

00:26:24

это как простой временной ряд да Поэтому

00:26:27

наши

00:26:30

наши взаимодействия с биткоином будут

00:26:33

ограничиваться тем что мы им

00:26:34

рассматривать его как обычную валюту Да

00:26:36

тут в общем-то может быть любая валюта

00:26:38

на примере хотите доллар хотите рубль

00:26:41

хотите Bitcoin Да просто временный ряд

00:26:44

Ну и давайте начнем с того что все это

00:26:47

значит поговорим о терминах хочу создать

00:26:50

себе и пишет что отличная отличная

00:26:52

задача для каких задач только Да не

00:26:55

хочется нужно понять какие-то вот

00:26:57

конкретные идеи Итак что все это значит

00:27:01

давайте определимся что это такое машина

00:27:04

Learning это способ научить машину

00:27:06

что-нибудь делать например делать

00:27:09

предсказание и делается это с помощью

00:27:11

достаточно простых алгоритмов к третьему

00:27:13

Дню вы также будете понимать Некоторые

00:27:15

из этих алгоритмов и увидите что там нет

00:27:19

никакой магии там довольно простая

00:27:20

математика немножечко программирования

00:27:23

немножечко других всяких наук и вы

00:27:25

можете вместе собрать себе прекрасные

00:27:28

работающие машин лернинг время даже

00:27:31

сделаем несколько моделей машинного

00:27:33

обучения в течение наших трех дней дата

00:27:36

сайнс это вообще Наука это наука которая

00:27:39

включает в себя в общем-то любые любые

00:27:42

манипуляции с данными как правило это

00:27:44

статистика это аналитика это Machine

00:27:46

Learning вместе дают нам дата сайнс дата

00:27:50

сайнс позволяет людям из данных

00:27:52

извлекать выгоду Да наука Зачем делается

00:27:55

чтобы получить какую-то выгоду какое-то

00:27:58

улучшение соответственно как правило

00:28:01

привлекают для того чтобы изучать

00:28:03

поведение людей поведение

00:28:06

каких-то систем до поведения например

00:28:10

покупателей будут ли они больше покупать

00:28:11

в этом сезоне ваши пончики с шоколадом

00:28:14

или будут более

00:28:17

тем более

00:28:19

настроены в сторону каких других товаров

00:28:24

нейронные сети нейронные сети neral

00:28:27

networks это очень

00:28:28

популярное решение для можно сказать

00:28:32

всех проблем

00:28:33

нейросети Это всего лишь один из видов

00:28:36

алгоритмов в машинных машинном обучении

00:28:40

соответственно алгоритмов Есть множество

00:28:42

их много много сотен и мы с некоторыми

00:28:46

из них они познакомимся И нужно помнить

00:28:48

что нейронные сети только маленькая

00:28:50

часть

00:28:51

из видов алгоритмов конечно это

00:28:54

маленькая часть играет очень большую

00:28:56

роль несомненно нейронные сети сейчас

00:28:58

один из самых главных двигателей вообще

00:29:01

всего этого прогресса и всего что мы

00:29:04

видим вокруг

00:29:05

и мы тоже попробуем немножечко

00:29:08

многие сталкивались таким еще понятием

00:29:11

Deep Learning это тоже связано с ней но

00:29:16

слово Dip здесь означает глубокий

00:29:19

нейросети они такие все себя глубокие

00:29:22

непонятные несут себе какие-то Нет на

00:29:24

самом деле слово глубокий означает что

00:29:26

они типа большие просто гигантские

00:29:28

нейросети

00:29:31

в общем-то пока что не знаете как и

00:29:34

маленькие выглядят поэтому то что они

00:29:35

большие для вас мало имеет значение Но

00:29:38

если проводить аналогию то маленькие

00:29:39

нейросети могут решать очень маленькие

00:29:42

простые задачи а большие нейросети могут

00:29:44

решать большие сложные задачи Ну как

00:29:46

ребёнок может со своей маленькой

00:29:48

нейросеть его в голове решать только

00:29:50

простейшие задачки а взрослые со своей

00:29:54

большой нейросетью глубокой в голове

00:29:56

может решить задачу поинтересней

00:30:03

в общем-то довольно размытое понятие

00:30:07

которое ничего конкретного не значит

00:30:08

можно назвать всё что угодно когда

00:30:12

компьютер машина умеет делать то что

00:30:15

умеет делать только человек обычно

00:30:17

например разговаривать или рисовать

00:30:19

картины или хотя бы распознавать Что там

00:30:21

на этих картинках нарисовано это всё

00:30:23

можно назвать искусственным интеллектом

00:30:25

Потому что есть обычный интеллект

00:30:27

который требуется для этих задач А если

00:30:32

а обычного интеллекта нет то придется

00:30:35

воспользоваться искусственным на

00:30:37

artifishings соответственно actifishalt

00:30:40

tangents можно назвать все что угодно

00:30:41

Даже Три строчки кода которые решают

00:30:46

не знаю решает простую задачу что

00:30:49

сегодня Чем вечером сегодня заняться

00:30:50

выпить пиво пойти в кино или поиграть в

00:30:54

Counter Strike Да если вы

00:30:57

для себя Напишите программу которая за

00:31:00

вас будет принимать такое решение это

00:31:01

уже искусственный интеллект Ну и еще

00:31:03

один термин важный но о котором тем не

00:31:05

менее мы разговаривать вообще не будем

00:31:08

это штука которая не связана как правило

00:31:12

с машинным обучением

00:31:14

с нейросетями с искусственным

00:31:16

интеллектом

00:31:17

это понятие которое означает обработку

00:31:20

очень больших данных на большом

00:31:22

количестве серверов сейчас Знаете сами

00:31:24

данных много в любой даже маленькой

00:31:27

компании этих данных столько много что

00:31:29

не умещаются на один сервер на один

00:31:31

любой ни один терабайт 100 терабайт 1000

00:31:35

терабайт С какой бы ни было у вас диск

00:31:37

до не вместе эти данные соответственно

00:31:41

есть целая наука как программистом в

00:31:44

первую очередь подчеркиваю программистом

00:31:46

заниматься этой самой bigdata Как

00:31:48

обрабатывать очень данных когда их очень

00:31:50

много просто вообще никуда не влезает

00:31:52

Вот мы с этим работать не будем у нас

00:31:55

данный маленькие мы сегодня будем

00:31:56

работать с одной небольшой табличкой

00:31:58

учиться на ней пользоваться вот всем

00:32:00

всем вышеперечислен и коротенько

00:32:03

поговорим о том что это за люди такие

00:32:06

кто это такие дата на листы доцентисты

00:32:08

инженеры ничего не делают

00:32:12

Железного человека что мог спросить Они

00:32:14

гуглить а также сказать что сделать а то

00:32:16

Алиса не очень

00:32:21

делали тысячи человек сотрудников

00:32:24

Яндекса делали на Яндекс инфраструктуре

00:32:27

которую делали другие тысячи человек и

00:32:30

потратили они на это не три а 33 года да

00:32:35

потому что

00:32:36

именно столько наверное

00:32:39

займет до у вас создание подобного

00:32:42

искусственного интеллекта Но конечно

00:32:45

это все верно на сегодняшний день может

00:32:47

быть завтра уже будет другая ситуация

00:32:52

1024 терабайта 1тб пишет Снежана все

00:32:56

верно создать такую могла бы уметь

00:32:58

распознавать хозяина страничке соцсети в

00:33:01

общем чтобы мог защищать страницы

00:33:03

пользователей вообще хотел бы

00:33:04

развиваться области защиты инновационной

00:33:06

безопасности хорошие хороший вариант вот

00:33:08

ассистент Джарвис тоже хороший

00:33:12

вариант и сделать простые команды чтобы

00:33:15

он выполнял даже не сложно Да это

00:33:17

Напугал про три года но по сути

00:33:23

у нас даже был интенсив Однажды

00:33:26

посвященный

00:33:27

такому сознанию личного помощника так

00:33:30

Ладно поговорим про профессии Да мы ведь

00:33:33

Хотим стать профессионалами а в итоге

00:33:36

Какие бывают профессии самая простая

00:33:38

профессия достаточно понятная аналитик

00:33:40

данных аналитик данных занимается

00:33:42

анализом данных он ищет закономерности

00:33:44

отвечает на заданные вопросы

00:33:47

считают какую-то статистику да

00:33:49

обобщенную и это и называется аналитикой

00:33:52

Он может даже строить какие-нибудь

00:33:54

гипотезы а

00:33:57

Какая часть нашей аудитории больше любят

00:34:01

пончики с

00:34:03

карамелью А какая часть нашей аудитории

00:34:05

больше любит пончики с А я не знаю

00:34:09

мармеладом Да вот такие вот

00:34:12

такими вопросами Может задаться аналитик

00:34:15

взять данные по продажам пончиков и

00:34:17

посчитать их Да а построить какие-то

00:34:19

отчеты продажах сделать сегментацию да

00:34:23

найти какие-то инсайды небольшие Да что

00:34:26

вот именно мужчины 33 лет с бородой

00:34:28

больше всего любят пончики с карамелью

00:34:30

Именно они и соответственно маркетинг

00:34:34

выстроить соответствующим образом вот

00:34:36

как в бизнесе завязан аналитик он

00:34:38

отвечает на заданные вопросы он строит

00:34:40

аналитический отчет и он берет данные

00:34:42

какие-то готовые Да ему не нужно самому

00:34:45

как правило заморачиваться с тем чтобы

00:34:47

эти данные где-то отыскать Ну и знает

00:34:50

этот аналитик

00:34:51

самый базовый инструмент который

00:34:53

пригодятся в общем-то всем

00:34:56

это SQL это умение пользоваться экселем

00:34:59

это

00:35:00

хотя бы поверхностное умение

00:35:03

пользоваться пайтоном или какими-то

00:35:06

похожим языком иногда используют вместо

00:35:08

пайтана язык AR но

00:35:11

в основном конечно и библиотеки

00:35:16

визуализации такие как матлип то есть

00:35:18

способность построить файтами график Да

00:35:21

какой-нибудь диаграмму мы с вами это

00:35:23

сделаем сейчас вот буквально в первые

00:35:25

минуты нашей практики Кто такой

00:35:29

сложнее такой специалист

00:35:33

человек который занимается общем-то

00:35:35

построением

00:35:36

моделей машинного обучения строки

00:35:39

предсказания отвечает на вопросы которых

00:35:41

никто не задумывался и в общем-то в

00:35:44

основном ищет способ улучшить продукты

00:35:46

бизнес метрики он не отвечает на

00:35:48

заданные вопросы он занимается какой-то

00:35:51

общей проблемой как бы нам с нашей

00:35:53

пончиковым бизнесом заработать больше

00:35:56

бабла вот такие вопросы с помощью данных

00:36:00

как бы надо работать больше бабла как бы

00:36:01

нам собрать больше данных больше метрик

00:36:03

из разных источников А давайте еще

00:36:06

проведем какой-нибудь вопрос наших

00:36:08

пользователей А давайте померим сколько

00:36:10

наши по

00:36:12

проводят в печи Да на производстве

00:36:15

построим графики построим зависимости

00:36:18

короче дацинтист наводит шороху

00:36:20

занимается

00:36:22

всем Чем попадется Но в основном сбором

00:36:25

данных анализом данных предсказанием

00:36:28

построении модели машинного обучения Ну

00:36:31

и очень важный вопрос очень важный

00:36:34

вопрос который занимает мы всех молодых

00:36:38

начинающих А что если я прямо сейчас

00:36:41

прямо сегодня не знаю математику

00:36:45

Максим вы здесь с нами

00:36:53

сколько будет натуральный логарифм двух

00:36:57

не знает Не знает

00:37:00

я не выучил не выучил Да натуральный

00:37:04

логарифм двух

00:37:06

нужно знать математику вот таким

00:37:08

новичкам как Максим на математику знать

00:37:10

нужно не особенно да тем более логарифмы

00:37:13

даже и применить будет негде в наших

00:37:16

трех днях нашего интенсива но

00:37:18

профессионалу узнать математику придется

00:37:21

Если вы хотите стать профессионалом в

00:37:23

дата сансе безусловно вы к своему

00:37:27

моменту когда можно будет назвать себя

00:37:29

профессионалом будете уже знать

00:37:30

математику но это не та математика

00:37:33

которую могли себе представить из

00:37:35

скучных школьных уроков или институтских

00:37:37

это очень прикладная конкретная штука

00:37:40

Вам нужно будет знать конкретные вещи

00:37:43

очень понятно И где их применить Да не

00:37:46

какие-то абстрактные Да зачем мне

00:37:49

считать эти ваши

00:37:50

двойные интегралы Нет хочу конкретно

00:37:54

знать как пончиком бизнесе в моем И вот

00:37:59

именно эта математика вам потребуется а

00:38:01

именно статистика немножечко теории

00:38:04

вероятностей немножечко мат анализа

00:38:05

достаточно много линейной алгебры но в

00:38:09

целом Я бы характеризовал эти

00:38:11

направления математики Как низко

00:38:12

абстрактные и легко изучаемые если

00:38:15

конечно правильно подать поднести

00:38:18

на пальцах объяснить я вот вам

00:38:21

постараюсь к третьему Дню на пальцах

00:38:23

объяснить очень сложную математику

00:38:25

связанную с градиентным спуском в

00:38:28

линейной регрессии Да ну об этих

00:38:30

страшных словах мы поговорим попозже

00:38:33

логарифм двух меньше одного О вот это

00:38:36

правильный правильный ответ

00:38:38

натуральный логарифм двух Итак давайте

00:38:41

потихонечку потихонечку

00:38:47

и отвечать на ваши вопросы конечно же

00:38:50

тоже друзья друзья задавайте их все

00:38:54

время и еще раз перед тем как Мы поступим

00:38:57

практике хочу вас предупредить друзья у

00:39:00

нас с вами интенсив Это значит что будет

00:39:03

тяжело будет болеть голова Много из того

00:39:07

что мы делаем вы не будете понимать

00:39:09

потому что вы многие из вас новички если

00:39:11

вы конечно же знаете знакомы с какими-то

00:39:13

библиотеками И что-то практиковались вам

00:39:15

будет попроще новичкам будет тяжело это

00:39:17

так и должно быть не думайте что у вас

00:39:20

всё очень легко зайдет и всё будет

00:39:23

понятно нет Будет всё понятно и очень

00:39:25

долго Поэтому

00:39:27

настроил вас на правильную рабочий лад

00:39:31

Давайте приступать

00:39:33

для этого я покажу вам инструмент

00:39:36

который называется Google collab Google

00:39:38

collab это инструмент который позволяет

00:39:41

писать код на pythony и даже добавлять

00:39:45

некоторые другие вещи у него и такой

00:39:47

Файлик с

00:39:50

инструкциями с небольшим количеством

00:39:52

кода на Python я для вас сделал

00:39:54

и сейчас вам дам ссылку на него вы все

