Data scientist – работа для фрилансеров в Москве

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

Разработка с нуля. Помощь в обучении Анализу данных SQL, Excel,.

Разработка с нуля. Пожелания и особенности: Техническое задание — Симуляционная модель MLM (полный перебор векторов уровней) 1. Цель Сгенерировать все фактически возможные сценарии структуры MLM-дерева глубины L = 7 и L = 8 при следующих правилах: • Корень (уровень 0) = 1 (главный «хозяин»). • Каждый участник на уровне k может иметь от min_children = 1 до max_children = 10 непосредственных подчинённых на уровне k+1. • Генерация всех допустимых векторов численностей по уровням (n0, n1, ..., nL) удовлетворяющих правилам (будем считать n0=1). • Фильтрация сценариев так, чтобы общая численность total = sum(n0..nL) лежала в диапазоне [10, 500000]. • Для каждого допустимого вектора требуется сгенерировать явное дерево (каждому участнику присвоено имя/ID и указано parent_id) — как минимум один (канонический) способ привязки детей к родителям. • В имени/идентификаторе сценария должно быть «зашито» число участников по каждому уровню (например: L7_1-3-9-27-81-243-729_total=1093). Дополнительно (опционально): возможность полного перечисления ВСЕХ возможных распределений количества детей между конкретными родителями для каждого вектора (если включено — предупреждение о масштабности и лимитах). 2. Входные параметры (конфигурация) • L_set = {7, 8} — глубины, которые моделируем. • min_children = 1 • max_children = 10 • min_total = 10 • max_total = 500000 • root_count = 1 (n0) • canonical_parent_assignment = True (по умолчанию генерируем 1 каноническое дерево на вектор) • enumerate_all_parent_distributions = False (опция; WARNING: экспоненциальный рост) • output_formats = ["CSV", • name_locale = ["en_US", "ru_RU"] (для Faker — генерация имён; можно выбрать) • random_seed (для воспроизводимости) • max_scenarios_to_export (ограничение вывода, по умолчанию — бесконечно, но разумно задать) 3. Математическая модель (условия допустимости вектора уровней) Обозначим n_0 = 1. Для уровней k = 0..L-1 и k+1: • n_{k+1} должно удовлетворять: и при этом n_{k+1} >= 1 (всё это целые числа). Таким образом, вектор n = (n_0, n_1, ..., n_L) допустим, если для всех k условие выполняется. Общая численность total = sum(n) фильтруется по диапазону [min_total, max_total]. Замечание: это условие описывает только численность на уровнях, но не уникальные способы распределения детей между конкретными родителями. Число таких распределений для заданного (n_k, n_{k+1}) — это задача разбиения n_{k+1} на n_k частей с ограничениями 1..10 (сочетания с повторениями), и их перечисление быстро становится чрезвычайно большим. 4. Перебор векторов (полный перебор) 4.1 Метод перебора • Рекурсивно строим уровни: начиная с n0=1, на каждом шаге k перебираем все n_{k+1} в диапазоне [n_k*min_children, n_k*max_children]. • Останавливаемся, когда получен вектор длины L+1 (от 0 до L). • Проверяем total и сохраняем вектор, если min_total ? total ? max_total. 4.2 Оценка количества таких векторов (практическая заметка) • Количество векторов может быть очень большим, но существенно меньше, чем число всех возможных деревьев с распределением по конкретным родителям. • Тем не менее, при max_children=10 и глубине 8 число возможных векторов остаётся сопоставимым с продуктом диапазонов на каждом шаге и может быть в миллионах. Нужно предусмотреть потоковую генерацию и запись (streaming), чтобы не держать всё в памяти. 5. Формат и структура выходных данных Для каждой сгенерированной структуры (сценария) экспортируем 2 набора файлов: 1. Метаданные сценария (одна строка на сценарий): • scenario_id • scenario_name (формат см. ниже) • L (глубина) • vector_levels (строка: 1-3-9-...) • total_nodes • n_by_level (JSON) • generated_on (timestamp) • node_file (путь к файлу с узлами) 2. Nodes file — детализированная таблица всех участников сценария: • Колонки: id, name, level, parent_id, scenario_id, path. • Формат: CSV (стриминговая запись).

