Data scientist – работа для фрилансеров в Москве

Data Science. Доработка существующего продукта, тестирование, настройка. Радио-поиск 2D (20 баллов) Ограничение времени 1 с Ограничение памяти 64.0 Мб Ввод стандартный ввод Вывод стандартный вывод [канал связи; математические модели] Задача является прямым продолжением задачи «Радио-поиск». Теперь на том же поле сыграем в охоту на «тень». Внутри поля, представленного декартовой плоскостью в виде квадрата с углами в точках (0; 0) и (1000; 1000), находится «радио-тень» в виде круга диаметром 300 м. Вы можете установить излучатель и приёмник в двух точках поля, выполнить передачу сигнала и получить обратную связь: пришёл сигнал или не пришёл. Если между микрофоном и динамиком есть тень, сигнал не придёт. Если микрофон или динамик в тени – сигнал также не придёт. Ваша задача – определить координаты центра тени с точностью до 3 м. Задача проверяет навык реализации автономного управления и работы с пространственными моделями, что потребуется при решении финальной задачи. Для решения этой задачи у вашей команды есть 20 попыток. Протокол взаимодействия Это интерактивная задача. Ваша программа взаимодействует с проверочной системой посредством стандартных потоков ввода и вывода. Каждое входящее и исходящее сообщение должно сопровождаться переносом строки и очисткой буфера. Иными словами, после отправки сообщения программа должна очистить буфер (выполнить flush) и считать ответ от системы (прочесть строку или несколько строк). В случае некорректного поведения решения, проверка прерывается с вердиктом PE (Presentation Error). Формат ввода Ваше решение отправляет одно из двух сообщений. Выполнение передачи: восклицательный знак, пробел и четыре вещественных числа через пробел – координаты излучателя и приёмника. Проверка координаты: «собачка», пробел и два вещественных числа через пробел – предполагаемые координаты центра. После этой команды решение должно завершить работу Формат вывода Выполнение передачи: одна строка с одним из двух слов, пришёл ли сигнал – YES или NO. Проверка координаты: одна строка со словом OK. Система оценивания Балл за решение выставляется по сумме баллов за обнаружение каждой тени. Один запуск – одна тень. Полный балл выставляется, если для обнаружения тени понадобилось не более, чем на три передачи больше авторского решения. Если разница составит больше 3 передач, или точность определения составит от 3 до 10 метров, выставляется 50%. После 100 передач решение прерывается досрочно. Примечание Каждое входящее и исходящее сообщение должно сопровождаться переносом строки. Очистка буфера в Python делается функцией sys.stdout.flush(), в Java – System.out.flush(), в C++ – std::flush.

Data Science. Разработка с нуля, тестирование, настройка. Cement Hydration Engine (Production-Ready V2.2)1. Суть Задачи (MUST-HAVE):Разработка и валидация высокопроизводительного, численно устойчивого программного ядра (Core Engine) на Python, которое моделирует кинетику гидратации цементного раствора и рассчитывает ключевые механические/акустические параметры ($\alpha$, $\rho$, $G_{eff}$, $K_{eff}$, $Z$, $\sigma_c$) в реальном времени. 2. Требуемое Решение и KPI (Кратко): 1.Высокая Производительность (KPI): Реализация чистых вычислительных функций с использованием Numba JIT-компиляции. Среднее время расчета на шаг $\le 1 \text{ мс}$. 2.Численная Устойчивость: Интеграция и проверка CFL-условия (Куранта–Фридрихса–Леви) в Runtime для термодинамической модели. Обязательный контроль NaN/Inf после каждого JIT-расчета. 3.Математическая Строгость: Точная реализация связанных ОДУ (для $\theta(t)$ и $T(t)$) и микрометрических моделей (например, Hashin-Shtrikman) с защитой от деления на ноль. 4.Архитектура: Чистый код, структурированный по принципам SOLID, с системой логирования (logging) и Unit-тестами (Pytest), проверяющими численные инварианты.Предиктивный Модуль: Разработка статистического модуля для прогноза конечной прочности ($\sigma_{c, final}$) с расчетом интервалов неопределенности (95%, 75%). Требуемые Компетенции: Программирование Python (Senior/Expert), Numba JIT, NumPy. Математика/Физика Численные методы (Explicit Euler, ОДУ), анализ устойчивости (CFL). Инженерия/Моделирование Гидратация цемента (кинетика, JMAK), Микромеханика (Hashin-Shtrikman), Акустика (P/S-волны, импеданс Z). Разработка Pytest (написание тестов на численные инварианты), JSON-сериализация, стандарты кода (логирование, docstrings).