00:39:57

сможете туда зайти

00:39:58

все сможете

00:40:01

начать с нами выполнять практику жалко

00:40:08

Евгений так

00:40:10

аллегория с пончиками

00:40:14

чудо

00:40:15

подсказывает нам Я люблю с карамелью

00:40:18

кто-то пишет лучше в дотку

00:40:21

можно и в дотку Итак если вы зайдете по

00:40:25

ссылке который мы сейчас для вас

00:40:27

опубликовали в чате Да Юпитер подойдет

00:40:30

Если вы вдруг решили решите писать код

00:40:32

не вместе с нами не в Google а где то

00:40:34

еще то вы делаете Это на свой страх и

00:40:38

риск если разбираетесь Где вы там пишете

00:40:41

код Studio

00:40:43

в Питере да знаете как вставить пакеты

00:40:47

через пип вот знаете тогда действуйте

00:40:49

сами Если вы чего-то из этого не знаете

00:40:52

действуйте вместе с нами а именно

00:40:54

переходите по ссылке и первое что

00:40:56

стрельбы будет сделать это нажать

00:40:58

кнопочку копии вот здесь сверху возле

00:41:00

кнопочка копия чтобы скопировать к себе

00:41:03

этот файл собственно работать уже в

00:41:06

своей копии а Вот ссылка которая

00:41:09

опубликована в чате это будет моя копия

00:41:12

и даже подпишу у меня будет написано

00:41:16

Майк Вы тоже свою Подпишите чтобы не

00:41:19

путаться ничья вот будет моя вы в нее

00:41:23

сможете подглядывать

00:41:25

по ссылке да Опять же в чате я буду

00:41:28

здесь что-то писать набирать какой-то

00:41:29

код что-то делать И вы сможете всегда

00:41:33

посмотреть скопировать у меня мой код

00:41:34

Итак

00:41:38

давайте давайте начнем с того что мы

00:41:40

скачаем файл с данными мы сейчас с вами

00:41:43

будем анализировать вот этот файл я

00:41:44

обещал что у нас будет турагентство и

00:41:47

вот у нас с вами турагентство бац

00:41:49

открылась в этом турагентстве мы начали

00:41:51

собирать данные о наших клиентов

00:41:59

выяснили какая у них зарплата И сколько

00:42:02

у них членов семьи нет они сами нам

00:42:05

предоставили эту информацию клиенты

00:42:07

нашего воображаемого турагентства

00:42:08

напомню воображаемого и вот у нас есть

00:42:13

информация о том что это за человек и

00:42:16

куда он в нашу турагентстве купил билет

00:42:18

соответственно Вот был человек из

00:42:21

Краснодара любил шопинг и путешествовать

00:42:23

на автомобиле летел в итоге нью-йорк с

00:42:26

одним членом семьи соответственно в

00:42:28

данных у нас присутствует

00:42:33

предпочтение в отпуске транспорт

00:42:35

референс предпочтения в транспорте

00:42:37

количество членов и Таргет Это куда

00:42:39

человек в итоге полетел Ну и скачать

00:42:42

этот файл очень легко достаточно нажать

00:42:44

кнопочку download Михаил пишет нам

00:42:47

слушатель Скажите обучать этому проще

00:42:50

чем самому заниматься на серьезные

00:42:52

проекты Стоит ли нырять тому туда кто

00:42:54

начинает изучать этот весь материал и

00:42:57

все для него новое А еще и не 15 лет ему

00:43:01

так почему же

00:43:04

должно быть тяжело если не 15 лет и про

00:43:07

возраст не понял короче

00:43:11

Стоит ли нырять тому кто только начинает

00:43:14

изучать весь материал друзья конечно же

00:43:16

ответ да Даже если вы не соберетесь

00:43:19

становиться профессиональным аналитиком

00:43:22

дата сентистом и мозгом из над

00:43:24

искусственными интеллектами все равно

00:43:27

простейшие навыки анализа данных вам

00:43:29

пригодятся в любой профессии хотите

00:43:31

делать маркетинг хотите вести семейный

00:43:33

бюджет хотите понять какой кредит на

00:43:36

квартиру машину выгодней хотите

00:43:39

разобраться с какими-то другими данными

00:43:42

да На вашей работе как там сотрудники

00:43:45

делают задачи или что-нибудь ещё сами

00:43:48

Придумайте вариант Работаете ли вы в

00:43:50

турагентстве Везде эти данные вам

00:43:52

пригодятся навыки то есть данный тоже но

00:43:55

в основном навыки

00:43:57

Итак

00:43:59

можно быстрее практику Лев наш пишет Лев

00:44:03

мы сейчас начнем практиковаться С такой

00:44:04

скоростью что вы не будете успевать

00:44:06

вообще за нами записывать Так что не

00:44:08

торопитесь Итак взяли мы эти данные

00:44:11

скачали эту табличку download и остается

00:44:16

их теперь загрузить в Google collab да а

00:44:20

именно справа в Google есть кнопочка

00:44:23

файл

00:44:25

раздел файл

00:44:26

он становится активным через секундочку

00:44:31

не сразу сейчас он

00:44:32

сообразит что-то вот и в этот момент

00:44:35

Может быть нажать на кнопочку оплот

00:44:37

здесь у нас сверху расположена и выбрать

00:44:39

собственно файл который вы хотите

00:44:41

загрузить

00:44:42

файл что связанное с

00:44:47

данными путешествия три в дата

00:44:51

вот я выбрал этот файл своего компьютера

00:44:53

Да И вот здесь появился трипс дата XLS X

00:45:03

не вся не весь наш урок сегодня будет

00:45:05

посвящен практике друзья у нас будет

00:45:07

очень много разговоров очень много

00:45:08

теории

00:45:10

мы расскажем вам и про себя еще и про

00:45:13

дата сайнс и пропайтон поэтому

00:45:15

разговоров будет много а практике будет

00:45:18

ровно столько сколько мы запланировали

00:45:19

поэтому торопить нас бесполезно

00:45:22

и как бы мы идем по сценарию который мы

00:45:26

подготовили для вас соответственно мы по

00:45:28

нему будем дальше

00:45:29

отвечаю параллельно конечно же на Ваши

00:45:31

вопросы и делай паузы чтобы все пояснить

00:45:34

новичкам а именно Давайте с этого и

00:45:37

начнем вот первое наше

00:45:39

проба пера будет в запуске вот это вот

00:45:41

простого кусочка кода достаточно вам

00:45:44

перейти

00:45:45

вниз до раздела поэтому видите здесь вот

00:45:48

такой небольшой кусочек кода кусочки

00:45:52

кода в Google организованы в ячейке так

00:45:56

называемые их может быть сколько угодно

00:45:58

вот одна ячейка вот другая ячейка этих

00:46:01

буду создавать еще многие многие десятки

00:46:03

Да иногда я буду даже удалять

00:46:07

вот

00:46:11

соответственно

00:46:13

Давайте попробуем сделать самое простое

00:46:15

одну из ячеек Запустить вот такая вот

00:46:17

ячейка уже у вас есть Hello skillbox

00:46:20

пайтоны звере Good все это обернуто в

00:46:23

кавычки в скобочки и перед этим написан

00:46:25

Принт это простейшая инструкция на языке

00:46:28

пайтом которая выводит данную строчку на

00:46:31

экран и сразу под ячейкой Вы можете

00:46:33

видеть ее вывод то же самое можно

00:46:36

добиться запустить код можно с нажатием

00:46:39

клавиши плюс

00:46:41

Итак давайте начнем с того что мы

00:46:44

напишем какой-то первый с вами

00:46:47

осмысленный код

00:46:49

который будет заниматься чем-то

00:46:52

полезным в частности мы запустим вторую

00:46:55

ячейку и заодно разберемся что в ней

00:46:57

написано первая строчка которая в ней

00:47:00

написано

00:47:05

для обработки данных

00:47:09

для обработки данных Ну и как правило

00:47:13

данные которые обрабатывают табличные

00:47:16

данные

00:47:18

по сути

00:47:20

для программистов

00:47:24

он может делать все что

00:47:27

и даже больше и используется для этого

00:47:31

не визуальный интерфейс соответственно

00:47:32

программный нужно писать код нужно

00:47:35

обращаться к каким-то инструментом

00:47:38

внутри этой библиотеки

00:47:40

потому что там множество штук внутри как

00:47:44

библиотеки много книг так много штук а

00:47:48

именно инструментов которые выражены в

00:47:50

виде классов функций модулей и всего

00:47:53

чего там еще у них в этом пандосе есть

00:47:57

пользоваться этим довольно просто

00:47:59

например

00:48:08

это указание поэтому

00:48:12

что вы собираетесь использовать этот

00:48:14

инструмент указание

00:48:16

указание подключить до инструмент нашему

00:48:22

кодутся У нас готов к работе следующая

00:48:25

строчка У меня выглядит так трипс дата

00:48:27

равно Панда с точка ridexl в скобочках

00:48:30

кавычках контент слэш трипстата xlsx

00:48:32

очень длинная сложная строка Но на самом

00:48:35

деле разобраться в ней довольно просто у

00:48:38

нас есть файл который мы с вами

00:48:39

загрузили трипс дата и именно эта

00:48:42

строчка занимается чтением этого файла

00:48:44

есть такая функция замечательная

00:48:46

она находится внутри библиотеки пандус

00:48:49

как раз Тех самых инструментов

00:48:52

Какой файл надо открыть нужно выполнить

00:48:55

все инструкции которые вот здесь в

00:48:58

предоставлено Специально для вас скачать

00:49:00

загрузить выполнить

00:49:03

Да Нурсултан уважаемый если Вы отстали

00:49:06

не беда можно поставить на паузу всегда

00:49:08

Да можно отмотать назад у нас

00:49:12

к счастье для этого YouTube предназначен

00:49:14

в реальной лекции вы бы не смогли

00:49:16

отмотать назад Сидя в аудитории А здесь

00:49:18

пожалуйста не нравится вам не смысле не

00:49:22

успели

00:49:23

записать что-то поставили на паузу

00:49:25

отмотали этого

00:49:26

YouTube Player немножечко назад и все

00:49:29

редок редок это функция для чтения XL

00:49:33

файлов

00:49:36

функция для чтения

00:49:39

Excel файлов собственно read Excel

00:49:43

английского так переводится прочитать

00:49:45

файл здесь нет

00:49:47

соответственно этот самый Excel файл

00:49:49

который мы только что с вами наблюдали

00:49:51

мы загрузили в Google collab Вот он и мы

00:49:54

его можем прочитать с помощью пандаса

00:49:56

для этого нужно указать путь к файлу

00:49:59

соответственно контент слэш tripsdatax

00:50:02

это внутри коллаба где лежит находится

00:50:05

этот файл

00:50:07

путь можно узнать

00:50:09

вот по вот этому многоточию тыкнув и

00:50:13

здесь есть пункт скопировать путь

00:50:15

копипаз соответственно

00:50:19

Вот именно этот путь и копируется Да вот

00:50:21

слэш контент Flash tripsdata название

00:50:24

файла А слышь Контент это просто папка в

00:50:27

которой попадают Все что вы загружаете в

00:50:28

Google collab теперь Панда с точкой

00:50:31

redexl читает файл И куда же он попадет

00:50:33

куда же он попадет трипс дата он попадет

00:50:36

в переменную tripsdata которую мы здесь

00:50:38

вот создали видите написано трипс дата

00:50:40

равно и вот с этой вот трипс датой мы

00:50:42

дальше будем работать

00:50:53

трипс дата это Переменная

00:50:59

с данными

00:51:01

с

00:51:04

одержимым файла да Супер же мы

00:51:10

если мы все это потрясающую строчку

00:51:14

исполним

00:51:19

потрясающе эту ячейку вместе с вами

00:51:21

исполним как она была здесь написано а

00:51:24

то у нас ничего не произойдет потому что

00:51:27

не то что ничего не произойдет ничего не

00:51:29

выведется на экран Панда действительно

00:51:31

взял файл действительно прочитал и

00:51:34

действительно оказался в переменной

00:51:37

как же теперь как же теперь нам

00:51:40

воспользоваться этой переменной

00:51:45

мы не водили на печать Совершенно верно

00:51:47

сейчас выйдем что мы сделаем В итоге

00:51:49

хотим пишет Лев Лев Мы хотим прочитать

00:51:51

файл проанализировать в нем данные в нем

00:51:54

данные о наших замечательных

00:51:56

путешественниках Мы хотим эти данные

00:51:59

проанализировать Мы хотим дать какие-то

00:52:01

рекомендации может быть Понять лучше

00:52:04

наша аудиторию и

00:52:06

аудиторию путешественников Я имею ввиду

00:52:08

и в итоге мы хотим сделать предсказание

00:52:11

мы с вами хотели В итоге концу

00:52:14

сегодняшнего урока научиться

00:52:17

точнее модель машинного обучения

00:52:22

обучение рекомендовать

00:52:25

рекомендовать

00:52:27

город для путешествий до назначение

00:52:31

город назначение

00:52:37

для путешественников Да соответственно

00:52:39

Мы хотим для нашей потрясающей

00:52:41

потрясающего нашего агентства

00:52:44

туристического Давайте еще раз на данные

00:52:46

посмотрим

00:52:51

вот Замечательно Это турагентство Мы

00:52:53

хотим научиться делать предсказания Мы

00:52:55

хотим

00:52:57

для новых клиентов

00:53:01

пытаться определить Да куда же человек

00:53:04

хочет полететь хочет он полететь Сидней

00:53:05

и в нью-йорк или может быть в Лондон

00:53:09

большое ли размера XL файла можно

00:53:12

прочесть функции Red Excel миллион строк

00:53:14

тоже прочтет прочтет если достаточно

00:53:16

памяти Почему нет

00:53:21

Все зависит только от масштаба вашей

00:53:23

машины хотите тарабайтный файл можно

00:53:26

прочесть его надо Это нужно травить

00:53:28

памяти

00:53:29

хотите обрабатывать его построчно не

00:53:32

Читать весь тоже можно так сделать

00:53:33

Короче все в руках программиста ничего

00:53:35

невозможного нет И

00:53:38

как правило на вопрос любой вопрос Можно

00:53:41

ли ответ можно но вопрос только в том

00:53:44

насколько сложно Поэтому лучше задавать

00:53:46

вопрос Насколько сложно будет сделать X

00:53:49

вместо того чтобы задавать вопрос

00:53:51

возможно ли сделать

00:53:53

это касается программирования Итак

00:53:57

пытаемся научить модель это наш

00:54:00

сегодняшний цель Ну и как Вы уже поняли

00:54:02

все что следует за символом решеточка в

00:54:04

пайтоне это комментарии это зелененький

00:54:09

текст который не имеет отношение к

00:54:11

нашему году его писать не нужно

00:54:15

для себя и для вас комментируя

00:54:17

существующие строчки кода

00:54:21

появилась у нас переменная Trip Data

00:54:23

Волшебная

00:54:25

потому что Волшебная потому что мы можем

00:54:27

ее вывести на экран

00:54:30

достаточно просто написать название

00:54:33

переменной в пустой ячейке Давайте еще

00:54:36

раз покажу создаем пустую ячейку нажимая

00:54:39

на кнопочку плюс коут

00:54:41

пишем в ней какое-нибудь выражение можно

00:54:44

написать Один плюс один тоже посчитает

00:54:46

лучше что-нибудь полезное например трипс

00:54:49