Data Science. Разработка с нуля. Есть научная статья, в которой написаны формулы и даны константы нужно воспроизвести результаты статьи решается методом конечных разностей желательно написать на python.

Data Science. Доработка существующего продукта.

Разработка с нуля. Databricks.

небольшой дэш показывающий данные в динамике. Техническое задание (ТЗ) на разработку Мульти-магазинного Дашборда для мониторинга Wildberries 1. Цель проекта Создать централизованную автоматизированную систему мониторинга и анализа ключевых показателей эффективности (KPI) для одного или нескольких магазинов Wildberries. Система должна предоставлять данные в иерархическом виде (от общего к частному) с возможностью детализации по дням/неделям, а также включает ручное управление себестоимостью и закреплением товаров за менеджерами. 2. Ключевые пользователи и их потребности Владелец/Руководитель (нескольких магазинов): Оценка общей и сравнительной эффективности всех магазинов. Выявление лучших и отстающих магазинов/категорий. Консолидированная отчетность по всем точкам продаж. Отслеживание динамики продаж и прибыльности в разрезе каждого магазина. Маркетолог: Анализ показателей видимости (показы, переходы, CTR) и конверсии по всем магазинам или выборочно. Менеджер по продажам: Мониторинг показателей по своим закрепленным товарам в рамках одного или нескольких магазинов. Финансист: Контроль чистой прибыли, маржинальности и ДРР по всем магазинам. 3. Функциональные требования 3.1. Источник данных и автоматизация Источник: Данные должны автоматически загружаться через API личного кабинета продавца Wildberries. Периодичность обновления: Ежедневное автоматическое обновление данных за предыдущий день для всех подключенных магазинов. Платформа: Предпочтительно Google Sheets (для простоты совместного доступа и гибкости) или Google Looker Studio (для более продвинутой визуализации). Альтернатива — Power BI / Tableau. 3.2. Иерархия данных и структура отчета Отчет должен иметь четыре основных уровня детализации: Уровень "Все магазины" (консолидированный): Сводные KPI по всем подключенным магазинам. Уровень "Магазин" (индивидуальный): Детальные KPI по выбранному магазину. Уровень "Предмет" (категория): Детализация по товарным категориям внутри выбранного магазина. Уровень "Артикул" (НМ): Детальная аналитика по каждому товару внутри выбранного магазина и категории. На каждом уровне должны отображаться следующие метрики (согласно структуре файла): Заказы (и динамика DOD/WOW) ДРР Финансы: Чистая прибыль валовая, на единицу, маржинальность. Маркетинг: Показы, Переходы, CTR, Корзина, Конверсия в корзину, Заказ, Конверсия в заказ, Выкупы, % Выкупов. Только для уровня "Артикул": Цена со скидкой до СПП, СПП, Цена на полке, Остаток. 3.3. Управление несколькими магазинами Подключение новых магазинов: В интерфейсе дашборда должна быть реализована простая возможность добавить новый магазин Wildberries (ввод API-ключа и наименования магазина) без необходимости создания новой таблицы или отчета. Централизованный справочник магазинов: Создать отдельный модуль (лист "Настройки" или "Магазины") для управления подключенными магазинами (добавление, редактирование, отключение). Единые справочники: Справочники себестоимости и закрепления менеджеров должны быть общими для всех магазинов, но с возможностью фильтрации и отображения в разрезе каждого магазина. Переключение между магазинами: В интерфейсе дашборда должен быть основной фильтр/переключатель для выбора магазина для детального анализа ("Показать все", "Магазин 1", "Магазин 2" и т.