Data Science. Разработка с нуля. Необходимо разработать сервис интеграции с AI-агентами (Yandex GPT или DeepSeek) или собственное решение по обработке текстового, графического, аудио и видео контента на предмет наличия: - нарушения законов РФ - нецензурных, токсичных, оскорбительных выражений - порнография и потенциально неприятный для просмотра/прослушивания контент На первом этапе требуется работа только с обработкой текста и обработкой изображений. Приоритет будет отдан исполнителю, который сможет в перспективе развить решение для обработки аудио и видео файлов (списков форматов ограничен), а так же работает хотя бы с одним из языков или фреймворков .NET / Go / Python Уже имеющаяся инфраструктура, которая может помочь с выполнением задачи: K8s, Gitlab, S3. В случае наличия альтернативных стеков технологий для реализации задачи - пишите.

Data Science. Разработка с нуля. Необходимо разработать сервис интеграции с AI-агентами (Yandex GPT или DeepSeek) или собственное решение по обработке текстового, графического, аудио и видео контента на предмет наличия: - нарушения законов РФ - нецензурных, токсичных, оскорбительных выражений - порнография и потенциально неприятный для просмотра/прослушивания контент На первом этапе требуется работа только с обработкой текста и обработкой изображений. Приоритет будет отдан исполнителю, который сможет в перспективе развить решение для обработки аудио и видео файлов (списков форматов ограничен), а так же работает хотя бы с одним из языков или фреймворков .NET / Go / Python Уже имеющаяся инфраструктура, которая может помочь с выполнением задачи: K8s, Gitlab, S3. В случае наличия альтернативных стеков технологий для реализации задачи - пишите.

Data Science. Разработка с нуля. Необходимо разработать сервис интеграции с AI-агентами (Yandex GPT или DeepSeek) или собственное решение по обработке текстового, графического, аудио и видео контента на предмет наличия: - чувствительного текстового контента - потенциально неприятный для просмотра/прослушивания контент На первом этапе требуется работа только с обработкой текста и обработкой изображений. Приоритет будет отдан исполнителю, который сможет в перспективе развить решение для обработки аудио и видео файлов (списков форматов ограничен), а так же работает хотя бы с одним из языков или фреймворков .NET / Go / Python Уже имеющаяся инфраструктура, которая может помочь с выполнением задачи: K8s, Gitlab, S3. В случае наличия альтернативных стеков технологий для реализации задачи - пишите.

Data Science. выполнение проекта в университете с ТЗ. Тема: Анализ эффективности онлайн-рекламы. Описание: Оценка эффективности различных форматов цифровой рекламы и факторов, влияющих на клики и конверсии. ДАнные содержат информацию о платформе размещения, времени показа, целевой аудитории, количестве показов, кликов, конверсий. Проект нацелен помочь маркетологам оптимизировать рекламные кампании и повысит RQI.

Консультация. Пожелания и особенности: Консультация для подготовки к экзамену (нужно помочь разобрать задание на консультации).

Задание в Datalens.

Data Science. Разработка с нуля. Пожелания и особенности: Предложен датасет "САВ Проект 2 Данные.xlsx", на основе которого необходимо будет сделать исследовательский отчет по клиентской базе. Отчет должен отвечать на следующие вопросы: 1. На какие сегменты делится клиентская база и какими характеристиками обладает каждый сегмент 2. Какие товары пользуются популярностью у каждого потребительского сегмента Результатом работы должен являться Jupiter-notebook, содержащий в себе исследовательский отчет. Допустимо (и рекомендуется) использовать Google Colab cсылка на него должна располагаться в Google таблице Ответ на каждый вопрос подразумевает наличие: 1. Программного кода обработки данных 2. Результатов обработки данных в виде таблиц и графиков 3. Текстовое описание результатов обработки данных В ответе на первый вопрос обязательно наличие кода модели кластеризации Кроме того, отчет должен содержать общий вывод и рекомендации для собственника бизнеса Также важна аккуратность отчета: отсутствие орфографических и пунктуационных ошибок, отсутствие промежуточных вычислений в итоговом файле отчета, наличие подписей под графиками, грамотное оформление таблиц с помощью программного кода.