дата вся эта переменная выведется на

00:54:52

экран в этой переменной сейчас хранится

00:54:55

Вот такая вот табличка в этой табличке

00:54:57

1000 строк 7 колонок табличку мы это

00:55:00

видели

00:55:02

с вами прекрасно знаем табличка это

00:55:05

содержит данные о наших

00:55:07

замечательных туристах вот есть зарплата

00:55:11

город возраст и прочие информации мы с

00:55:15

вами захотим эти данные сначала

00:55:16

проанализировать разобраться в структуре

00:55:20

и как-то научиться с ними работать а

00:55:24

потом привлечь немножечко машинного

00:55:26

обучения к тому чтобы их

00:55:28

на них уже обучить какую-то модельку

00:55:31

данных конечно же

00:55:33

на таком большом свете большом в

00:55:37

кавычках тысячу строчек уже можно

00:55:39

обучать какую-нибудь простейшую в

00:55:42

реальной жизни люди обучают

00:55:44

модели машинного обучения и на меньших

00:55:47

дата-сетах и на куда больших например

00:55:49

какие-нибудь нейронные сети обучаются

00:55:52

множество недель на множествах

00:55:55

терабайтах данных да А у нас здесь всего

00:55:58

лишь одна маленькая табличка так вот

00:56:01

Давайте эти данные анализировать

00:56:04

первое что можно посмотреть что нас

00:56:07

интересует

00:56:09

это Ну давайте начнем например С

00:56:11

зарплаты самое интересное зарплата Как

00:56:14

получить информацию о этой колонке

00:56:16

достаточно написать название переменной

00:56:20

точка Название колонки

00:56:28

трипс дата точка selary Название

00:56:35

переменная точка Название колонки А

00:56:40

выведет нам колонку Вот она колонка

00:56:43

все те же самые данные что мы видим

00:56:45

здесь вот они все те же здесь 999

00:56:48

значений некоторые для удобства

00:56:50

пропущенные вот

00:56:54

давайте это все обозначим еще

00:56:57

по-научному это переменная это круто на

00:56:59

самом деле в терминах пандаса это

00:57:01

называется умным словом dataframe дата

00:57:04

фрейм по-английски

00:57:07

по-русски можно назвать просто таблицей

00:57:10

наш стрипс дата

00:57:13

есть таблица в Если вы спросите у

00:57:17

пандуса что это такое он ответит что это

00:57:19

дата фрейм вот колонка

00:57:24

Она еще в терминах пандаса называется

00:57:26

Сириус

00:57:28

то есть серия значений Да по-русски это

00:57:32

будет просто колонка в нашем примере это

00:57:35

село например селари Это колонка а

00:57:38

по-английски называется Сириус

00:57:42

с этой колонкой можно много всего

00:57:44

интересного делать можно

00:57:48

мне просто смотреть

00:57:50

это не очень продуктивно можно по ней

00:57:53

построить какие-нибудь

00:57:54

графики какую-нибудь диаграмму вывести

00:57:58

например самый простейшая диаграмма это

00:58:01

гистограмма если я напишу трипс

00:58:06

Да это соответственно обращение колонки

00:58:10

зарплата А хист это простейший

00:58:13

статистический инструмент который

00:58:14

называется гистограмма

00:58:16

Наверняка про него слышали Instagram это

00:58:20

очень простой инструмент Он всего лишь

00:58:22

показывает сколько

00:58:24

элементов в наших данных Да имеют

00:58:29

определенное значение то есть сколько

00:58:30

людей из нашей выборки имеет

00:58:32

определенную зарплату В данном случае

00:58:33

видите что людей с нулевой зарплаты

00:58:36

очень мало видим что есть люди у которых

00:58:39

зарплата в нашем сайте 250 тысяч и видим

00:58:43

что большинство людей именно 200 человек

00:58:45

имеет зарплату где-то 50 до 100 тысяч Ну

00:58:49

и вот какое-то распределение можно

00:58:51

можно здесь увидеть

00:58:56

Может это массив а не переменная а нет у

00:59:00

нас нет пока еще сами массивов У нас

00:59:01

есть переменная в этой переменной лежит

00:59:03

дата фрейм целая табличка А сириес вот

00:59:08

эта Series больше похожа на массив

00:59:11

но все еще это не он пока еще он

00:59:16

с массивами и со списками мы обязательно

00:59:19

познакомимся поэтому Ну пока что просто

00:59:23

важных не путать есть

00:59:25

фрейма это фрейм это табличка

00:59:30

в терминах Панда Когда вы пользуетесь

00:59:32

пандусом вы не говорите табличкой

00:59:34

Говорите Я с помощью пандуса сделал себе

00:59:36

дата фрейм Вот

00:59:39

это модуль его надо ставить через Нет

00:59:41

это часть пандуса

00:59:45

пока как выбора forexl Да очень похоже

00:59:48

Да пока что мы пользуемся самой

00:59:50

простейшими штуками которые есть вообще

00:59:52

в любом инструменте по статистике в том

00:59:54

числе в Excel Итак гистограмму построить

00:59:57

не сложно

01:00:00

Давайте

01:00:01

попробуем проанализировать еще другие

01:00:04

колонки Да например посмотрим на возраст

01:00:10

зарплата посмотрели посмотрим на возраст

01:00:13

точка

01:00:15

hist думаю вы догадываетесь что оно

01:00:18

выведет оно выйдет гистограмму по

01:00:20

возрастам

01:00:21

какие у нас Клиенты есть я вас как

01:00:24

начинающих аналитиков попрошу

01:00:27

сказать мне что увидите на этой

01:00:29

гистограмме Вы теперь знаете о нашей

01:00:33

аудитории Ну и для затравки я вам

01:00:38

напишу здесь еще чуть более сложную

01:00:41

строчку

01:00:43

Location Preference можно взять у него

01:00:46

волью каунт

01:00:49

и из них еще построить

01:00:51

столбчатую диаграмму вот такие вот

01:00:54

сложные можно делать выражение Я сейчас

01:00:57

его конечно подробно объясню но для

01:01:00

знатоков пайтона и пандаса это очень

01:01:03

простое простая операция просто взять из

01:01:06

фрейма трипстата колонку Location

01:01:09

Preference посчитать количество значений

01:01:11

и построить диаграмму вот пожалуйста

01:01:16

архитектуру любят наши Уважаемые клиенты

01:01:20

шопинг пляжный отдых а ночные клубы

01:01:23

почему-то не любят смотреть ни одного 0

01:01:26

значений или одно значение буквально

01:01:28

короче

01:01:32

Вот такая картина какую Какие вы можете

01:01:35

сделать выводы Да из этого вот и

01:01:37

последний еще один график я вам покажу

01:01:42

график Простите пока по городам позже

01:01:46

как распределены города в нашем

01:01:50

наборе Да у нас есть Краснодар Томск

01:01:53

Хабаровск Киев Омск Екатеринбург

01:01:54

Новосибирск Петербург Ярославль Москва и

01:01:58

вот даны

01:01:59

показаны количество опять же

01:02:04

клиентов путешественников из этих

01:02:07

городов

01:02:09

количество путешественников с такими

01:02:12

предпочтениями и вот гистограммов

01:02:14

возрастам посмотрите пожалуйста на эти

01:02:16

графики и напишите нам в чат Вот вы как

01:02:19

аналитик Какие вам приходят на ум выводы

01:02:22

или может быть дополнительные вопросы

01:02:23

которые нужно задать себе и этим данным

01:02:26

да Для того чтобы это понять ну а я

01:02:30

сейчас

01:02:33

продолжим Да продолжим изучать наши

01:02:35

данные но перед этим как обещали вместе

01:02:38

с Максимом расскажем про skillbox

01:02:40

подробнее

01:02:43

Михаил про великим удовольствием с

01:02:45

вашего позволения на себя демонстрацию

01:02:47

экрана я переключу Я признаться хотел

01:02:49

свою вводную часть начать с исследования

01:02:52

рынка показать на графиках количество

01:02:55

вакансий что оно год от года растет но

01:02:58

на самом деле на прошлой неделе если мне

01:03:01

не изменяет память была большая

01:03:03

конференция Сбербанка и там выступал

01:03:06

президент Путин процитирую

01:03:10

РИА новости Путин призвал обеспечить

01:03:11

массовое внедрение искусственного

01:03:13

интеллекта Путин призвал обеспечить

01:03:15

массовое внедрение и на предстоящие 10

01:03:17

лет Мне кажется эта новость в целом

01:03:19

отображает необходимость массовую просто

01:03:23

супер массовую потребность в

01:03:25

специалистах в области

01:03:27

не только с точки зрения бизнеса но и с

01:03:30

точки зрения государства почему я это

01:03:32

Работа есть работа Очень много и если

01:03:36

вам это направление нравится то я

01:03:38

абсолютно точно убеждён в том что значит

01:03:41

нужно изучать его настолько быстро

01:03:44

насколько это возможно плюс ко всему

01:03:46

пока еще на дворе ноябрь мы продолжаем

01:03:50

нашу классическую ноябрьскую распродажу

01:03:52

делаем Это мы каждый год и каждый год

01:03:55

даем нашим студентам возможность начать

01:03:58

обучение на самых выгодных условиях

01:04:00

потому что в настоящий момент скидки на

01:04:02

эти программы достигают 60 процентов

01:04:04

Сегодня идеологически ближе всего будем

01:04:07

говорить о двух программах это

01:04:10

разработчик программа профессия В чём я

01:04:14

особенность в первую очередь программу

01:04:19

звучит она следующим образом Гарантируем

01:04:22

трудоустройство или вернем деньги Что

01:04:24

это значит Это значит что если вы

01:04:26

записываете сайт программу выполняйте

01:04:28

все необходимые дипломные проекты и по

01:04:30

каким-то причинам после прохождения этой

01:04:32

программы нет трудоустраивайтесь Мы

01:04:34

полностью до копейки вернем вам все

01:04:36

деньги которые вы инвестировали за

01:04:39

обучение по этой программе плюс ко всему

01:04:42

даём возможность отсрочки первого

01:04:44

платежа

01:04:45

на 6 месяцев Что это значит Это значит

01:04:48

что уже сейчас в конце ноября или начале

01:04:51

декабря Вы можете начать учиться а

01:04:54

Первый свой фиксированный платёж за

01:04:56

обучение

01:04:58

сделайте только в следующем году

01:05:01

профессия поэтому разработчик те же

01:05:03

самые условия гарантия трудоустройства

01:05:05

или возврат денежных средств плюс

01:05:08

возможность отсрочки первого платежа

01:05:10

здесь чуть меньше на три месяца но это

01:05:12

три месяца которые вы учитесь и только

01:05:14

спустя эти три месяца начинаете

01:05:16

оплачивать свое обучение маленькими

01:05:18

фиксированными частями поэтому что я

01:05:21

хочу чтобы все наши зрители сейчас

01:05:22

сделали на странице нашей трансляции

01:05:24

есть кнопка специальное предложение Я

01:05:27

хочу чтобы вы на эту кнопку нажали Если

01:05:29

вы под каким-то причинам продолжаете

01:05:31

смотреть нас на Ютубе то в описании

01:05:36

нажав на которую вы точно так же

01:05:39

попадете вот на такую новую форму в этом

01:05:42

новом появившемся окне Прошу вас указать

01:05:44

свое имя телефон и электронную почту и

01:05:49

нажать на кнопку получить важно что сама

01:05:51

по себе это заявка она никого ни к чему

01:05:54

не обязывает но она гарантирует вам

01:05:56

право на получение бесплатной карьерной

01:05:58

консультации и все необходимые тестовые

01:06:00

доступы для того чтобы перед покупкой

01:06:02

курса вы могли ознакомиться с программой

01:06:04

более внимательно знакомиться изнутри и

01:06:07

уже на основании увиденного и

01:06:09

услышанного могли принимать для себя

01:06:10

какой-то взвешенное и зрелое решение там

01:06:13

стоит начинать обучение по той или иной

01:06:15

программе или нет важно что программа

01:06:17

Очень много они различаются по объёму по

01:06:21

стоимости по гарантии которые мы даём и

01:06:24

в зависимости от того какая именно

01:06:26

сейчас Перед вами стоит цель

01:06:29

мои коллеги помогут вам подобрать именно

01:06:31

такую программу Если речь например идет

01:06:34

о том чтобы поменять профессию то

01:06:37

наверное для этого подойдет один из

01:06:38

вариантов прохождения курса Если в целом

01:06:41

это вам направление интересно в большей

01:06:43

степени с точки зрения хобби то

01:06:45

переплачивать какие-то деньги я не вижу

01:06:48

никакого смысла Может быть вы сможете

01:06:50

ограничиться какой-то маленькой

01:06:51

программой опять же в зависимости от

01:06:53

того что вы хотите получить обучение

01:06:55

скорее всего подобное и хорошая

01:06:58

программа для вас найдётся вопрос опять

01:07:00

же отталкиваетесь от чего вы в первую

01:07:03

очередь поэтому оставляйте заявку

01:07:04

консультируйтесь если вам действительно

01:07:07

понравится обучение у нас то сможете

01:07:09

начать обучение на максимально выгодных

01:07:11

условиях

01:07:13

теперь более подробно о самих программах

01:07:16

профессия поэтому разработчик в целом

01:07:18

это 81 модуль более 396 видео и более

01:07:22

трех проектов в портфолио что касается

01:07:25

наполнения программы Михаил Буду

01:07:27

благодарен если на несколько

01:07:29

секунд десятков секунд точно сможете

01:07:33

подключиться для того чтобы об этой

01:07:35

программе рассказать от себя заранее

01:07:37

сразу скажу что это программа на

01:07:39

130% полностью покрывает все необходимые

01:07:44

запросы вашего будущего работодателя для

01:07:46

того чтобы вы сразу могли

01:07:48

трудоустроиться на младшие позиции А

01:07:52

почему именно так Михаил Расскажите нам

01:07:54

Да да мы сейчас говорим про курс э-э

01:07:58

байтан-программиста

01:08:02

позволения

01:08:07

начинается с того что конечно нужно

01:08:10

изучать Python поэтому Basic - это

01:08:12

первая часть а курса Где вы будете как

01:08:17

следует введенный в курс дела О том что

01:08:20

такое pything как мне писать какие у

01:08:22

него правила какие у него хорошие

01:08:23

практики у вас практики будет очень

01:08:27

много вы будете тренироваться

01:08:29

писать разные простейшие программы

01:08:32

напайкин Изучите все основные элементы

01:08:34

языка конструкции управляющей оп всё что

01:08:37

там вообще есть и можно будет смело уже

01:08:41

осваивать другие инструменты хочу

01:08:43

напомнить что Python как любой другой

01:08:44

язык это всего лишь один из

01:08:46

множественных инструментов которые

01:08:47

специалисту нужно освоить И даже если вы

01:08:51

идеально знаете поэтому это ещё не

01:08:52

знаете что у вас кто-то готов взять на

01:08:54