д.). 3.4. Срез по менеджерам (второй уровень детализации) Должна быть возможность фильтровать и просматривать данные по уровням ("Магазин", "Предмет" и "Артикул") через призму закрепленного менеджера. Для этого необходима отдельная таблица-справочник для закрепления артикулов за менеджерами. 3.5. Гибкость временных периодов Детальный вид: Отображение данных по дням (как в исходном файле). Свернутый вид: Возможность "свернуть" дни для просмотра агрегированных данных по неделям (столбец "W36" в исходном файле). Должна быть колонка "VS LW" (сравнение с предыдущей неделей) для ключевых метрик. 3.6. Вспомогательные модули (ручной ввод) Модуль себестоимости: Простая табличная форма для ручного ввода/обновления себестоимости по каждому артикулу. Это необходимо для корректного расчета чистой прибыли и маржинальности. Данные должны быть привязаны к артикулу и быть едиными для всех магазинов. Модуль закрепления менеджеров: Простая таблица для сопоставления артикулов и ответственных менеджеров. Данные должны быть привязаны к артикулу и быть едиными для всех магазинов. 4. Нефункциональные требования Удобство интерфейса: Интуитивно понятная навигация, возможность быстрой фильтрации (по магазинам, менеджерам, периоду) и сортировки. Производительность: Время загрузки и обработки данных не должно превышать 5-10 минут после их получения с API. Система должна оставаться отзывчивой при работе с данными нескольких магазинов. Надежность: Система должна корректно обрабатывать ошибки API (например, отсутствие данных за день, проблемы с подключением, неверный API-ключ) и уведомлять пользователя. Безопасность: Доступ к дашборду и данным должен быть разграничен (если необходимо). API-ключи должны храниться безопасно. 5. Этапы разработки Проектирование: Согласование финальной структуры дашборда и логики расчета всех показателей. Проектирование базы данных/структуры таблиц для поддержки нескольких магазинов. Настройка интеграции с API WB: Написание скриптов (Google Apps Script, Python и т.д.) для автоматического сбора данных с поддержкой множественных API-ключей. Разработка ядра дашборда: Создание листов/страниц в выбранном инструменте (Google Sheets/Looker Studio) с консолидированным видом и видом по одному магазину. Реализация модулей: Создание модулей для управления магазинами, ввода себестоимости и закрепления менеджеров. Настройка визуализации и фильтров: Реализация переключения между просмотром по дням и неделям. Настройка главного фильтра по магазинам и второстепенных фильтров. Тестирование: Проверка корректности данных, работы фильтров, автоматизации и нагрузки при работе с несколькими магазинами. Запуск и документация: Развертывание системы и написание краткой инструкции для пользователей по управлению магазинами и работе с отчетом. 6. Технические примечания для аналитика Динамика DOD (Day-over-Day): (Значение сегодня / Значение вчера) - 1 Динамика WOW (Week-over-Week): (Значение за текущую неделю / Значение за прошлую неделю) - 1 CTR (Click-Through Rate): Переходы / Показы Конверсия в заказ: Заказы / Переходы Маржинальность: (Чистая прибыль на единицу / Цена реализации) * 100% Расчет финансовых показателей: Требует предварительного занесения себестоимости вручную. Чистая прибыль = Выручка - Логистика - Хранение - etc. (по данным WB) - Себестоимость. Идентификация данных: Все данные, получаемые через API, должны быть четко привязаны к конкретному магазину (API-ключу) во внутренней структуре хранения.

