Data scientist – работа для фрилансеров в Москве

Data Science. Разработка с нуля. Пожелания и особенности: Система контроля за курением сигарет.

Data Science. Настройка. Создать электронный кошелёк.

Доработка существующего продукта.

Data Science. Кое-что узнать). Есть ли возможность по 3 юзерам (просто ссылкам) знать на каком устройстве они были зарегистрированы и привязана. Это личный интерес, нужно выяснить кое-что.

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

Разработка с нуля, настройка. -.

Доработка существующего продукта.

Data Science. Консультация специалиста по антифрод-системам и fraud detection. Пожелания и особенности: Нужна консультация специалиста по antifraud / fraud detection. Интересует: — принципы работы антифрод-систем маркетплейсов и сервисов с пользовательскими профилями — типовые причины автоматических блокировок и ручных проверок аккаунтов — поведенческие, технические и статистические сигналы, которые обычно используются (без обхода и взлома) Задача — понять логику антифрода. Не требуется разработка, внедрение или обход систем. Желателен опыт работы с antifraud / risk / ML / data science в финтехе, маркетплейсах или платформах услуг.

Подготовка к очному этапу стажировки Ozon camp. Пожелания и особенности: Хотелось бы найти человека знакомого с этапами различных стажировок.

Data Science. Разработка с нуля. -.

Доработка существующего продукта. Ищу специалиста, который обрабатывает большие объемы в таблице Excel, учитывая акты и другую информацию.

Data Science. Mock интервью. Провести mock-интервью по system design.

Сдача теста для вуза по аналитической систематике.

Data Science. Разработка с нуля. Есть программа 3d Slicer, есть диск с данными КТ, ОФЭТ/КТ и лимфосцинтиграфии, нужен человек умеющий работать в данной программе и сопоставлять в ней данные КТ, ОФЭТ/КТ и лимфосцинтиграфии. Важно умение накладывать в ней снимки, совмещать и убирать ненужное.

Консультация. Пожелания и особенности: Требуется помощь с решением тестового задания по риск анализу кредитного портфеля физических лиц. Требуется определить корреляции Default Ratio по портфелю и поведения клиентов заёмщиков. Инструментарий Excel или Python Pandas.

Настройка, разработка с нуля. Нужен анализ экспортного потенциала нашей продукции и стратегия выхода в выбранные страны.

Разработка с нуля, доработка существующего продукта. LLM Application Engineer Unimatch Lab — венчурная AI?студия из Кремниевой долины, которая за 24 месяца строит линейку из 100 вертикальных AI?продуктов (HealthTech, LegalTech, HRTech, PropTech и др.). Ищем LLM Application Engineer с опытом продакшн?разработки AI?приложений, кто умеет автономно принимать архитектурные решения, оптимизировать качество/стоимость LLM и использовать AI?инструменты как часть рабочего процесса, а не «игрушку». Технический профиль - 2+ лет в Python/Node.js (FastAPI, NestJS), уверенная работа с PostgreSQL, Redis, брокерами сообщений (Redis Streams/RabbitMQ/Kafka). - Глубокий опыт с LangChain/LlamaIndex/AutoGen, RAG?системами, векторными БД (ChromaDB, Pinecone, Weaviate, Qdrant), OpenAI/Anthropic/Azure OpenAI и on?prem моделями. - Настройка RAG?пайтлайнов и hybrid search, промпт?инжиниринг (Chain-of-Thought, Few?Shot и др.), fine?tuning через LoRA/QLoRA, работа с embeddings и интеграциями внешних API/инструментов. Продакшн и качество - Продакшн?деплой LLM (vLLM, TGI, Ollama, AWS/GCP), Docker/Kubernetes, CI/CD, MLOps (логирование, мониторинг, drift, версионирование моделей), observability (Prometheus, Grafana, Sentry). - Unit/integration?тесты (pytest/unittest, Jest/Supertest), валидация через Pydantic, code review и статический анализ (ESLint, Prettier, Black, Pylint). Желательны: Notion/Slack API, Linux/SSH, serverless (Lambda/Workers/Vercel), оптимизация стоимости и latency LLM, опыт high?load (от ~1k RPS). Зона ответственности - Архитектура и разработка RAG?систем и многошаговых AI?агентов, интеграция LLM в продакшн?сервисы (API?слой, роутинг, fault?tolerance, наблюдаемость). - Fine?tuning под домены, разработка и A/B?тестирование промптов, оптимизация производительности и стоимости, сопровождение тестов. - Участие в продуктовой и технической архитектуре, документация (API, релизы, инструкции по интеграции). Условия - Доход от 3000 до 4500 USD/мес, но вообще без жёсткого потолка, рост вместе с количеством продуктов и перформансом. - Быстрый трек до Tech Lead и лидера продуктовой ветки из 3–5 AI?продуктов с опционами/долей, команда A?Players и минимальная бюрократия. - Полностью удалённо и гибко по времени, фокус на результате и доступ к сильному AI/венчур?нетворку. В отклике пожалуйста укажи свой релевантный опыт по возможности прикрепи резюме или портфолио и опиши какой нибудь интересный кейс из своего опыта =) Можешь написать мне на профи ру или в телеграмм@ildarca_w.