работу это только маленькая маленькая

01:08:57

ступенечка Например если хотите работать

01:09:00

э Python веб-разработчиком делать на

01:09:03

приложение Да с помощью пайта вам нужно

01:09:06

изучить как минимум как минимум пайтон

01:09:09

Джанго - это фреймворк на языке пайтон

01:09:12

для того чтобы делать бэнд для

01:09:14

а веб-приложений мы вам даем конечно же

01:09:18

курс по в обертке для того чтобы могли

01:09:20

делать Не только бэкенд но и фронт

01:09:22

приложений он там язык запросов SQL он

01:09:25

вообще всем нужен без исключения

01:09:28

доцентистом он нужен для того чтобы

01:09:30

данные выбирать откуда-нибудь

01:09:33

программистом и нужен в принципе чтобы

01:09:35

общаться с базой данных для того чтобы

01:09:38

как-то не взаимодействовать беда без

01:09:41

ускоря никуда Понятное дело что всем

01:09:43

нужна система контроля версии git никому

01:09:45

не мешает английский

01:09:47

Ну и у нас есть еще

01:09:49

полноценный курс про карьеру и развитие

01:09:52

программиста который он расскажет про то

01:09:54

как вообще в принципе будет строиться

01:09:56

Ваша карьера войти какие есть этапы и

01:10:00

куда вообще можно двигаться вот

01:10:04

Спасибо огромное что касается

01:10:07

продолжительности курса в 10 месяцев на

01:10:10

самом деле это среднее значение по нашей

01:10:12

последней выборке за этот год и При

01:10:15

должном желании Вы можете освоить

01:10:16

программу Как быстрее так может быть

01:10:18

наоборот медленнее важно что она

01:10:20

итоговой стоимости этой программы как и

01:10:23

на наших гарантиях которые мы даем вам

01:10:25

это никак не связывается прекрасно

01:10:27

понимаем что У всех свои ритмы поэтому

01:10:29

вы будете учиться именно в том ритме

01:10:31

который удобен вам по итогу прохождения

01:10:33

программы по этому пополните своё

01:10:36

портфолио тремя проектами это вот для

01:10:38

турагенства второй очень важный шаг это

01:10:41

стажировка в реальной команде вы под

01:10:44

присмотром опытного разработчика

01:10:45

разработайте свой интернет-магазин это

01:10:48

один из башнейших факторов которые

01:10:51

естественно будут влиять на ваше

01:10:53

трудоустройство потому что больше часть

01:10:55

заказчиков Независимости от того а

01:10:58

бюджетное ли это организация или

01:11:00

коммерческая естественно в первую

01:11:02

очередь она хочет увидеть человека

01:11:03

который уже имеет не просто практический

01:11:06

опыт а практически командный опыт будем

01:11:09

честны бизнес не хочет инвестировать

01:11:11

деньги в Ваше обучение Все хотят уже

01:11:13

себе для тоненьких поэтому мы в

01:11:16

обязательном порядке добавили командную

01:11:19

практику во все наши дипломные проекты

01:11:20

для того чтобы у вас было конкурентное

01:11:23

преимущество перед теми кто может быть

01:11:26

уже годами самостоятельно пытается

01:11:28

учиться но при этом возможности

01:11:29

продемонстрировать

01:11:31

свою эффективность именно с командной

01:11:34

разработки не может и третий Венец всего

01:11:38

обучения это свой собственный аналог

01:11:41

Twitter что касается спикеров я не могу

01:11:44

сказать что это супер медийные люди

01:11:46

которые каждый день вы видите в

01:11:48

интернете или же в телевизоре Но это те

01:11:51

люди наличие в программе которых ускорят

01:11:55

ваше обучение в несколько раз потому что

01:11:57

помимо того что это супер талантливый

01:11:59

разработчики это в первую очередь супер

01:12:02

талантливые преподаватели а найти

01:12:04

человека например

01:12:35

Прошу прощения за от неловкую паузу

01:12:39

Случайный перерыв накопить о том как

01:12:42

проходит обучение сам формат это уже

01:12:43

пред записанные студийной лекции с

01:12:45

хорошим звуком с хорошей картинкой

01:12:47

который будет свою очередь

01:12:48

просматриваете для себя в абсолютно

01:12:50

любое удобное время в соответствии с чем

01:12:52

и само обучение оно полностью

01:12:54

подстраивается под вас нет никакой нужды

01:12:56

ждать группу ждать отстающих тогда и

01:12:59

только тогда когда вам удобно Вы

01:13:01

заходите в свой личный кабинет внутри

01:13:02

него просматриваете уроки после этого

01:13:05

выполняйте практически домашнее задание

01:13:06

всё что было непонятно прикладывайте в

01:13:10

виде вопросов и отправляйте на проверку

01:13:11

своему персональному наставнику Мы в

01:13:14

свою очередь

01:13:15

жёсткие регламент не более 24 часов на

01:13:18

то чтобы проверить ваши домашние задания

01:13:20

ответить на все ваши вопросы которые

01:13:22

естественно будут возникать у вас в

01:13:24

процессе обучения и чем больше будет

01:13:26

этих самых вопросов тем будет лучше в

01:13:28

первую очередь для вас как для нашего

01:13:30

студента так и для нашего препода

01:13:31

состава чтобы всегда быть в тонусе после

01:13:34

чего Если система получает двухстороннее

01:13:37

подтверждение с одной стороны от Вас что

01:13:39

Вы довольны обратную связью от своего

01:13:41

наставника и довольны непосредственно

01:13:43

занятием и выставляете ему оценку от 1

01:13:45

до 5 баллов преподаватель свою очередь

01:13:47

также дает свое подтверждение что вы

01:13:49

материал освоили и готовы двигаться

01:13:52

дальше только после этого открывается

01:13:54

доступ к следующему уроку именно в этом

01:13:56

темпе вы будете учиться именно такая

01:13:59

полностью оцифрованная модель позволяет

01:14:02

нам действительно гарантировать

01:14:03

трудоустройство важно что на протяжении

01:14:06

всего обучения вас всегда будет

01:14:08

возможность замены уже приобретённых

01:14:10

программ Я думаю ни для кого не секрет

01:14:12

что последние три года в мире добавили

01:14:16

определенного рода количество вопросов и

01:14:19

Именно поэтому мы прекрасно понимаем что

01:14:22

ситуации бывают разные ситуации может

01:14:25

меняться и поэтому всегда идем нашим

01:14:28

студентам навстречу Поэтому если в

01:14:30

процессе обучения будь то начала

01:14:31

обучения вам потребуется поменять

01:14:34

программу такая опция доступна это

01:14:37

возможность сделать И это еще один плюс

01:14:39

в вашу каким-то спокойствие даже если

01:14:42

например запишитесь на одну программу а

01:14:44

потом поймете что на самом-то деле

01:14:47

хотели заниматься чем-то совершенно

01:14:49

другим или же если жизненные

01:14:52

обстоятельства складываются таким

01:14:54

образом что вам например предложили

01:14:56

должность какого-то сотрудника но с теми

01:14:59

компетенциями которых у вас нет И вам их

01:15:02

очень быстро нужно наверстать то у вас

01:15:03

будет возможность поменять программу

01:15:06

также и доступ

01:15:10

к личному кабинету доступ остается

01:15:13

вместе с вами навсегда и что немаловажно

01:15:16

он будет всегда обновляться то есть

01:15:18

единожды становясь пользователем нашей

01:15:21

платформы с вами навсегда останется

01:15:22

самый свежий и самый актуальный курс все

01:15:25

необходимые обновления которые постоянно

01:15:27

происходят внутри наших программ вы

01:15:30

будете получать бесплатно

01:15:34

помощи практикующего эксперта с вами

01:15:37

навсегда останется служба заботы которая

01:15:39

навсегда придет на помощь что-то найдет

01:15:41

подскажет организует В общем сделать все

01:15:43

от себя зависящее чтобы учиться вам было

01:15:46

легко и комфортно плюс ко всему будем

01:15:48

искренне рада видеть вас числе нашего

01:15:49

закрытого сообщества где помимо

01:15:51

преподавателей других студентов будут

01:15:53

присутствовать представители бизнеса

01:15:55

представители кадровых служб HeadHunter

01:15:57

все те люди наличие которых ваши

01:16:00

записной книге естественно катализирует

01:16:02

процессы связанные с вашим последующим

01:16:05

трудоустройством плюс ко всему мы

01:16:07

выдадим вам сертификат который уже на

01:16:09

документальном уровне

01:16:11

подтвердит ваш квалификацию и если по

01:16:14

каким причинам в процессе обучения Вы

01:16:16

имеете трудоустроитесь то к вам на

01:16:18

помощь придёт наш центр развития карьера

01:16:20

который как раз непосредственно займётся

01:16:22

всеми вопросами связанными с вашим

01:16:24

трудоустройством что касается стоимости

01:16:26

программы настоящий момент её стоимость

01:16:29

составляет 145.000 руб за программу с

01:16:32

гарантией трудоустройства также

01:16:35

отдельная опция и очень популярная

01:16:37

настоящий момент это возможность оплаты

01:16:39

по месяцам маленькими фиксированными

01:16:41

частями наши с вами случае получается по

01:16:45

4280 рублей в месяц с отсрочкой

01:16:50

первого платежа на три месяца и вторая

01:16:53

наша программа которая тоже сегодня

01:16:55

хотелось бы рассказать это профессия

01:16:56

дата сайта её особенно заключается в том

01:16:59

что в процессе обучения вы попробуете

01:17:01

себя в нескольких ролях в роли даты

01:17:04

инженера в роли аналитика данных и в

01:17:06

роли специалиста по машинному обучению и

01:17:10

уже ближе к концу обучения выберите ту

01:17:13

специализацию которая нравится и

01:17:15

подходит именно вам что касается

01:17:21

[музыка]

01:17:23

конечно конечно смотрите Но вот это

01:17:26

программа уже ближе к теме нашего

01:17:28

сегодняшнего интенсива Да

01:17:31

конечно же основной курс это введение в

01:17:36

этот сайт

01:17:37

который расскажет вам о тех инструментах

01:17:40

и тех задачах которые может дать

01:17:45

в том числе погрузим вас немножечко как

01:17:49

и обещали

01:17:50

математику процесса У нас есть отдельные

01:17:54

очень понятные и специально созданные

01:17:57

курсы основ теории вероятности и

01:18:01

статистики И основы прочей математики

01:18:05

этот сайт который сделаны специально для

01:18:07

новичков для тех кого нет опыта в

01:18:09

математике нет опыта вот этот sciensive

01:18:11

pythony да очень подробно на пальцах

01:18:14

опять же объясняют все математические

01:18:16

концепты дальше после основного курса

01:18:20

следующий слайд Максим не спим основы

01:18:25

статистики так дальше у вас есть выбор

01:18:28

трека Вы можете обладая базовым набором

01:18:32

знаний дальше двигаться в сторону машин

01:18:33

Легенда дата инжиниринга или дата

01:18:36

анализа если говорить про эти три

01:18:38

направления очень коротко то нужно

01:18:40

сказать что Machine Learning это такая

01:18:45

вот

01:18:46

промежуточная дисциплина между чистой

01:18:49

аналитикой и чистым программированием

01:18:51

вместе получается Machine Learning

01:18:53

второе направление

01:18:57

чисто программистское Да соответственно

01:19:00

навыки которые нужны даты инженеру тоже

01:19:02

чистая программирование это знание

01:19:04

разных баз данных знаний разных языков

01:19:06

платформ инструментов облачных

01:19:09

технологий и так далее

01:19:12

мы с вами особенно не говорим в этом

01:19:14

интенсиве Ну вот курс у нас такой есть

01:19:18

конечно же чисто для участков для

01:19:21

любителей

01:19:24

смотреть на данные ничего не

01:19:25

программировать это курс дата аналитики

01:19:28

Конечно все равно в нем нужно будет

01:19:30

знать Python нужно будет писать код но

01:19:33

это не сравнить с тем уровнем

01:19:36

программирования который нужен для

01:19:37

остальных курсов Да аналитики

01:19:39

программируют меньше всего в итоге вы

01:19:43

сможете выбрать одну из нескольких

01:19:45

специализаций курс который

01:19:48

учит вас машину дальше развивается в

01:19:51

курс Адванс в котором Вам расскажет не

01:19:54

только про базовые модели машинного

01:19:56

обучения Ну и расскажет про всякие

01:19:57

Advance техники типа снижения

01:19:59

размерности

01:20:01

оптимизации и обучение

01:20:05

сложных моделей

01:20:08

всяких разных Там ансамблей и так далее

01:20:10

и курс Deep Learning который расскажет

01:20:12

вам не только про весь всю цепочку

01:20:16

машин Легенда но еще и про то как

01:20:19

обучаются те самые глубокие нейросети

01:20:21

которым нужны петабайты да и сотни и

01:20:26

тысячи процессорных ядер для обучения

01:20:28

Все это еще занимает неделями

01:20:31

применение Да как мы тоже уже упоминали

01:20:35

Nation Processing а именно распознавание

01:20:39

человеческого языка Если вы вспомните

01:20:43

ассистентов любых голосовых или просто

01:20:45

распознавание речи превращение в текст

01:20:48

это самая обычная задача для начала

01:20:51

имидж процессинг и второе направление

01:20:53

очень популярное это компьютер Vision

01:20:55

все что связано с нейросетями которые

01:20:57

генерируют и анализирует фото или видео

01:21:01

Ну и в области аналитики тоже У нас есть

01:21:04

несколько специализаций и специализация

01:21:06

в продуктовой аналитике то есть

01:21:08

аналитики связанные

01:21:10

с каким-то продуктом для этого работать

01:21:13

в продуктовой компании нужны продуктовые

01:21:16

аналитики аналитик связанная с

01:21:18

маркетингом

01:21:19

и аналитика связанная с бизнесом бизнес

01:21:25

Вот такие у вас есть варианты

01:21:30

супер Михаил я наверное после эфира

01:21:33

попрошу вас остаться и отправить мне тот

01:21:35

Волшебный

01:21:37

English Breakfast чай который как мне

01:21:39

кажется утром выпили потому что

01:21:40

настолько заряженным энергии я просто

01:21:44

сам не заряжаюсь

01:21:51

что будет внутри

01:21:53

вместе с вами выполнил несколько

01:21:55

дипломных проектов

01:21:58

Каких именно

01:22:01

руками

01:22:04

всех самых лучших представителей из

01:22:08

банковского сектора потому что там самые

01:22:11

большие бюджеты на разработку именно там

01:22:14

на наш взгляд работают одни из

01:22:16

действительно самых людей

01:22:35

[музыка]