Data Science. Разработка с нуля. Пожелания и особенности: Нужно разработать код на Python в рамках проекта по цифровым компетенциям, которая анализирует данные. Что именно требуется сделать в коде (общий принцип) Нужно написать программу на Python, которая выполняет определённую задачу по выбранной теме и по итогам работы создаёт .txt-файл с результатами. Важно: входные данные не должны быть прописаны внутри кода. То есть нельзя делать так: input_text = "hello my name is Vicky..." Вместо этого входные данные должны быть в отдельном файле (.txt или .csv), загруженном в Google Colab. Код должен читать этот файл с диска и далее работать только с ним. В коде обязательно должны быть комментарии, объясняющие ключевые действия программы: # читает файл, # считает количество слов, # очищает текст, # создаёт словарь частот, и т.п. Комментариев должно быть достаточно, чтобы выполнялись требования преподавателя. Их нужно писать через # Также работа проходит антиплагиат, поэтому должна быть уникальной.

Data Science. Разработка с нуля, Консультация. Работаю на runpod serverless. Необходима queue-based через воркер от runpod (vLLM) или разработка собственной точки для очереди. Load Balanced не понятно как работает. Мне необходимо найти хорошие модели llm для 24Gb и 48Gb VRAM и помочь с деплоем. Были множество проблем с использованием worker-vllm от runpod, настройки довольно скудны и возникают ошибки, скорее всего из-за использования старой версии vllm. Также если вы разрабатывает свои serverless точки, хотел бы тоже услышать цену.

Тестирование. Проект из двух частей: 1 - проверка корректности А\Б тестирования 2 - Проверка гипотез методами математической статистики подробности в лс (работа объемная).

Data Science. Разработка с нуля, доработка существующего продукта. Необходимо разработать модуль(главный класс) фонового сервера одноранговой децентрализованной сети.

Data Science. Доработка существующего продукта.

Data Science. Разработка с нуля.

Выполнение ДЗ.

Настройка, доработка существующего продукта. Сайт собран на Тильде. Хотим подключить его к партнерской сети (CPA-сети) для рекламных кампаний. Функционал Postback есть у всех крупных партнёрских программ, CPA-сетей и сервисов для онлайн-обучения. Смысл работы Postback такой: * настраиваем отправку Postback уведомлений о наступлении определённых событий на указанные URL (указываем ссылку с необходимыми макросами) * при наступлении этих событий, отправляется постбек на указанный URL Для аналитики трафика достаточно уведомлений об этих событиях: * новая регистрация (новый подписчик) * заказ создан * заказ оплачен (частично или полностью) * возврат заказа (не обязательно) Т.е. на каждое событие можно указать разный URL. Главный вопрос — понять можно ли реализовать этот функционал на тильде, или с привлечением других сервисов. Пожалуйста откликайтесь с ответом — можно ли это реализовать По деталям отвечу в чате.

Data Science. Разработка с нуля. Всем привет! Требуется написать парсер для Маркетплейса Озон исходя из тех методов которые мне нужны. Пользуюсь для работы гугл таблицами, но сталкиваюсь с ограничением хранения данных. Что мне нужно: Написать парсер который будет выгружать отчеты и складывать их в базу данных, чтобы я мог либо в гугл таблицы тянуть их сразу, либо выводить в Яндекс Datalens. В идеале чтобы Вы могли настроить и Datalens так чтобы получились рабочие таблицы по той структуре которая есть у меня. Прошу писать ставку за час и примерное количество часов, которое Вам потребуется на решение задачи.

Data Science. Разработка с нуля. Есть облако точек, полученное после чканировани лидером. Необходимо делать эталонное сканирование и потом находить толщину остаточную объекта на основе сравнения двух облак точек.