Создание блокнота с табличными данными. Проект состоит из нескольких критериев: - оформление - описание данных - описание признаков - фильтрация - новые признаки - частотные таблицы - визуализация - сводные таблицы.

Data Science. Разработка с нуля. Нужна помощь с написанием кода.

Разработка с нуля. Описание бизнес процесса по правилам bpmn.

Data Science. Разработка с нуля. Пожелания и особенности: нужно извлечь текст из картинок jpg, убрать ошибки, сделать лемматизированный частотный словарь, визуализировать коллокации.

Data Science. проект по временным рядам. Нужна помощь с решением дз по временным рядам, полностью исключается использование ИИ при создании кода и текстовых ячеек с выводами и тд.

Анализ и прогнозирование временных рядов. Домашнее задание на временные ряды и анализ данных работа в Гугл колабе. Дедлайн 18.12 23:59.

Data Science. Разработка с нуля. Требуется выполнить задания из файла и составить диаграмму Ганта.

Анализ данных. Помощь с анализом и прогнозированием временных рядов.

Разработка с нуля. Необходима помощь с имеющимся заданием.

Разработка с нуля.

Разработка с нуля.

Data Science. Настройка, доработка существующего продукта, тестирование. Разработка базы данных для автотранспортного предприятия.

Data Science. Разработка с нуля. Легкий Object detection.

Разработка с нуля. Необходима помощь с набором условий.

Data Science. Разработка с нуля.

Разработка с нуля. Работа в spss statistics 1. мультиколлинеарность 2. нормальность распределения регрессионных остатков (тест колмагорова смирнова) 3. гомоскедастичность 4. выбросы 5. регрессионное уравнение для генеральной совокупности. 6. Содержательно проинтерпретируйте регрессионные коэффициенты и константу; 7.Опишите качество полученной модели и проинтерпретируйте соответствующий показатель. 8. Сравните предикторы между собой по силе воздействия на зависимую переменную. Какой из предикторов оказывает самое сильное влияние? А какой – самое слабое? переменные будут и интервальные и номинальные/порядковые поэтому их надо будет переделать в фиктивные.

Разработка с нуля. 1. Выбрать данные(обсудим), предпочтительно в табличной форме (Excel, CSV) 2. С помощью Pandas провести анализ данных и визуализацию 3. Стилизовать визуализацию, чтобы получить некоторую консистентную инфографику в оригинальном стиле 4. Продемонстрировать изучающий и объясняющий формат визуализации данных для выбранной темы, описать используемые статистические методы (т.е презентация).

Data Science. решение контрольной работы. Нужно будет решить контрольную работу в университете, 2 курс. Работать предстоит в SPSS statistics. Будет предоставлен массив данных и тз. Ориентировочно, список тем прикрепляю.

Data Science. Разработка с нуля. Построение dwh.

Data Science. Разработка с нуля.

Data Science. Настройка.