01:22:53

бросила 4800 рублей в месяц напомню

01:22:56

отсрочки платежа на полгода Некоторые из

01:23:00

наших студентов успевают оплатить свое

01:23:03

обучение Точнее не оплатить а пройти эту

01:23:06

программу труду устраивается и начать

01:23:08

обучение Вот в этих в рамках шести

01:23:10

месяцев также очень важно и то что в

01:23:12

ноябре все те кто записываются на эти

01:23:14

программы получает от нас курс подарок

01:23:17

на странице с распродажей Вы можете

01:23:19

видеть разделение на профессии и курсы

01:23:25

при покупке любой из наших профессий вне

01:23:28

зависимости от того какое направление вы

01:23:30

для себя выберете Может быть вы пришли к

01:23:32

нам сегодня на эфир по программированию

01:23:33

но где-то далеко в душе вы например

01:23:36

дизайнер или может быть

01:23:38

создатель музыки не знаю о чем я о том

01:23:42

что при покупке любой профессии любой

01:23:44

курс вне зависимости от его стоимости и

01:23:46

от его направления Вы можете получить

01:23:48

бесплатно Я даже немного переначу

01:23:51

обязаны взять и получить бесплатно

01:23:54

полагается поэтому сможете может быть

01:23:57

усилить какие-то свои основные

01:23:58

компетенции Так может быть уже ближе к

01:24:01

Новому году выбрать какой-то курс в

01:24:02

подарок для кого-то из своих близких

01:24:05

людей также что касается английского

01:24:07

языка дарил целый год его бесплатно для

01:24:10

того чтобы вам комфортно получилось

01:24:13

потому что программирование и всё таки

01:24:15

английский язык вещь важные и полезно и

01:24:17

хорошее начать можно и без него но знать

01:24:20

его хороший план в этом поможем

01:24:23

бесплатно плюс ко всему

01:24:25

все те скидки которые вы увидите к ним

01:24:28

дополнительно скидка в 10 тысяч рублей

01:24:31

на покупку любого курса Поэтому

01:24:33

оставляйте заявки очень важно оставить

01:24:35

заявку именно сегодня

01:24:37

что касается решения о том Стоит ли

01:24:41

начать обучение или нет вы его

01:24:42

включительно до 2 декабря сможете

01:24:44

принять впереди Еще достаточное

01:24:46

количество времени чтобы все обдумать

01:24:48

проанализировать посмотреть изнутри

01:24:50

принять для себя решение но оставить

01:24:53

заявку важно именно сегодня поэтому ждем

01:24:56

ваши заявки давайте быстро посмотрим о

01:24:58

том что вы пишите в чате на ваши вопросы

01:24:59

постараемся быстро ответить и как можно

01:25:02

скорее вернуться к Михаилу А может быть

01:25:06

даже часто не знаю количество вопросов

01:25:09

Поэтому

01:25:10

если демонстрацию на себя мы вернемся

01:25:15

через 10 или 15 можно небольшую паузу

01:25:18

сделать для того чтобы не были свои

01:25:20

вопросы которые вам адресованы и я на

01:25:23

эти вопросы которые может быть были для

01:25:25

меня адресованы по поводу обучения

01:25:26

Спасибо

01:25:28

Итак друзья возвращаемся к нашей

01:25:31

практике мы с вами остановились на том

01:25:33

что мы немножечко поисследовали данные а

01:25:35

именно посмотрели на гисток на пару

01:25:38

гистограмм и пару столбчатых диаграмм

01:25:41

они по сути по своему смыслу мало Чем

01:25:45

отличаются но отличаются только

01:25:46

названием столбчатые диаграммы

01:25:48

показывают нам количество людей

01:25:50

предпочитающих тот или иной вид отдыха

01:25:53

или принадлежащих к тому или иному

01:25:56

городу

01:25:57

соответственно какие можно сделать

01:25:59

выводы помимо того что очевидно наши

01:26:03

клиенты в основном сосредоточены в более

01:26:06

старшей возрастной группе Хотя

01:26:08

количество 30-45 летних превышает

01:26:11

количество семидесяти восьмидесятилетних

01:26:14

все еще эти

01:26:18

люди предпочитают архитектуру шопинг

01:26:20

пляжный отдых не предпочитают ночные

01:26:22

клубы тоже очевидно из нашей

01:26:25

гистограммы Да никаких дополнительных

01:26:27

выводов

01:26:28

отсюда можно не делать да и так понятно

01:26:31

что люди вот такие хотят такого все

01:26:34

круто

01:26:37

и

01:26:38

график городов показывает нам что мы

01:26:40

представлены в общем-то везде и даже

01:26:42

работаем в виде

01:26:45

этого турагентства за рубежом и основная

01:26:49

аудитория можно сказать не из

01:26:52

центральных городов Центральной России

01:26:54

смотрите из Петербурга Ярославле и

01:26:56

Москвы вообще минимум хотя Казалось бы

01:26:58

ну где самые главные Путешественники

01:27:00

собрались да в крупных городах как

01:27:03

правило нет пожалуйста

01:27:05

вот такое вот распределение есть то есть

01:27:09

наша турагентство можно сказать смело не

01:27:11

работает центральном регионе России

01:27:13

практически нету никакого присутствия

01:27:16

там ну вот вы спрашивали какие можно

01:27:18

сделать выводы из этих данных Чтобы

01:27:19

бизнес наш пошёл в гору опять же данные

01:27:23

Ну тренировочные и выводы тоже примерные

01:27:26

тренировочные можно понять лучше

01:27:28

аудиторию и настроить рекламу как кто-то

01:27:30

предлагал Ну и конечно же

01:27:34

Да ориентироваться в своей маркетинговой

01:27:39

компании и вообще в продажах вообще не с

01:27:41

клиентов да то что вы понимаете кто эти

01:27:44

люди чего они хотят откуда они и какие у

01:27:48

них возможности Да вот еще там был выше

01:27:49

у нас график возможности их вот здесь

01:27:52

вот отображены обладая этими знаниями

01:27:55

аудитории вы уже можете

01:27:57

продавать им

01:27:59

Эти прекрасные курсы и прекрасные

01:28:04

путешествия гораздо эффективнее

01:28:06

соответственно где-то у нас такая же

01:28:09

есть картинка для покупателей курсов с

01:28:12

Максимом вот здесь вот

01:28:14

нас покупатели

01:28:16

туристических путевок давайте мы

01:28:19

попробуем

01:28:21

обладая этими знаниями о наших

01:28:23

путешественниках научиться им

01:28:25

рекомендовать назначение вот посмотрели

01:28:27

на Кто на то кто они откуда они есть

01:28:30

возможности Можем ли мы на основе что

01:28:33

делать

01:28:35

какие-то рекомендации Давайте проверим

01:28:38

турагентство нельзя за рубежом Почему

01:28:41

нельзя за рубежом

01:28:45

Как так получается что ваш курс дороже

01:28:48

чем аналогичный курс так от Google

01:28:51

спрашивает нас Максим вопросов для вас и

01:28:55

про обучение и про смену и про все это

01:28:57

Максим ответит так

01:29:03

так Снежана что-то пишет там не очень не

01:29:06

понял я на основе данных можем оценить

01:29:08

сегмент для кого запустить рекламу если

01:29:10

старики Почему старики

01:29:13

надо понять еще потратил сбережение что

01:29:16

интересует да обязательно нужно сделать

01:29:18

не называл никого стариками это

01:29:20

оскорбительный инклюзивно

01:29:25

как и другими словами никого предлагаю

01:29:29

не называть

01:29:30

вместо этого сосредоточиться на машинном

01:29:32

обучении которая

01:29:35

мы прямо сейчас начнем начнем мы с

01:29:41

этапа подготовки данных нам нужно с вами

01:29:44

подготовить данные для того чтобы модель

01:29:46

машины обучения могла на них научиться и

01:29:49

цель наша напомню да

01:29:53

рекомендовать какое-то назначение

01:29:55

какой-то город

01:29:59

город для путешественников смотрите что

01:30:01

у нас есть у нас с вами есть табличка

01:30:04

с 1000 примерами

01:30:06

есть 1000 примеров тысячи примеров

01:30:09

разных людей из разных городов с разными

01:30:11

возможностями которые куда-то полетели

01:30:13

Мы хотим из этой табличке примеров

01:30:16

извлечь какие-то концентрированные

01:30:18

знания

01:30:20

сконцентрированные знания это конечно

01:30:22

сказать

01:30:25

как-то можно сделать сделать можно с

01:30:27

помощью моделей машинного обучения

01:30:28

модель

01:30:29

машинного обучения ее задача

01:30:33

модели

01:30:34

машинного обучения Какая задача для неё

01:30:38

стоит в процессе ее обучения я задача

01:30:41

стоит в том чтобы найти закономерность

01:30:43

найти закономерности

01:30:48

в данных разные модели

01:30:51

закономерности по-разному Как умеют

01:30:56

умеют например

01:30:59

линейный регрессия есть такой алгоритм

01:31:01

называется Линейная регрессия

01:31:05

линейной зависимости

01:31:08

какая-нибудь какой-нибудь алгоритм вроде

01:31:11

деревьев решений

01:31:14

ищет

01:31:15

ищет закономерности

01:31:19

разделяя

01:31:20

наш дата сад на множество маленьких

01:31:23

кусочков Да чтобы в итоге принять

01:31:25

решение короче подробнее про линейную

01:31:28

регрессию и про деревья решение про то

01:31:30

как они работают мы поговорим в третий

01:31:32

день но

01:31:34

если коротко работа они совершенно

01:31:36

по-разному вообще друг на друга не

01:31:38

похожа но при этом делают одно и то же

01:31:40

они ищут закономерности в данных эти

01:31:43

закономерности им позволяют дальше

01:31:44

делать Что позволяет им предсказывать да

01:31:48

то есть делать прогноз для чего-то что

01:31:51

на самом деле неизвестно модель может

01:31:54

сделать прогноз может оценить

01:31:55

вероятность того что конкретный человек

01:31:57

захочет полететь в этот самый Лондон в

01:32:00

этот самый нью-йорк и другие города

01:32:02

какие у нас есть города

01:32:04

можно посмотреть трипс дата точка Таргет

01:32:09

точка вэлью

01:32:12

каунтю каунтс Это команда которая

01:32:15

считает

01:32:17

читает

01:32:18

липерство вхождений

01:32:23

то есть среди этих

01:32:27

тысячи примеров 203 человека полетела в

01:32:30

Париж 201 нью-йорк 119 Лондон 119 Токио

01:32:34

Токио кажется не так пишется 198

01:32:39

не случайно эти числа очень близки до

01:32:43

специальной мы подобрали для вас такую

01:32:46

выборку

01:32:47

равномерную так вот вернемся к нашей

01:32:50

модели наша модель должна будет выбрать

01:32:52

один из вариантов чтобы отправить до

01:32:55

человека мы обучаем именно вот этих

01:32:58

направлениях на этих направлениях

01:32:59

сосредоточена наша

01:33:02

турагентство других вариантов нет только

01:33:04

5 городов соответственно задача которую

01:33:07

мы сами решаем с наводчиками точки

01:33:09

зрения называется классификация

01:33:11

классификация Это задача

01:33:16

выбора 1 наиболее вероятного

01:33:21

вероятного варианта из предложенных

01:33:25

соответственно в классификации у вас

01:33:27

всегда есть варианты

01:33:30

5 и вы всегда один из них выберите не

01:33:34

сможет наша модель Сколько бы мы классно

01:33:36

не обучали придумать Новый Город

01:33:37

которого нет в этом списке и куда она

01:33:40

отправит нашего человека нет

01:33:42

классификации задача выбора наиболее

01:33:44

вероятного варианта соответственно

01:33:45

приходит Новый человек

01:33:47

приходит Новый клиент

01:33:51

э-э приходит Новый клиент мы смотрим на

01:33:57

его данные да точнее модель

01:34:00

смотрит на его данные зарплату там

01:34:04

возраст

01:34:06

и

01:34:08

в итоге

01:34:11

классифицирует модель занимается

01:34:13

классификация на классифицирует

01:34:16

сказать проще чем написать клиента

01:34:23

любителя

01:34:28

или путешественника

01:34:32

в нью-йорк А вот такие вот

01:34:36

классы будет назначать наша модель у нас

01:34:39

будет любитель сидна и путешественник

01:34:41

нью-йорк

01:34:44

эпитеты другие придумаем в общем-то

01:34:46

модель будет заниматься классификации

01:34:48

людей по признаку В какой город им

01:34:51

скорее всего лучше отправиться

01:34:59

и что нам нужно для того чтобы модель

01:35:03

наконец научилась вот это все делать

01:35:05

звучит прекрасно потрясающая

01:35:08

Мы хотим извлекать концентрированные

01:35:10

знания с помощью модели машинного

01:35:12

обучения которая найдет закономерности и

01:35:14

сможет классифицировать людей для этого

01:35:18

нужно сделать большую работу нужно

01:35:20

сделать большую работу по подготовке

01:35:21

данных

01:35:26

готовка данных готовим данные к обучению

01:35:29

Для этого нам нужно

01:35:32

разделить данные на несколько частей

01:35:35

во-первых мы разделим данные на так

01:35:37

называемый входные данные

01:35:40

входные и так называемые выходные данные

01:35:44

здесь все как математике

01:35:47

Y и

01:35:48

входные данные выходные это то что мы

01:35:51

подаем на вход и выход нашей модели

01:35:53

соответственно вход модели Обычно

01:35:57

говорят подают

01:36:00

подают данные

01:36:06

основе которых можно

01:36:10

сделать предсказание

01:36:14

а Y это выходные данные это собственно

01:36:17

само сказание

01:36:21

перед тем как модель будет делать

01:36:23

собственно предсказание мы им подадим

01:36:26

известный нам заранее X и Y то есть мы

01:36:29

подадим на вход X а именно зарплату

01:36:32

возраст

01:36:34

город все остальное

01:36:38

само предсказание Y это колонка которая

01:36:41

называется Таргет то есть город куда

01:36:43

отправляемся

01:36:45

соответственно задача модели Да еще раз

01:36:51

пойти закономерность

01:36:54

между иксом и

01:36:58

y то есть между данными которые подаем

01:37:00

на вход и ожидаем от нее на выходе

01:37:01

модель если найдет закономерность она

01:37:04

подстроится и начнет на выходе выдавать

01:37:07

то что нам нужно

01:37:10

математические можно записать это как

01:37:19

Y равно

01:37:26

в математических терминах мы вдаваться

01:37:29

не будем давайте рассмотрим очень

01:37:31

простой пример

01:37:34

[аплодисменты]