Data Science. Доработка существующего продукта. Пожелания и особенности: Опишу суть что по моей задачи необходимо, а точнее какой хочу увидеть результат. Я видду свой собственный Фулфилмент, мне необходимо автоматизировать иные процесы с товаром. Учет товарадвижения виду в МойСклад. У меня очень много товара храниться на складе, хочу его подготавливать заранее под отгрузки. То есть прям с калес. Как вижу это я? Предположим я заранее сгенерил 500 шк на пустые короба. Расклеил эти шк( что распечатал) на короба. Далее накидал нужные мне позиции внутрь каждого короба. Отсканил коробку с шк. И поставил на хранение. Спустя время мне приходит заказ. В моем складе распечатываю расходник, и иду собирать заказ условно говоря с тсд который подвязан к моему складу. Где будет видно что эта за коробка при сканирование шк, и что за товар внутри лежит( без вскрытия этой коробки). Если есть дополнительные вопросы, лучше давайте созваниваться, выслушаю все предложения.

Data Science. Доработка существующего продукта, разработка с нуля. Нужно собирать следующие данные unique_id,nickname,followers,likes_total,comments_total,views_total,video_count,url,url_photo,signature,is_russian.

Продумать критерии оценки для скоринга в транспортной сфере.

Data Science. Разработка с нуля. Создание программы ИИ, которая будет вспомогательным для врачей-исследователей при обработке данных.

Data Science. Разработка с нуля.

Разработка с нуля. О проекте Мы создаём сервис анализа маммографических изображений (DICOM) на основе модели классификации, обученной в федеративной постановке на аннотированных данных партнёров. Сервис предназначен для повышения качества и доступности маммографического скрининга в РФ и станет основой для дальнейшего развития федеративного обучения в медицинских ИИ-приложениях. После предыдущего НИР подтверждена возможность адаптации модели классификации маммограмм к существующим фреймворкам FL. На текущем этапе нам нужен специалист, который сможет довести модель до промышленного уровня качества, провести федеративное обучение и создать полноценный работающий сервис с Grad-CAM визуализациями. ? Обязанности 1. Модель и федеративное обучение Обучение модели классификации маммограмм на 2 класса (BI-RADS 1–2 / 4–5) в федеративной постановке; Подбор параметров федеративного обучения: — баланс классов клиентов, — количество раундов, — алгоритм агрегации весов, — количество локальных эпох, — размер батча; Работа с аннотированными данными на инфраструктуре заказчика; Использование открытых датасетов (VinDr, INBreast) и подготовка данных согласно требованиям ТЗ; Обеспечение достижения минимальных метрик: — sensitivity ? 0.82 — specificity ? 0.82 — accuracy ? 0.82 — ROC AUC ? 0.9 Оптимизация модели для скорости работы ? 2 секунд на сервере с GPU Nvidia L40. 2. Разработка экспериментального сервиса Создание рабочего сервиса классификации маммограмм на основе обученной модели; Реализация поддержки формата DICOM, проекций CC и MLO, определение laterality; Реализация Grad-CAM тепловых карт; Создание пользовательского интерфейса для загрузки изображений и отображения результатов. 3. Разработка ПО и скриптов Подготовка программных модулей и скриптов (.py / .ipynb) для: — формирования confusion matrix, — формирования реестра результатов анализа (дата, ID пациента, исследование, класс и вероятность, время обработки), — обработки директории пациентов с 4 проекциями, — фильтрации данных по временным диапазонам. 4. Документация Участие в подготовке полного комплекта документации: ТЗ на разработку сервиса; Описание ПО; Руководство оператора; Программа и методика тестирования; Протоколы и акты тестирования; Акт создания экспериментального образца. 5. Поддержка Участие в исправлении ошибок сервиса в течение 12 месяцев после завершения проекта. ? Требования Обязательные Уверенный опыт разработки моделей компьютерного зрения (CNN, medical imaging); Опыт работы с медицинскими изображениями, желательно DICOM; Опыт работы с фреймворками федеративного обучения (например: Flower, FedML, PySyft, FederatedScope); Умение достигать целевых метрик на реальных и открытых медицинских датасетах; Отличные знания PyTorch / TensorFlow; Опыт оптимизации моделей для inference на GPU; Умение реализовывать Grad-CAM; Опыт разработки backend-части сервисов (FastAPI / Flask); Умение оформлять НИОКР-документацию. Желательно Опыт работы в медтехе, радиологии, скрининговых системах; Знание BI-RADS; Опыт интеграции медицинских ИИ-моделей в клинические сервисы; Опыт работы с VinDr, INBreast и другими наборами маммограмм; Знание требований по лицензированию ИИ-ПО.

Data Science. Доработка существующего продукта. Нужно доработать уже функционирующий бот, также нужен хотя бы небольшой опыт в трейдинге, или понимание процессов финансовых рынков.

Презентация. Необходима помощь, разобрать задание и сделать по нему презентацию с графиками.

Практические задания в excel и Rstudio.