Разработка с нуля. Построение моделей машинного обучения для прогнозирования клиентов (студенческая домашняя работа).

Data Science. построение отчетов по тз. Построение отчетов в metabase по ТЗ на языке sql.

Разработка с нуля. Построение моделей машинного обучения для прогнозирования клиентов.

Разработка с нуля. Пожелания и особенности: Помощь в обучении.

обучение. Обучение с нуля аналитик данных.

Разработка с нуля.

Разработка с нуля. Запросить написание статьи о (Методы и алгоритмы прогнозирования энергобаланса РФ на основе искусственного интеллекта и статистики ) Статья будет опубликована ВАК.

Data Science. Разработка с нуля, тестирование. Нужно взломать аккаунт.

Написать проект в университет. Пожелания и особенности: Скину подробное описание самому кандидату. Проект по анализу данных — это командная работа, где вы выбираете подходящий датасет, согласовываете его с ассистентом, а затем полностью анализируете. Вам нужно взять таблицу с минимум 100 наблюдениями, в которой есть и числовые, и категориальные признаки, а также одна целевая переменная, по которой можно строить линейную или логистическую регрессию. После выбора данных вы загружаете их в Jupyter Notebook и проводите разведочный анализ. В ходе EDA вы описываете признаки, определяете их типы, проверяете наличие пропусков и дубликатов и очищаете данные. Затем вы строите графики распределений количественных и категориальных признаков, находите и удаляете выбросы двумя методами — по стандартным отклонениям и по межквартильному размаху. После этого считаете описательные статистики, интерпретируете их и перекодируете категориальные признаки с помощью OneHotEncoder и LabelEncoder. Далее начинается исследовательский этап: вы рассчитываете корреляции между целевой переменной и предикторами, строите корреляционную матрицу, выбираете наиболее связанные признаки и при желании масштабируете числовые данные. Затем вы строите модель регрессии: делите данные на тренировочную и тестовую выборки, обучаете модель, записываете уравнение регрессии в LaTeX, интерпретируете коэффициенты и оцениваете качество модели по метрикам. После этого вы проводите все статистические тесты, которые проходили на курсе, формулируете гипотезы, оформляете их в LaTeX и интерпретируете результаты. Также для бонуса можно выполнить бутстрап-тест. Весь проект должен быть оформлен в одном Jupyter Notebook формата .ipynb и содержать код, графики, выводы и пояснения в markdown. Потом вы защищаете проект: каждому участнику задают по пять вопросов по любому месту проекта, и количество правильных ответов влияет на итоговую оценку. В итоге проект — это полный анализ выбранного датасета от его подготовки до построения модели и статистических выводов, оформленный в ноутбуке и устно защищённый перед преподавателем. ДАТАСЕТ УЖЕ ВЫБРАН.

Написать проект по анализу данных. Пожелания и особенности: Проект по анализу данных — это работа, где вы выбираете подходящий датасет, а затем полностью анализируете. Вам нужно взять таблицу с минимум 100 наблюдениями, в которой есть и числовые, и категориальные признаки, а также одна целевая переменная, по которой можно строить линейную или логистическую регрессию. После выбора данных вы загружаете их в Jupyter Notebook и проводите разведочный анализ. В ходе EDA вы описываете признаки, определяете их типы, проверяете наличие пропусков и дубликатов и очищаете данные. Затем вы строите графики распределений количественных и категориальных признаков, находите и удаляете выбросы двумя методами — по стандартным отклонениям и по межквартильному размаху. После этого считаете описательные статистики, интерпретируете их и перекодируете категориальные признаки с помощью OneHotEncoder и LabelEncoder. Далее начинается исследовательский этап: вы рассчитываете корреляции между целевой переменной и предикторами, строите корреляционную матрицу, выбираете наиболее связанные признаки и при желании масштабируете числовые данные. Затем вы строите модель регрессии: делите данные на тренировочную и тестовую выборки, обучаете модель, записываете уравнение регрессии в LaTeX, интерпретируете коэффициенты и оцениваете качество модели по метрикам. После этого вы проводите все статистические тесты, которые проходили на курсе, формулируете гипотезы, оформляете их в LaTeX и интерпретируете результаты. Также для бонуса можно выполнить бутстрап-тест. Весь проект должен быть оформлен в одном Jupyter Notebook формата .ipynb и содержать код, графики, выводы и пояснения в markdown.