01:37:36

простой Пример например

01:37:41

временно отвлечемся от задачи с

01:37:44

путешественниками и возьмем задачу

01:37:48

задача

01:37:51

предсказания цены дома давайте

01:37:56

рассмотрим много раз Как пример с

01:37:59

пончиками так вот задача предсказания

01:38:01

цены дома это такая упрощенная Задача в

01:38:03

которой У вас есть цена

01:38:06

и цена Это зависит как-то от площади

01:38:10

рассматриваем всего лишь два

01:38:14

то лишь два показателя Давайте

01:38:17

предсказание цены дома по площади Ну и

01:38:19

вы для себя ответьте что из этого X что

01:38:22

из этого Y Да цена и площадь

01:38:28

получается что мы зная площадь

01:38:33

то есть входные данные пытаемся

01:38:35

предсказать цену получить какие-то

01:38:39

Выходные да

01:38:42

а давайте

01:38:44

тут же для себя Нарисуем какую-то

01:38:47

выборку допустим у нас есть Дом который

01:38:50

стоит

01:38:51

я не знаю

01:38:53

100 тысяч долларов

01:38:56

его площадь 50 квадратных метров

01:39:00

а есть дом площадью 300

01:39:05

стоимостью 300 тысяч долларов его

01:39:07

площадь там 152 метра

01:39:11

есть дом

01:39:13

скажем за

01:39:16

500

01:39:18

а за полмиллиона долларов площадью

01:39:25

получается

01:39:28

258

01:39:30

если Посмотрите на эти значения я могу

01:39:33

их продолжать то вы как бы свои

01:39:35

смекалкой легко догадаетесь что что-то

01:39:38

здесь никакая сложная математика не

01:39:40

нужна можно просто посчитать какую-то

01:39:41

среднюю цену за метр квадратный

01:39:44

правильно Так все делают кто покупает

01:39:46

квартиры или дома и вы будете правы

01:39:49

действительно

01:39:50

если посчитать

01:39:53

среднюю цену

01:39:56

цена за метр квадратный Какая получится

01:40:01

да кучу пайтона сейчас не нужно

01:40:05

записывать очень легко это сделать да

01:40:08

от тысяч до мы поделим на 50

01:40:13

Вот получается средняя цена

01:40:15

Вот служим это с другими

01:40:19

средними ценами разделим на 3

01:40:24

получим среднюю в этой выборке цену за

01:40:26

метр квадратный

01:40:29

Да все это еще разделить на 3

01:40:31

[музыка]

01:40:33

получится Вот какая-то такая средняя

01:40:35

цена

01:40:36

1970 все знает одно число Вы можете

01:40:39

дальше предсказывать

01:40:43

стоимость дома Вот вам дом 500

01:40:46

квадратных метров вы легко зная среднюю

01:40:50

цену Получите его стоимость

01:40:56

в общем то что мы сейчас с вами сделали

01:40:58

вот эта мысленное упражнение это то как

01:41:00

работает простейшая модель регрессии

01:41:03

она подбирает коэффициент вот буквально

01:41:06

вот такие вычисления она делает и в

01:41:08

итоге может делать дальше предсказание

01:41:10

все в реальности немножко сложнее но

01:41:15

на таком вот простом примере из двух

01:41:17

показателей вообще очевидно даже не

01:41:20

нужно никакого Михаила из YouTube чтобы

01:41:22

вам объяснить как найти здесь

01:41:23

закономерность соответственно

01:41:29

а все эти точки лежат на одной какой-то

01:41:32

прямой Да прямой которая выражается

01:41:35

уравнением

01:41:36

Y равно X умножить на 1970

01:41:41

Y это у нас цена дома X это входные

01:41:45

данные это площадь 1970 это вот это вот

01:41:48

та самая зависимость та самая секретное

01:41:50

знание которое модель то самое

01:41:53

концентрированное знание которое модель

01:41:54

должна найти Да вот это

01:41:58

концентрированное знание в данном случае

01:41:59

цена за квадратный метр Ну в нашем

01:42:01

случае концентрированное знание состоит

01:42:04

других закономерностях между тем куда

01:42:07

полетел в итоге и какие у него были при

01:42:09

этом входные

01:42:12

так вот Давайте этим самым займемся у

01:42:16

нас будет X у нас будет Y

01:42:28

гипотезы Снежана что-то там

01:42:33

[музыка]

01:42:35

предметной области аналитика уровня

01:42:36

Пальцем в небо Ну

01:42:38

мы пока еще никакой аналитики не сделали

01:42:41

Снежана мы пока только посмотрели на

01:42:43

графике

01:42:45

и сейчас будем делать машинное обучение

01:42:52

аналитику я предлагаю сделать

01:42:54

самостоятельно а графики только

01:42:56

инструменты того как на нее можно

01:42:57

посмотреть

01:42:59

Ну и конечно же вся эта история про

01:43:01

турагентство Снежана целиком выдумано

01:43:04

мной от начала и до конца в моем больном

01:43:06

сознании родились люди которые вот

01:43:10

обладает всеми этими характеристиками Вы

01:43:12

даже можете найти какие-то вкрапления

01:43:14

легких шуток Да например в транспорт

01:43:17

преференс

01:43:20

заложена шутка и вообще мы здесь с вами

01:43:23

не серьезно Снежана мы с вами здесь для

01:43:26

развлечения Да мы пытаемся понять как

01:43:29

эти доцентисты там внутри себя думают и

01:43:32

немножко научиться поэтому

01:43:38

люди путешествуют на космических

01:43:41

кораблях никогда такого не бывает

01:43:52

вот X Y это

01:43:56

то что можем легко получить из

01:44:01

пандосе есть уже готовые инструменты

01:44:05

например чтобы получить X нам нужно

01:44:09

взять

01:44:19

а это то что нас пойдет в X это входные

01:44:22

данные на основе которых мы делаем

01:44:24

предсказание соответственно я возьму

01:44:26

трипс дата и выкину из нее колонку

01:44:29

Таргет это положу X для того чтобы

01:44:33

выкинуть колонку в пандосе есть функция

01:44:36

Drop

01:44:37

дроп означает

01:44:42

уже и урок английского языка ведь как

01:44:45

полезно

01:44:47

выкинуть А вот что выкинуть указывается

01:44:50

вторым аргументом

01:44:52

равно 1 означает что мы пытаемся

01:44:55

выкинуть колонку

01:44:57

можно еще выкинуть строчку

01:45:06

Ну и чтобы получить наш

01:45:09

Y мы просто напишем tripsdata.tarkett

01:45:12

и одна три пиздато при этом не

01:45:14

пострадает Несмотря на то что мы колонку

01:45:16

выкидываем это делается Ну временно вот

01:45:19

в этой строчке кода на самом деле

01:45:20

tripsdata не меняется в этих

01:45:24

двух строчках в этих выражениях

01:45:27

наш исходные данные трипстата никак не

01:45:30

меняются они будут точно такими же

01:45:31

Какими были до этого

01:45:33

Сколько по времени длится вебинар ну

01:45:35

где-то часа два

01:45:38

самостоятельно Понятно крутая учеба

01:45:42

Андрей пишет что-то самостоятельно Я

01:45:44

помню говорил ничего про самостоятельно

01:45:45

но в целом скажу Андрей вам и другим

01:45:48

нашим слушателям Да что учёба это в

01:45:51

принципе вещь самостоятельно невозможно

01:45:53

человека ничему Научить можно дать

01:45:55

только ему шанс научиться этому

01:45:58

скажет любой педагог Да нельзя человека

01:46:02

заставить впихнуть в его голову эти

01:46:04

знания Нет Нет можно только дать ему

01:46:06

шанс дать ему мотивацию дать ему хорошие

01:46:10

примеры хороший план зажигательный речью

01:46:13

его привлечь в свою область И тогда все

01:46:17

будет хорошо а научить человека поверьте

01:46:19

Я этим занимаюсь много лет но нельзя Это

01:46:21

невозможно можно только дать возможность

01:46:23

научиться

01:46:26

пожалуйста скиньте код на проживание

01:46:28

людей в городах мне для аналитики

01:46:30

таблица нужна

01:46:33

кот на проживание в городах

01:46:36

проживание в городах посыл по скидке по

01:46:39

акции я не очень понял Никит Напишите

01:46:41

подробнее чего что

01:46:43

Excel до 15 тысяч строчек делает только

01:46:47

анализ Да наверное не знал

01:46:50

это можно анализировать без проблем в

01:46:53

Excel диаграмму Конечно можно Да нет

01:46:55

пандас это я шесть начал с этого

01:46:57

программистов он обладает теми же

01:46:59

возможностями Ну и конечно сильно

01:47:01

большими более гибкий

01:47:06

подготовили мы данные

01:47:08

будем их пихать Ту самую модель того

01:47:12

самого машинного обучения

01:47:18

смотрите что случилось

01:47:21

Я могу

01:47:24

демонстрировать Вам что у нас получилось

01:47:26

видик со Y с помощью Вот таких вот

01:47:30

выражений означает размерность да то

01:47:34

есть фигура по-английски Соответственно

01:47:38

по сути это размерность соответственно

01:47:40

нашим и все наши мы все 1000 примеров и

01:47:44

6 колонок в нашем игреке у нас с вами

01:47:47

Всего лишь 1000 примеров там нет колонок

01:47:50

Там просто это есть колонка

01:47:54

и Чтобы напомнить вам как выглядит X я

01:47:56

могу просто написать X и вот мы пытаемся

01:47:59

на основе sellary City Age и прочих

01:48:02

данных сделать вывод о том куда человек

01:48:05

в итоге полетит потому что рядом с

01:48:07

каждой строчкой Да у нас есть еще ответ

01:48:11

да наш Y то есть каждому иксу из тысячи

01:48:15

иксов соответствует один конкретный

01:48:19

Y и по этим примером модель должна

01:48:22

собственно найти закономерности она

01:48:24

должна посмотреть А вот это Краснодаре с

01:48:26

25-летний С такой зарплатой полетел в

01:48:29

итоге куда он там полетел Давайте

01:48:31

посмотрим

01:48:33

Да он полетел в нью-йорк

01:48:37

Ну это просто та же самая таблица просто

01:48:39

разбитая на две части

01:48:41

Вот и на этих данных на этом обучающем

01:48:45

примере модель научится что Краснодар C

01:48:48

25 летний с такой зарплатой летают в

01:48:50

нью-йорк потом на встрече других

01:48:51

краснодарцев они оказываются летят

01:48:54

куда-нибудь в Сидней да Или Лондон и

01:48:59

будет модель пытаться найти между ними

01:49:01

разница в чем же разница между этими

01:49:02

государствами Почему один полетел именно

01:49:05

в Лондон а другой именно в нью-йорк

01:49:07

Можем ли мы найти эти закономерности

01:49:09

короче

01:49:10

обладая некой статистикой потому куда

01:49:13

обычно летают краснодарцы модель Может в

01:49:15

общем-то более или менее неплохо это

01:49:17

предсказать Единственная проблема для

01:49:20

любой модели это взаимодействие с ней

01:49:23

числовыми параметрами модель как правило

01:49:25

математическая машина обучение она умеет

01:49:28

работать хорошо с цифрами зарплата

01:49:31

прекрасно

01:49:32

количество членов семьи великолепно Что

01:49:36

такое шопинг автомобилей и Томск модель

01:49:38

не имеет ни малейшего представления чем

01:49:40

Томск отличается Екатеринбурга она

01:49:42

сказать не может чем 60 отличается от 49

01:49:45

она знает потому что она модель

01:49:48

математическая она может с этими числами

01:49:50

что не сделать Может их сравнить Да

01:49:52

понять что одно число больше другого и

01:49:55

сделать на основе этого какой-то вывод с

01:49:57

буквами Она того сделать не может ей

01:49:59

непонятно Ничего из этого поэтому мы

01:50:02

сейчас должны будем с вами решить одну

01:50:04

из промежуточных задач которые возникают

01:50:06

все время перед отцентистами а именно

01:50:08

превращение Таких вот данных Таких вот

01:50:11

колонок в что-то более вразумительное а

01:50:14

именно в числа

01:50:17

такие колонки которые не содержат числа

01:50:19

содержат какие-то категории обычно

01:50:22

называют категориальными да то есть вот

01:50:24

этот человек относится к категории

01:50:25

любителей автомобилей А вот этот человек

01:50:28

относится к категории любителей

01:50:29

архитектуры А вот этот человек относится

01:50:31

к категории жителей Томска Да все эти

01:50:34

данные категориальные и нам нужно их

01:50:36

превратить из категориальных собственно

01:50:38

в числовые так чтобы их можно было между

01:50:41

собой сравнивать

01:50:43

разные варианты как это сделать можно

01:50:45

обозначить их как-нибудь там цифрами

01:50:48

например Краснодар будет Екатеринбург

01:50:51

Томск будет 3 и так далее

01:50:55

это очень удобно Для нас людей и так

01:50:59

множество в реальной жизни задачи

01:51:01

решается но в датсансе не подходит

01:51:03

потому что модель захочет это числа

01:51:05

сравнивать А как это получается что

01:51:08

Краснодар один Омск 3 Томск что в три

01:51:10

раза больше Краснодара или три раза

01:51:12

важнее и что нет нет никаких связей

01:51:14

между этими двумя числами искусственно

01:51:16

назначенными нами поэтому мы не можем

01:51:18

обозначить Краснодар за один

01:51:20

Екатеринбург за два за три это Не

01:51:22

сработает это не даст желаемого эффекта

01:51:26

Это создаст только путаницу модель будет

01:51:28

думать

01:51:29

что-то лишнее Да мы какую-то дадим ей

01:51:32

информацию которой не было мы её

01:51:33

выдумаем и все будет зависеть от того

01:51:35

порядка в котором пронумеруем эти города

01:51:37

Короче ничего не получится

01:51:39

другой вариант

01:51:41

гораздо более удобный это

01:51:43

воспользоваться

01:51:45

инструментом в пандосе есть инструмент

01:51:48

который называется

01:51:49

и занимается он тем что преобразует

01:51:53

категориальные колонки в бинарные

01:51:56

синичками нулями как это выглядит Сейчас

01:51:59

покажу

01:52:00

набираем Панда с gadames Передаем туда

01:52:03

наш дата фрейм дата Передаем туда

01:52:08

[аплодисменты]