Data Science. Настройка. Ищем специалиста который сможет реализовать механизм, который будет синхронизировать данные о ценах из таблицы (Google Docs) с сайтом в автоматическом режиме. Наш сайт реализован на платформе Битрикс, прайс-лист с актуальными ценами ведется в таблице Google docs Основные задачи: - Система должна использовать в качестве источника данных таблицу Google Docs (предпочтительный вариант) - Для сопоставления товаров в таблице и на сайте должен использоваться уникальный ключ (например, Артикул товара, ID товара или SKU). - Цены на сайте должны обновляться автоматически при сохранении изменений в таблице. - Система должна проверять таблицу на наличие изменений с заданной периодичностью (например, каждые 10 минут) или мгновенно обновлять цены по триггеру (вебхуку) при редактировании таблицы (для Google). - При обнаружении изменений система должна найти соответствующий товар на сайте по уникальному ключу и обновить его цену. - Если товар с таким ключом на сайте не найден, в log должно быть записано предупреждение. - Если цена в таблице пустая или равна 0, система должна установить для него статус "Нет в наличии" (настраиваемое правило). - Система должна корректно обрабатывать ошибки (отсутствие интернета, недоступность таблицы или сайта, неверный формат данных) и уведомлять администратора по email/в телеграмм. Готовы рассмотреть ваше предложение по цене!.

Доработка существующего продукта. Надо доработать файл, чтобы была сводная таблица и мы могла собирать и анализировать данные по филиалу.

Настройка, доработка существующего продукта. Ищем человека для аналитики с использованием гугл табличек.

Сделать дашборд в яндекс ленс. По данным из excel файла отобразить в яндекс ленс.

Доработка существующего продукта.

Data Science. Разработка с нуля. Программа учета эффективности работы кураторов на основе ексель. Основные направления план факт остаток. Чтобы можно было выгружать статистику.

Data Science. Настройка. Пожелания и особенности: Помочь прочитать в pythone файл формате parquet.

Data Science. Нужна помощь в подготовке к тестированиьсоа Yandex DataLens Certified Analyst.

Разработка с нуля. Кураторство в написании статьи.

создание проекта. Нужна помощь с проектом.

Разработка с нуля. Написание статьи ВАК.

Data Science. Разработка с нуля. Функционал бота (ассистент юриста): 1. Общение с клиентом и сбор его данных в формате диалога/вопросов. Данные могут даваться в произвольной форме: сообщение, документ, фото. 2. Анализ ситуации клиента и поиск по базе знаний подходящее решение и документ. 3. Автоматическое оформление документа по данным клиента 4. Анализ ситуации и документа и прогнозирование результатов 5. Выстраивание стратегии, планирование и создание расписания. Цена договорная, желательно пишите.

Data Science. Разработка с нуля. Диплом по теме "Разработка модели для прогнозирования цен фьючерсов на сахар и какао-бобы".

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

Data Science. Разработка с нуля. Диплом по програмированию по теме.

Разработка с нуля. Разработка.

Доработка существующего продукта, настройка, тестирование. Обязанности: • Создание, настройка и поддержка ETL и ELT — процессов. • Мониторинг работы аналитического контура ГИС ЖКХ. • Контроль качества данных, очистка данных. • Организация пайплайнов потоков данных. • Разработка и поддержка ВЕБ-сервисов, API и CLI для работы с данными. • Написание SQL запросов к БД. • Написание кода на Python в ETL - инструментах (например, DAG Apache Airflow и пр). • Участие в создании, описании, оптимизации и доработке структур хранения данных. • Участие в администрировании и оптимизации работы используемых СУБД. • Подготовка аналитических материалов в части работы ETL — процессов. • Подготовка предложений по оптимизации и совершенствованию существующих процессов управления данными. Требования: • Глубокие знания и опыт использования таких инструментов инструментов: Apache Kafka, Apache Airflow, Apache Nifi, Debezium • Знание основ построения баз данных (опыт работы с СУБД PostgreSQL, ClickHouse, Greenplum) • Знание основ построения аналитических хранилищ (Data Warehouse) • Уверенные знания SQL • Уверенные знания Python. Опыт работы с библиотеками Pandas, NumPy, SciPy и др. • Опыт работы с ОС Windows и Linux. • Умение работать с любыми источниками данных, в том числе не формализованными, загружать информацию с ВЕБ сайтов, FTP серверов, парсить HTML, XML, загружать данные из MS Excel и пр. • Аналитическое мышление, умение работать с большими объемами данных Будет плюсом: • Опыт работы Pentaho Data Integration, • Опыт работы со Spark, Livi, • Опыт работы с BI - системами. • Опыт работы в компании МегаФон.