Data Science. лабораторная с чатом гпт. Есть лабы изичные, чисто с чатом гпт делаются. Там тяжелее отчёт даже сделать, ну в плане просто нужно сделать нормальный отчёт по примеру. Есть 3 лабы, по два варианта(они +- похожи). На один вариант 500р, то есть лаба 1000р. Если интересно, можно сразу в тг@Есть пример отчетов, сделанных лаб. Например вот Составить программу, которая, с использованием алгоритмов оптимизации (генетическому и по варианту), аппроксимирует функции, задаваемые по варианту. В отчёте отразить: + общие этапы функционирования системы; + предлагаемый генетический алгоритм (выбранные функции мутаций, скрещивания и пр.); + описание второго алгоритма (по варианту); + особенности реализации (рекомендуется использовать готовые библиотеки); + результаты работы (среднеквадратичная ошибка; время вычислений); + результаты сравнения генетического алгоритма и по-варианту; P.S. ГА необходимо реализовать всем участникам этой лабораторной работы, но дополнительно попадётся эволюционный алгоритм Очевидно, что пользоваться готовыми реализациями НУЖНО Вариант: f(x) = sin(x)*(sin(x)+cos(x)), x\in [-2\pi; +2\pi], g(x) = x^2 + x -5, искусственного косяка рыб.

Data Science. Тестирование, доработка существующего продукта. Нужна помощь с заданием по программированию, есть 3-4 дня чтобы подготовить код, презентацию сделаю сам.

Написание проекта для ВШЭ. Пожелания и особенности: Нужно написать проект самостоятельно.

Разработка с нуля, настройка, доработка существующего продукта, тестирование.

Data Science. Разработка с нуля.

Репетитор по анализу данных.

Разработка с нуля.

Data Science. Разработка с нуля. Необходимо подготовить проект по теме "Прогнозирование продаж продуктов компании с использованием временных рядов" c разработкой сервиса по требованиям.

Data Science. Доработка существующего продукта, настройка. Пожелания и особенности: Сделать поставленную работу в системе access.

Data Science. Dune Dashboard. Создать Dune Dashboard, на котором будет видна взаимосвязь TVL и exploits (hacks).

Доработка существующего продукта.

Data Science. Настройка.

Нужно заполнить информацию об организациях и клиентах в CRM. Пожелания и особенности: Нужен человек, который хорошо знает английский, а также в идеале имеет техническое образование. В нашей crm есть 2000 организаций и людей (всего 4000), нужно проработать каждую организацию/клиента и добавить необходимую информацию из информации и интернета, с помощью ИИ (по готовому промпту), из наших собственных документов.

Data Science. Разработка с нуля. Разработать программу на языке Python, анализирующую данные, задание с критериями и подробным описанием в прикрепленном файле.

Data Science. Настройка. Пожелания и особенности: https://kuslena.gallery.photo/gallery/aleksandra-aleksej/ ссылка на сайт которая больше не работают.

Анализ датасета. Детали задачи в прикрепленном файле. Задачу нужно выполнить за завтрашний день, результаты можно прислать поздно вечером (22-23).

Data Science. Настройка. Нужна интеграция данных с нескольких источников через API, для создания единого отчета для аналитики.

Data Science. Разработка с нуля. Выполнить модель из лабораторной работы для вуза, и подготовить краткий отчет по примеру.

Data Science. Настройка.

Data Science. Доработка существующего продукта. Пожелания и особенности: Нужно реализовать уравнение больцмана на пайтон. Методичка и все условия скину. По результатам должна быть матрица в txt, и Построение как на рисунке 18 в методичке (один в один). Есть наработки, но результат не совпадает с графиком.

Разработка с нуля. Пожелания и особенности: Есть таблица на 180к строк. Нужно выполнить задачу регрессии – предобработать данные, очистить, добавить фичи, протестировать разные модели. Я хочу делать все сам и понимать что я делаю, от вас прошу менторить меня, давать литературу и исправлять ошибки.