01:52:09

теории колонки

01:52:14

которые Нас не устраивают например

01:52:17

давайте начнем с колонки Сити Она нас не

01:52:19

устраивает

01:52:21

а точнее мы не в трипс дата А вы все уже

01:52:25

конкретно да

01:52:30

это X как переменная содержащая вот

01:52:34

табличку нас не устраивает вне колонка

01:52:36

Сити

01:52:37

получится если мы применим к табличке X

01:52:41

операцию

01:52:43

вместо колонки Сити которая была у нас

01:52:47

одной

01:52:48

со всякими значениями мы получим в

01:52:51

результате множество колонок Сити

01:52:53

Смотрите сколько их Екатеринбург Сити

01:52:56

Краснодар Сити Минск Сити Москва

01:52:59

Сити Петербург и так далее Все это

01:53:04

отдельные колонки теперь в этих колонках

01:53:07

вместо того чтобы было написано название

01:53:09

города название города теперь написано

01:53:11

название колонки А в значении нолики

01:53:13

единички нолики единички

01:53:15

интерпретировать очень легко Дело в том

01:53:17

что единичка Это значит что человек

01:53:19

этого города а нолик что человек не из

01:53:22

этого города очень просто эти колонки в

01:53:25

итоге называются бинарными только

01:53:27

значение ноль

01:53:29

Чем это полезно Выглядит как будто вы

01:53:31

просто раздули наши данные до

01:53:33

невообразимых масштабов если их тем

01:53:34

городов городов этих там 500 что у нас

01:53:36

будет 500 колонок Да друзья да будет 500

01:53:39

колонок для машины для модели машинного

01:53:42

обучения Не важно сколько у вас колонок

01:53:44

Да

01:53:45

сколько у вас строчек она обучиться хоть

01:53:47

на одной на одном примере Да просто

01:53:50

будет бесполезно

01:53:52

так вот да для каждого города мы

01:53:55

создадим по отдельной колонки таким

01:53:57

образом операции за нас уже это сделала

01:54:00

создала по отдельной колонке поставила

01:54:02

там нолики единички и нас это полностью

01:54:05

устраивает теперь эти числа

01:54:06

действительно можно сравнивать вот эта

01:54:09

колонка теперь означает что человек

01:54:14

принадлежит городу Краснодар один

01:54:17

означает Да принадлежит 0 означает Нет

01:54:19

не принадлежит Все очень просто двух

01:54:21

человеков сравнить очень легко этот

01:54:23

краснодарец Это не краснодарец это

01:54:25

екатеринбуржец этот Екатеринбург

01:54:29

эти числа теперь не противоречат

01:54:32

реальности да

01:54:35

то же самое мы сделали не только с

01:54:36

колонкой Сити но и социальными колонками

01:54:39

можно было и через df-сети юник такое

01:54:42

сделать

01:54:44

Это вы про что

01:54:51

Сити нас не устраивает нас также не

01:54:54

устраивает в acation reference

01:54:56

и нас также не устраивает транспорт

01:54:59

референс

01:55:01

все эти колонки здесь перечислю

01:55:03

В итоге получить

01:55:06

новый улучшенный X

01:55:12

давайте вы назовем x-doms

01:55:16

экзамен равно Панда с детдомец и

01:55:20

у нас получится новая переменная в

01:55:22

которой уже сильно

01:55:26

больше колонок

01:55:31

получится 1000 строчек 20 колонки про

01:55:34

новые Столбцы

01:55:36

Да новый Столбцы можно создать вручную

01:55:39

да как вы хотите просто Get damis делает

01:55:43

для вас это просто и удобно в одну

01:55:45

строчку можно в принципе обходиться

01:55:48

вообще без каких библиотек без пандуса

01:55:50

без ничего делать все руками так же как

01:55:53

вы в реальной жизни можете обойтись без

01:55:55

Excel и Посчитать все в уметь

01:55:57

согласитесь Ну не очень удобно

01:55:59

воспользоваться готовыми инструментами

01:56:02

следующем готовым инструментом которым

01:56:04

мы воспользуемся будет модель машинного

01:56:07

обучения в реальной жизни перед тем как

01:56:11

пинать обучение вам нужно выбрать модель

01:56:14

нужно выбрать модель

01:56:18

точнее алгоритм Да если строк алгоритм

01:56:22

выбрать его правильные настройки

01:56:25

и померить

01:56:29

измерение померить

01:56:38

учишься модели

01:56:42

а насколько хорошо она предсказывает

01:56:43

насколько

01:56:45

насколько можно верить предсказаниям

01:56:48

можно верить

01:56:54

задачи Это задача доцентист

01:56:59

алгоритм выбрать настройки этого

01:57:00

алгоритма померить в итоге получившееся

01:57:03

качество насколько модель качественно

01:57:04

предсказывает насколько им можно верить

01:57:06

эти задачи мы с вами постепенно

01:57:09

рассмотрим в течение двух дней следующих

01:57:11

но сейчас алгоритм за вас выберу я

01:57:14

выберут настройки для него я а качество

01:57:17

модели мы вообще мерить не будем мы

01:57:19

доверимся на сегодняшний день завтра

01:57:22

научимся уже полноценно мерить качество

01:57:26

А сегодня пока что просто повторяем мы

01:57:29

захотим из библиотеки с колен

01:57:32

а библиотека искалер это самая

01:57:35

популярная библиотека для

01:57:37

моделей машинного обучения там этих

01:57:39

моделей у алгоритмов столько закачаешься

01:57:42

Мы завтра посмотрим документацию там

01:57:44

вообще красота

01:57:46

в этом самом искалерне есть

01:57:48

замечательный модуль который содержит

01:57:51

один из моих любимых алгоритмов который

01:57:54

называется рендом Форест

01:58:00

что есть классификатор есть

01:58:05

это нам еще раз намекает что в машину

01:58:09

Две таких вот основных задач

01:58:12

классификации больше много разных других

01:58:15

задач Ну вот эти те из которых стоит

01:58:17

начать свое знакомство это классификации

01:58:20

регрессия мы с вами сегодня решаем

01:58:22

классификацию напомню классификация это

01:58:25

выбор из заранее известных вариантов

01:58:28

у нас выгрето только заранее известные

01:58:31

ответы Не может быть такого чтобы выгрек

01:58:33

забрался какой-нибудь неизвестный город

01:58:37

Да

01:58:40

поэтому мы занимаемся классификацией

01:58:42

завтра мы будем предсказывать

01:58:45

цену валюты да А цена валюты может быть

01:58:49

любой может быть один рубль может быть 2

01:58:51

рубля может быть 10 с половиной рублей а

01:58:53

может быть миллион рублей такая задача

01:58:55

уже называется задача регрессии потому

01:58:57

что в ней ответы заранее неизвестны они

01:59:00

могут быть любыми

01:59:02

классификация как же обучить модель

01:59:04

классификации вот это вот все ваши

01:59:05

машинное обучение наверное очень сложно

01:59:08

спросите вы на самом деле сложный этап

01:59:10

мы пропустили выбрал алгоритмы выбор

01:59:13

настройки часто это связано с большим

01:59:15

количеством экспериментов

01:59:18

много много

01:59:21

экспириментов Дело в том что задача

01:59:24

работа точнее доцентиста она

01:59:28

не так

01:59:30

не так

01:59:32

выражено Да не так выглядит как работа

01:59:34

скажем программиста потому что слово

01:59:37

Science название дата сайнс намекает на

01:59:41

то что это наука где вам нужно что-то

01:59:45

новое понять вам нужно проводить

01:59:47

эксперименты вы заранее да не можете

01:59:50

сказать Какой из подходов заработает

01:59:52

Какая модель будет наиболее лучший Какие

01:59:54

настройки будут Самыми хорошими Какие

01:59:57

ваши преобразования данных может быть то

02:00:00

как мы разделили данные

02:00:02

Столбцы может быть вообще не подходит

02:00:04

может быть какие-то из этих данных

02:00:07

бесполезны может быть от возраста вообще

02:00:09

ничего не зависит мы этого всего не

02:00:11

знаем и не узнаем пока не проведем

02:00:13

множество экспериментов Как понять

02:00:15

Зависит ли что-нибудь от возраста в

02:00:17

нашей модели или нет Да какие у вас есть

02:00:19

мысли

02:00:21

Я знаю как минимум парочку ответов

02:00:23

которые подойдут Итак Как

02:00:26

воспользоваться этой моделью очень

02:00:28

просто нужно создать переменную я так

02:00:30

назову моду

02:00:33

и таким образом создать модель Да там

02:00:38

еще можно указать настройки

02:00:41

пока что-нибудь создаем модель пока что

02:00:45

не обученная нужно ее обучить для этого

02:00:49

мы говорим

02:00:51

это собственно

02:00:53

обучить найти

02:00:59

или еще найти закономерность

02:01:03

или значение слова фид в английском

02:01:06

ближе к тому чтобы подстроиться

02:01:10

это именно то что делает модель

02:01:12

машинного обучения и здесь нужно быть

02:01:14

очень аккуратным модель машинного

02:01:16

обучения не какой-то Волшебный

02:01:17

инструмент он может всегда и очень легко

02:01:20

сработать против вас все что делает

02:01:22

модель

02:01:24

Это подстраивается почему подстраивается

02:01:27

потому что вы даете конкретный вход и

02:01:29

конкретный выход да модель Находится

02:01:32

между этим входом и выходом

02:01:37

и Её задача Да это я так сказал найти

02:01:42

закономерности это нам бы хотелось чтобы

02:01:43

она нашла закономерности но по сути она

02:01:46

занимается подстройкой подстройкой своей

02:01:48

чтобы из икса действительно получался Y

02:01:51

иногда это принимает какие-то

02:01:54

страшные черты Да модель начинается

02:01:57

давать какую-то чушь только для того

02:01:58

чтобы подстроиться Да запоминать

02:02:00

какие-то конкретные примеры это одна из

02:02:03

проблем с которыми сталкивается

02:02:04

доцентист Да это переобучение или

02:02:07

недообучение в общем проблем Здесь много

02:02:10

и

02:02:11

машинное обучение всё ещё не золотая

02:02:15

пуля здесь огромное количество головной

02:02:17

боли

02:02:18

Как правильно ее обучить

02:02:21

Как правильно подать на вход данные

02:02:23

выбрать настройки проверить качество

02:02:24

провести эксперименты все это есть

02:02:27

навыки датцентиста которыми вы должны

02:02:31

будете обладать чтобы устроиться на

02:02:32

работу

02:02:35

запустить Model Fit

02:02:39

требуется передать X

02:02:42

Y У нас есть X и Y

02:02:44

напомню что мы положили в переменную X

02:02:48

Да это именно правильный формат входных

02:02:51

данных

02:02:52

и результатом вот это вот выражение

02:02:55

вычисление будет просто обученная модель

02:02:57

все она обучилась готова машинное

02:03:00

обучение закончилось это и есть оно все

02:03:02

точка модель обучилась не готова к

02:03:05

использованию

02:03:07

конечно получили эту модель я напомню Мы

02:03:10

в результате большого количества сложной

02:03:13

работы

02:03:15

теперь как я воспользоваться

02:03:16

воспользоваться

02:03:18

моделью можно очень просто у неё есть

02:03:22

два

02:03:24

очень удобных метода это приди к придет

02:03:30

проба Ну слово проба от английского

02:03:32

пробилити Да вероятность

02:03:38

Да прогноз как модель делает прогноз Как

02:03:41

сделать Про нос пользоваться модели

02:03:45

давайте мы этим и займемся

02:03:49

новую модель попросим нам сделать

02:03:52

предсказание А еще у модели есть

02:03:54

возможность быстрой оценки качества Да

02:03:56

поверхностная

02:03:58

поверхностное оценка качества по сути

02:04:03

это

02:04:04

научно будет называется curise на

02:04:07

тренировочный выборки

02:04:11

а сделать это можно вот так model.score

02:04:16

X

02:04:18

Y Передаем ей

02:04:20

то насколько модель хорошо запомнила вот

02:04:24

эту выборку да тренировочно

02:04:27

насколько модель хорошо запомнила

02:04:34

Ладно запомнил может быть неправильное

02:04:36

слово насколько модель хорошо

02:04:37

предсказывает

02:04:38

[музыка]