Data Science. Разработка с нуля. Требуется реализация небольшого проекта под ключ: Alive Tag — это система для возврата потерянных вещей с помощью QR-кодов. На каждой метке напечатан уникальный QR, ведущий на страницу вещи. Когда находчик сканирует код, открывается страница с описанием вещи и формой, через которую он может написать владельцу, не зная его личных данных. Владелец регистрируется через систему авторизации Alive ID, привязывает метки к своим вещам посредством ввода номера телефона / адреса электронной почты. Система состоит из: • веб-интерфейса для находчика (публичная страница вещи), • личного кабинета владельца (управление метками), • админ-панели для выпуска меток модерации и статистики. Технологически используется (предпочтительные технологии): • Backend — Node.js (NestJS), • Frontend — Next.js, • база данных — PostgreSQL + Redis, • авторизация — Alive ID (OIDC, JWT, MFA), • уведомления — e-mail и пуши, • хранилище — S3. Основные принципы: безопасность (HTTPS, подписи ссылок, антиспам), простота (скан → отображение данных), и полная защита личных данных. Этапы запуска: 1. MVP — регистрация, сканирование, отправка сообщения, уведомление владельцу на e-mail. 2. Кабинет владельца — управление метками и данными. 3. Добавление пуш-уведомлений, отчётов и локализации.

курсовая работа. Нужна итоговая работа по окончании курса Аналитик данных. На 15-20 листов. По срокам до 7 ноября. Есть примеры работ.

Data Science. Разработка с нуля. Пожелания и особенности: Необходимо разработать дашборд для маркетплейса узум через апи.

Data Science. репетитор. Требуется помощь и объяснение Hadoop/Spark для решения задач в магистратуре.

Тестирование. Тест.

Тестирование. Тест.

Настройка. Нужно обучение обработки данных на конкретной выгрузке из 1С. Офлайн, г Санкт Петербург.

Доработка существующего продукта. Разработка отчета на примере уже существующего.

Там не только датасет, там буквально вся работа, подобнее расскажу в сообщениях.

репетитор. Пожелания и особенности: подготовка к КР в НИУ ВШЭ.

Разработка с нуля, доработка существующего продукта. .

Доработка существующего продукта.

Data Science. Разработка с нуля. Название набора данных Источник данных (название платформы/организации) Прямая ссылка на данные (URL страницы, где можно скачать данные или получить к ним доступ) Лицензия (если указана: открытая лицензия, условия использования) Временной период (за какие годы/месяцы представлены данные) География (страна, регион, город) Дата последнего обновления (когда данные были опубликованы/обновлены).

Помощь с резюме и если возможно , трудоустройством на позицию ML engineer или DS. Пожелания и особенности: Нужен человек, который понимает как устроен HR отбор на позицию Ml/Ds и понимающий , как правильно нужно оформлять резюме для ПЕРВОЙ работы, все подробности про мой опыт могу изложить в сообщениях.

Data Science. Выгрузка данных. Пожелания и особенности: Необходимо выгрузить по API все принятые поставки из четырёх кабинетов (2 на Wildberries и 2 на Ozon) за период с 01.01.2025 по 23.10.2025. Формат: дата/кол-во/артикул/кабинет (пример в скрине).

Data Science. Настройка, разработка с нуля, тестирование. Разработать рабочую программу (графики с температурными полями, уравнения).

Data Science. Разработка с нуля. Прикрутить к сайту самое простое в мире окно авторизации с БД ползователей.