Спасибо за видео. Мне тоже NLP кажется интереснее. Но к какой области DS относятся те вещи, которые не CV и не NLP? Например, прогнозы (погоды, курсы валют и прочее), или та же задача с Титаником?
Прогнозы погоды, курсы валют это Time Series Data, можно так назвать. И вполне себе хорошо относится к ДС. К этим же данным можно привести пример задачи в банковской сфере, где нужно предсказать вероятность успешного закрытия сделки исходя из параметров, которые происходили во времени. Ну а тот же Титаник является универсальным. Можно, в той же банковской сфере, кластеризировать ваших клиентов на подгруппы( чтобы потом предлагать им разные услуги), узнать сколько в среднем компания получает с одного клиента( та же регрессия) ну или отнести того или иного клиента к платежоспособному или нет. Все это исходя из буквально тех же данных( типов и прочего), которые есть и в Титанике
Почему же. Можно и применять нейронки для этого. Но вроде как не особо релевантно, потому что результат в целом как и у стандартных библиотек а трудозатрат больше.
Не хочу нудеть, но CV и NLP не являются подразделами DL, так как эти области сформировались до появления нейронных сетей. В них есть алгоритмы, которые не завязаны на нейросетях, и иногда они даже не содержат обучения. В целом видео неплохое, но будьте аккуратнее с высказываниями, так как начинающие воспринимают каждое слово учителя за чистую монету😅
Все вакансии что встречал требуют английский. Хотя бы на уровне читания технической литературы/документации. Хватает B1 в целом по сфере сейчас. Но тенденция идёт в сторону B2
хеллоу! подскажи начинающему человеку, стоит ли основательно садиться за алгоритмы и структуры данных перед тем, как углубляться в тему ML ( CV, если ещё ещё конкретнее) ? Видос топ
Хороший вопрос. Лично мне алгоритмы пригодились чтобы понимать как сделать тот или иной элемент в обработке данных или написанию сложных скриптов для работы с данными. Но понимать как работают хотя бы базовые структуры языка это необходимая база.
Те же роботы о который я упоминал. Но RL сейчас используют в основном в геймдеве и пишут их не только на питоне. Там запутанно получается, но если брать именно рынок МЛа то все равно получается именно 2 основных направления распространенных для В2В
@@divanny_analitikесли ориентироваться на работу в сфере инвестиций , бирж, криптобирж,это rl все таки? Для дата сайентист,дата аналитик имеется ввиду?
Классное видео. Чётко и по теме, круто 👍
Здравствуйте, отличное видео! Идея для следующего видео: диффузионные модели.
Классное видео получилось! Успехов тебе!
Спасибо за видео. Мне тоже NLP кажется интереснее.
Но к какой области DS относятся те вещи, которые не CV и не NLP? Например, прогнозы (погоды, курсы валют и прочее), или та же задача с Титаником?
Прогнозы погоды, курсы валют это Time Series Data, можно так назвать. И вполне себе хорошо относится к ДС. К этим же данным можно привести пример задачи в банковской сфере, где нужно предсказать вероятность успешного закрытия сделки исходя из параметров, которые происходили во времени. Ну а тот же Титаник является универсальным. Можно, в той же банковской сфере, кластеризировать ваших клиентов на подгруппы( чтобы потом предлагать им разные услуги), узнать сколько в среднем компания получает с одного клиента( та же регрессия) ну или отнести того или иного клиента к платежоспособному или нет. Все это исходя из буквально тех же данных( типов и прочего), которые есть и в Титанике
@@divanny_analitik я так понял, эти вещи уже не про Глубокое обучение?
Почему же. Можно и применять нейронки для этого. Но вроде как не особо релевантно, потому что результат в целом как и у стандартных библиотек а трудозатрат больше.
Как раз вакансий в CV почти нет , а в NLP много
Не хочу нудеть, но CV и NLP не являются подразделами DL, так как эти области сформировались до появления нейронных сетей. В них есть алгоритмы, которые не завязаны на нейросетях, и иногда они даже не содержат обучения. В целом видео неплохое, но будьте аккуратнее с высказываниями, так как начинающие воспринимают каждое слово учителя за чистую монету😅
Приветствую! Спасибо за полезный контент! Подскажи, пожалуйста, знание английского языка очень сильно требуется в такой профессии как data science ?
Все вакансии что встречал требуют английский. Хотя бы на уровне читания технической литературы/документации. Хватает B1 в целом по сфере сейчас. Но тенденция идёт в сторону B2
хеллоу! подскажи начинающему человеку, стоит ли основательно садиться за алгоритмы и структуры данных перед тем, как углубляться в тему ML ( CV, если ещё ещё конкретнее) ? Видос топ
Хороший вопрос. Лично мне алгоритмы пригодились чтобы понимать как сделать тот или иной элемент в обработке данных или написанию сложных скриптов для работы с данными. Но понимать как работают хотя бы базовые структуры языка это необходимая база.
А как же RL(
В ролике упоминал о RL как о роботах и прочем, но лично в моей практике пока не доводилось юзать
а reinforcement learning?
Те же роботы о который я упоминал. Но RL сейчас используют в основном в геймдеве и пишут их не только на питоне. Там запутанно получается, но если брать именно рынок МЛа то все равно получается именно 2 основных направления распространенных для В2В
@@divanny_analitik "в основном в геймдеве". Если бы ты, сколько RL дал для LLM'ок...
Если ты о том как они обучались то это semi-supervised learning
челик, загугли gpt4 RL - перестанешь такое писать
@@divanny_analitikесли ориентироваться на работу в сфере инвестиций , бирж, криптобирж,это rl все таки?
Для дата сайентист,дата аналитик имеется ввиду?