Data Science. Доработка существующего продукта. Здравст.из программы нужна выгрузка данных в другую программу в виде таблице Наименование номенклатуры Текущее кол-во в единицах измерения Внутренний штрих код Серия препарата Срок годности препарата Номер сертификата ГТД Делитель единицы измерения Цена закупочная без НДС за единицу измерения (не должно быть пустым, не должно быть =0) Цена розничная с НДС за единицу измерения Ставка НДС партии товара Код поставщика в старой СТУ Дата приходного документа поставщика Номер приходного документа поставщика Код номенклатуры в старой СТУ Цена производителя без НДС (для ЖВ обязательно, для остальных если нет можно 0) Номер счет фактуры Дата счет фактуры Признак КИЗ (True или False) Наименование производителя КИЗ. Может быть как коротким – 27 знаков (GTIN+SGTIN), так и полным – со всеми нечитаемыми символами и криптохвостом.

Data Science. Разработка с нуля, тестирование, доработка существующего продукта. Создать демонстрационное решение для ресторана, которое прогнозирует спрос на блюда с помощью Facebook/Meta Prophet и показывает, какой набор инструментов тестирования ML лучше выявляет проблемы в данных и прогнозах (ошибки качества данных, дрейф, аномалии, деградация качества). Результат нужен для принятия решений о внедрении контроля качества ML-пайплайна и повышения надёжности прогнозов, влияющих на закупки, планирование кухни и выручку. ПОЛНОЕ ТЗ ВО ВЛОЖЕНИИ!.

Кластер Yandex DataBase. Пожелания и особенности: Важно не только развернуть кластер, но и выполнить задания по списку (приведен пример одного из самого простого). Ищу специалиста, кто поможет разобраться.

Разработка с нуля. Есть большой массив текстовых данных (не цифры). Необходимо провести анализ по параметрам для научного исследования. Все детали - специалисту.

Data Science. пробить человека. Меня обманули на 1000 рублей.хочу узнать кто он такой.

Обучение. Помочь с решением несложной задачки в гугл таблице.

Разработка с нуля.

Разработка с нуля. Построить ETL процесс загрузки данных из источника в Pg/ClickHouse с помощью Airflow, dbt от src до ods Источник: БД (Postgres, MySQL, MongoDB) или API Захват изменений (каждый пункт считается) Snapshot - 1 балл Increment - 1 балл CDC - 2 балла Обработка данных в базе stg to raw - 1 балл raw to ODS - 1 балл Использование dbt - 2 балла Разложение по dim/fct - 1 балл SCD2 dim - 1 балл сделать приватный репо в гитхабе и docker-compose, который запуcnbncz и получтся финальая база с ODS. для CDC использовать источник и таргет одинаковый (postgres) скрипт для подключения к бд предоставлю.

Data Science. Разработка с нуля, тестирование, настройка. Пожелания и особенности: база данных в VizualStudioCode и Xamp, В sql тоже.