02:04:46

на тренировочной выборке то есть мы

02:04:49

сейчас говорим только про одну выборку

02:04:50

она у нас есть это наша табличка

02:04:53

тренировочная Завтра мы поговорим про

02:04:56

другие еще

02:04:57

биение на тестовую выборку и

02:05:00

тренировочную а пока что вот модель

02:05:03

справилась хорошо с тем чтобы пройтись

02:05:05

по этой табличке и найти там для себя

02:05:08

закономерность

02:05:09

самым худшем случае напомню модель

02:05:12

просто запомнит эту всю табличку да то

02:05:14

есть она не найдет никаких

02:05:15

закономерности закономерности это

02:05:19

люди из Краснодара на 25 процентов более

02:05:23

вероятно полет в Лондон да И 60-летние

02:05:28

там не знаю 30 процентной вероятностью

02:05:30

более Вероятно это закономерность А вот

02:05:34

что модель может сделать вместо этого

02:05:36

она может запомнить все строчки это тоже

02:05:39

возможно в некоторых моделей моделях

02:05:41

например она может найти такую

02:05:42

закономерность абсолютно все краснодарцы

02:05:44

зарплаты 196 тысяч рублей из возрастом

02:05:48

25 любители шопинга автомобилей с одним

02:05:50

членом семьи все вот такие краснодарцы

02:05:53

должны лететь куда они там должны лететь

02:05:56

в Лондон нью-йорк Вот это когда модель

02:05:59

запоминает сами примеры Да и выдает

02:06:02

закономерности называется переобучение

02:06:05

такое тоже возможно но мы об этом

02:06:09

поговорим попозже Итак модель что-то

02:06:13

справилась что-то сделала Давайте

02:06:14

наконец посмотрим на ее результат может

02:06:17

ли она выдать какой-нибудь результат для

02:06:20

этого я напишу

02:06:23

немного магического кода на волшебном

02:06:27

языке пайтона

02:06:32

for Call incams

02:06:39

код я напишу

02:06:42

И вам рекомендую скопировать у меня Да я

02:06:45

сейчас не буду объяснять

02:06:48

его на русский это переводится как для

02:06:51

каждой колонки сделать

02:06:54

пустое значение

02:06:59

вот это вот

02:07:01

вот это вот

02:07:04

получившийся я скопирую

02:07:07

Control цена до скопировать и в новой

02:07:11

ячейке вставлю напишу Example равно

02:07:14

у меня получится Вот такая вот ячейка с

02:07:17

кодом который я могу подставить

02:07:18

конкретные значения Ну давайте мы

02:07:21

рассмотрим какого-нибудь екатеринбуржца

02:07:24

с двумя членами семьи зарплатой Я не

02:07:28

знаю там 120 рублей

02:07:31

в возрасте

02:07:33

52 лет этот любитель архитектуры и

02:07:38

самолетов

02:07:40

хочет куда-то отправиться в путешествие

02:07:43

он приходит к нам и

02:07:46

мы его собственно подадим на вход модели

02:07:51

для этого нужно его данные обернуть в

02:07:55

простенький дата фрейм

02:07:58

это нужно писать такое выражение

02:08:02

экземпол запятая колум все равно

02:08:08

короче немножечко сложное выражение но в

02:08:11

итоге получится очень простой результат

02:08:18

очень простой результат а именно

02:08:23

командах Это позволяет вывести его на

02:08:25

экран а именно получится табличка

02:08:28

состоящая из одной строчки вот этот наш

02:08:31

екатеринбуржец 52 лет вот он вот все его

02:08:35

данные которые мы заполнили и вот в этом

02:08:37

формате в формате Data Frame мы уже

02:08:40

можем подавать это на вход модели

02:08:41

смотрите модель

02:08:51

екатеринбуржец наш поедет в Токио так

02:08:54

считает модель

02:08:56

это поняла Давайте воспользуемся второй

02:08:59

функцией которая делает все немножечко

02:09:02

более понятным Давайте сделаю так принт

02:09:06

приди к проба принт

02:09:10

x-timis.comes

02:09:34

вот вот такие вот строчки Если вы вы

02:09:38

видите то вы увидите такую картину что

02:09:42

модель для этого примера Example DF

02:09:45

нашего екатеринбушца 52 лет модель

02:09:49

конечно же рассматривала все города и

02:09:51

Лондон нью-йорк и Париж сильные Токио в

02:09:54

итоге Лондон получил вероятность

02:09:58

01 до 10 процентов нью-йорк 0 Париж 21

02:10:03

процент Сидней а50 Токио 69 процентов то

02:10:06

есть по сути модель выбирала между

02:10:08

лондоном

02:10:10

это парижем и Токио и Токио победил

02:10:14

потому что имел наибольшую вероятность

02:10:17

все вот эти вероятности в сумме Как вы

02:10:19

могли заметить дают ровно единицу да А

02:10:22

поэтому модель распределила вот это вот

02:10:25

пространство вероятности сто процентов

02:10:28

по этим

02:10:31

по этим городам по этим классам для

02:10:33

этого конкретного человека если мы

02:10:35

введем сюда другого человека допустим

02:10:38

молодого

02:10:39

успешного

02:10:42

Кто у нас там есть еще

02:10:47

краснодарцы возьмем или там чайнина

02:10:49

любителя

02:10:53

шопинга и автомобилей

02:10:58

Да кстати если вы случайно подставите

02:11:01

несколько единичек ничего не сломается

02:11:03

модель просто будет выдавать какие-то

02:11:05

странные данные

02:11:07

странные результаты но тем не менее А

02:11:10

вот этого человека отправим в нью-йорк

02:11:12

Вот для него видите модель вот так вот

02:11:15

сомневалась 6 процентов Лондон 65

02:11:18

нью-йорк один Париж четыре Сидней 24

02:11:20

процента что Токио надо то есть модель

02:11:23

не очень уверенно было

02:11:26

[музыка]

02:11:27

и

02:11:31

Что означает окно которое открывается

02:11:33

когда какой-либо название команды в

02:11:34

программе нажимаете что должно

02:11:35

показываться А ну это подсказка сплошь и

02:11:38

подсказка я пишу Model и вот что у этого

02:11:41

этой модели есть какие инструменты

02:11:44

функции свойства все вот здесь

02:11:46

перечисленное оно же перечислено в

02:11:48

документации мы с вами начнем завтра с

02:11:49

этим знакомиться Итак

02:11:52

вот

02:11:53

как сработала наша модель

02:11:59

мы можем даже наверное построить по ней

02:12:02

confusion Matrix это мы сделаем завтра

02:12:08

Ну а первый день наш с вами подходит

02:12:12

концу мы проанализировали табличку мы

02:12:15

попробовали ее использовать в качестве

02:12:18

основы для модели машинного обучения

02:12:20

модель это действительно Стелла какой-то

02:12:22

прогноз Да как-то обучилась но пока что

02:12:25

мы не совсем понимаем

02:12:27

как эта модель собственно работает Как

02:12:29

она именно поняла что это нью-йорк да

02:12:32

непонятно Ну хорошо Хорошо что на что-то

02:12:35

можно сказать но Пока непонятно как

02:12:40

а ну и модель мы взяли какой-то Рандом

02:12:43

Форест Случайный лес нам Михаил

02:12:45

скиллбокса сказал так сделать Да пока

02:12:48

что непонятно Какие еще есть варианты И

02:12:50

что там можно выбрать настройки этим мы

02:12:52

с вами займемся завтра а сегодня уже

02:12:56

потихонечку начинаем перетекать в наш

02:12:58

Telegram чат Telegram чат и ссылка на

02:13:00

него сейчас опубликуется здесь В чате

02:13:03

трансляции вы в Telegram чат все

02:13:05

пожалуйста переходите там буду я там

02:13:07

можно будет продолжать задавать вопросы

02:13:08

между эфирами там можно будет обсудить

02:13:11

какие-то проблемы может быть у вас

02:13:12

что-то не получилось сегодняшний

02:13:13

практики Ну и там же будет и запись

02:13:17

эфира и весь код который мы написали э и

02:13:20

домашнее задание Там живут появляются В

02:13:22

общем всё всё будет там Вот ссылка

02:13:24

появилась Telegram чат интенсива

02:13:26

присоединяйтесь пожалуйста туда

02:13:29

вот Максим хочет еще добавить Да в

02:13:33

чатике был вопрос я не успел у него

02:13:35

ответить он касался стоимости курса и

02:13:37

коллеги я вам свою очередь еще раз

02:13:39

напомнил что у нас программ огромное

02:13:42

множество Вы можете взять очень

02:13:43

маленькую бюджетную программу можете

02:13:46

взять супер гигантскую программу с

02:13:50

гарантией трудоустройства

02:13:52

индивидуальными наставниками и она будет

02:13:54

стоить других денег потому что уровень

02:13:57

глубины знаний и ответственности которую

02:13:59

мы берём за вас когда записываем на эту

02:14:02

программу он совершенно иной поэтому

02:14:03

Выбирайте то что вам по вкусу и по

02:14:06

карману Вот наверное так я вам скажу а

02:14:09

во всём остальном всем Огромное спасибо

02:14:11

первый рабочий день люди после работы и

02:14:14

это по Москве сейчас 21:00 а вот что

02:14:17

творится восточнее это же вообще

02:14:20

глубокая ночь люди пришли посмотрели

02:14:23

прониклись попробовали просто хочу

02:14:26

поблагодарить вас Ну и огромные Молодцы

02:14:28

и низкие вам он за то что стремитесь к

02:14:32

новым знаниям вы огромные Молодцы и

02:14:34

продолжайте в том же духе мы с Вами Мы с

02:14:37

Михаилом вами очень гордимся ждем всех

02:14:39

telegram-чате Обязательно оставляйте

02:14:41

заявку на консультацию напомню что это

02:14:43

никого и ни к чему не обязывает увидимся

02:14:45

с вами завтра также в 19:00 поэтому всем

02:14:49

отдохнуть набраться сил и увидимся

02:14:53

завтра До новых встреч пока пока

02:15:06

[музыка]

02:15:13

[музыка]

Описание:

Распродажа программ с гарантией трудоустройства. Получи доступ к самым мощным программам с огромной скидкой ---- https://live.skillbox.ru/webinars/code/vvedenie-v-analiz-dannykh-osnovnye-instrumenty281122/special/ Что умеют нейросети? Бывший руководитель команды разработки систем машинного обучения и антиспама в Badoo Михаил Овчинников рассказал, почему в области машинного обучения Python для начинающих — наиболее подходящий язык программирования, а также показал, как работать в Google Collab, Pandas и Sklearn. Онлайн-курс «3 дня машинного обучения: Python, нейросети и биткоин» помог новичкам понять основы программирования на Python и разобраться, как провести с помощью Machine Learning визуализацию данных и их простейший анализ. Онлайн-образование Skillbox показало, как нейросети помогают бизнесу. После первого этапа онлайн-обучения каждый пользователь образовательной платформы обучил модель по аналогии с практикой на занятии. 0:00 - Начало 17:28 - О Skillbox 26:30 - Профессии 36: 30 - Нужно ли знать математику 39:38 - Практика 1:10:03 - Презентация курсов Skillbox 1:25:07 - Продолжаем практику Подписывайтесь на наш канал, чтобы не пропустить анонсы новых вебинаров и онлайн-конференций. А также заглядывайте в наши соцсети, там много полезной информации: https://vk.com/skillbox_education https://ok.ru/skillbox https://t.me/skillboxru

Готовим варианты загрузки

Популярные

HD видео

Только звук

Все форматы

* — Если видео проигрывается в новой вкладке, перейдите в неё, а затем кликните по видео правой кнопкой мыши и выберите пункт "Сохранить видео как..."

** — Ссылка предназначенная для онлайн воспроизведения в специализированных плеерах

Вопросы о скачивании видео

Как можно скачать видео "Машинное обучение с нуля: Python, Google Collab, Pandas и Sklearn. Интенсив по Machine Learning"?

Сайт http://unidownloader.com/ — лучший способ скачать видео или отдельно аудиодорожку, если хочется обойтись без установки программ и расширений. Расширение UDL Helper — удобная кнопка, которая органично встраивается на сайты YouTube, Instagram и OK.ru для быстрого скачивания контента.
Программа UDL Client (для Windows) — самое мощное решение, поддерживающее более 900 сайтов, социальных сетей и видеохостингов, а также любое качество видео, которое доступно в источнике.
UDL Lite — представляет собой удобный доступ к сайту с мобильного устройства. С его помощью вы можете легко скачивать видео прямо на смартфон.

Какой формат видео "Машинное обучение с нуля: Python, Google Collab, Pandas и Sklearn. Интенсив по Machine Learning" выбрать?

Наилучшее качество имеют форматы FullHD (1080p), 2K (1440p), 4K (2160p) и 8K (4320p). Чем больше разрешение вашего экрана, тем выше должно быть качество видео. Однако следует учесть и другие факторы: скорость скачивания, количество свободного места, а также производительность устройства при воспроизведении.

Почему компьютер зависает при загрузке видео "Машинное обучение с нуля: Python, Google Collab, Pandas и Sklearn. Интенсив по Machine Learning"?

Полностью зависать браузер/компьютер не должен! Если это произошло, просьба сообщить об этом, указав ссылку на видео. Иногда видео нельзя скачать напрямую в подходящем формате, поэтому мы добавили возможность конвертации файла в нужный формат. В отдельных случаях этот процесс может активно использовать ресурсы компьютера.

Как скачать видео "Машинное обучение с нуля: Python, Google Collab, Pandas и Sklearn. Интенсив по Machine Learning" на телефон?

Вы можете скачать видео на свой смартфон с помощью сайта или pwa-приложения UDL Lite. Также есть возможность отправить ссылку на скачивание через QR-код с помощью расширения UDL Helper.

Как скачать аудиодорожку (музыку) в MP3 "Машинное обучение с нуля: Python, Google Collab, Pandas и Sklearn. Интенсив по Machine Learning"?

Самый удобный способ — воспользоваться программой UDL Client, которая поддерживает конвертацию видео в формат MP3. В некоторых случаях MP3 можно скачать и через расширение UDL Helper.

Как сохранить кадр из видео "Машинное обучение с нуля: Python, Google Collab, Pandas и Sklearn. Интенсив по Machine Learning"?

Эта функция доступна в расширении UDL Helper. Убедитесь, что в настройках отмечен пункт «Отображать кнопку сохранения скриншота из видео». В правом нижнем углу плеера левее иконки «Настройки» должна появиться иконка камеры, по нажатию на которую текущий кадр из видео будет сохранён на ваш компьютер в формате JPEG.

Сколько это всё стоит?

Нисколько. Наши сервисы абсолютно бесплатны для всех пользователей. Здесь нет PRO подписок, нет ограничений на количество или максимальную длину скачиваемого видео.