Подготовка к собеседованию в магистратуру. Мне необходимо подготовиться с теоретической и с практической точки зрения к собеседованию в магистратуру "Data science" (есть бэкграунд). Файл с полным перечнем прикреплен Блок 1. Математика 1. Линейное пространство (ЛП). Линейная зависимость и независимость. Базис и размерность ЛП, их связь. Замена базиса, матрица перехода, преобразование координат при замене базиса. (А. Г. Курош. Курс высшей алгебры) 2. Матрицы. Ранг матрицы, ранг произведения матриц, ранг транспонированной матрицы. Определитель матрицы. Определитель произведения. (А. Г. Курош. Курс высшей алгебры) 3. Евклидовы и унитарные пространства. Свойства скалярного произведение, неравенство Коши — Буняковского. (А. Г. Курош. Курс высшей алгебры) 4. Норма, ортонормированный базис. Разложение пространства в прямую сумму подпространства и его ортогонального дополнения. (А. Г. Курош. Курс высшей алгебры) 5. Линейный оператор и его матрица. Преобразование матрицы при замене базиса, характеристический многочлен. Собственные векторы и значения, геометрический смысл. (А. Г. Курош. Курс высшей алгебры) 6. Квадратичные формы, их знакоопределенность и канонический вид. Унитарные и нормальные операторы. (А. Г. Курош. Курс высшей алгебры) 7. Производные. Необходимое и достаточное условия дифференцируемости функции. Частные производные. Полный дифференциал. Дифференцирование сложной функции. (Г. М. Фихтенгольц. Курс дифференциального и интегрального исчисления) 8. Градиент функции. Безусловный экстремум функции многих переменных. Необходимые и достаточные условия экстремума функции многих переменных. Условный экстремум. (Г. М. Фихтенгольц. Курс дифференциального и интегрального исчисления) и др. Блок 2. Информационные технологии 1. Высокоуровневые языки программирования. Переменные, условия, циклы, массивы, функции, рекурсия. Реализация в машинном коде. Компиляторы и интерпретаторы. (Б. Страуструп язык программирования С++) 2. Язык программирования Python. Хранение данных в памяти, копирование, скалярные типы данных и правила работы с ними. Приведение типов. Приоритеты операций. (Лутц, М. Изучаем Python) 3. Строки в Python. Операции со строками. Основные функции и функция str(). Форматный ввод/вывод. Спецификации формата: правила их записи и использования. (Лутц, М. Изучаем Python) 4. Циклы и условия в языке программирования Python. Функция range(). (Лутц, М. Изучаем Python) 5. Списки, кортежи, словари, множества в Python. Особенности, назначение и основные методы работы. (Лутц, М. Изучаем Python) 6. Функции в Python. Области видимости, рекурсия, lambda функции. (Лутц, М. Изучаем Python) 7. Многомодульные программы. Связь программных модулей. Области видимости. Операторы import, from …import и from…import *. Менеджер пакетов pip и правила работы с ним. Установка библиотек, версии. Работа с requirements.txt. (Лутц, М. Изучаем Python) и др. Пример практического задания: Реализовать сортировку методом пузырька на любом языке программирования.

Data Science. Простой пайплайн с ОСR старославянских текстов из сканов. Работаю над созданием кастомной OCR-модели под старославянский текст XVI–XVII вв. Есть проблема, которую стандартные движки не решают: – 10–15 типов надстрочных знаков, – нестандартная раскладка, – редкие кириллические и греческие символы, – проблема сегментации (диакритика «уезжает» в отдельную строку). Нужен специалист, который понимает как решать и имеет практический опыт работы с задачами: 1. Разметка строк вручную/полуавтоматически. 2. Создание датасета пар «скан ? текст». 3. Тестирование Kraken (обязательно)/Calamari(по возможности): – line segmentation, – training alphabets, – ground truth mapping. 4. Построение минимального прототипа пайплайна: папка A (исходные сканы) + CLI-скрипт -> папка B (текстовый результат в правильной раскладке). 5. Создание краткого аргументированного отчёта о том, какой путь обучения модели реалистичен и оптимален для решения поставленной задачи. На первом этапе — пилот за начальную сумму Это R&D-этап. Если подходим друг другу — продолжение проекта: обучение основной модели (кратно больший бюджет). От вас нужны: – опыт OCR или ML; – понимание сегментации строк; – умение работать с нестандартными алфавитами. Для пилота дам 5–10 страниц сканов и эталоны. Пишите кратко: с какими OCR-движками работали, 2-3 примера похожих решенных задач. Вышлю дополнительные вопросы и материалы. Желаю всем взаимовыгодных проектов! С уважением, Алексей.

Настройка. 1. Настроить метрику покупку eCommerce 2. Поправить капчу на cms Joomla 3. Проверить остальные Цели и Сегменты в метрике. Основное: настроить корректную передачу eCommerce-события purchase из JoomShopping в Яндекс.Метрику через dataLayer + GTM. На данный момент purchase-данные не отправляются, Метрика не получает данные, цель «Ecommerce: покупка» пустая. Что нужно сделать! ШАГ 1. Добавить dataLayer.push на страницу завершения заказа ШАГ 2. Настроить GTM ШАГ 3. Проверить отображаются ли заказы. Проверка обязательно. Развернутое тз есть Специалисты с опытом!.