Где порешать алгоритмические задачи на Python?

Для проверки и оттачивания навыков программирования программисты частенько решают разнообразные программистские задачи. Отличный сайт для этого — https://leetcode.com/ (рекомендовано Yandex.HR). Требует регистрации по email.

Онлайн-эмуляторы SQL

Время от времени появляется потребность проверить или улучшить свои знания SQL. В этом могут помочь разнообразные сервисы, в которых предоставляют как задачи, так и эмуляторы SQL для проверки своих запросов. Свою-то базу данных поднимать совсем не хочется.

Интенсив по созданию чата от SkillBox. Пройдено.

В качестве нового варианта продвижения своих услуг SkillBox теперь проводит бесплатные трехдневные интенсивы по разработке небольших приложений. Для меня родным стал Python, так что я соблазнилась на интенсивчик по созданию мини-чата на Python ( https://webinar.skillbox.ru/messenger-python/) с преподавателем Артёмом Манченковым. Видела еще рекламу интенсива по созданию подборщика паролей.. но подборщика не хочу 🙂

Хакатон по BI от myBI Connect

В ноябре-декабре ребята из myBI Connect (у них еще классный блог) организовали свой первый хакатон на тему BI-аналитики. Мы с коллегами (Сергей Чипкин и Илья Карабаев) поучаствовали в этом мероприятии и заняли почетное третье место. В этом посте хотелось бы поделиться своими впечатлениями от хакатона. Если кратко: было весело 🙂

Статистические поправки для мульти-вариантных тестов. Часть 2. FDR

Поскольку процедуры контроля FWER достаточно «жесткие», статисты пытались придумать что-нибудь еще, но в итоге доказали, что более мощных процедур для FWER построить нельзя: Без дополнительных предположений нельзя построить более мощную процедуру, чем метод Холма При независимости экспериментов нельзя построить более мощную процедуру, чем метод Шидака-Холма Зато можно сделать мощную процедуру для FDR — и, как […]

Статистические поправки для мульти-вариантных тестов. Часть 1. FWER.

В случае проведения A/B/../N теста возникает проблема множественной проверки гипотез. Грубо говоря, если мы фиксируем уровень значимости как 0.05, то вероятность ошибки первого года (отклонение верной нулевой гипотезы) будет 5%. И если мы проводим сотню таких экспериментов, то раз 5 мы получим ошибочное принятие альтернативы. Такие проблемы возникают, например, если мы проверяем у людей наличие […]

Машинное обучение в digital-маркетинге

Соль большинства маркетинговых задач — это подбор правильной аудитории и правильного предложения под заданную аудиторию. Это очень похоже на оптимизационные задачи, многие из которых можно решать методами машинного обучения, а некоторые активнейше решаются. Попробуем сгруппировать эти задачи и описать масштаб трагедии, разыгрывающейся перед специалистами по ML.

Нарисовать граф с Graphviz в Jupyter Notebook

Однажды мне понадобилось нарисовать граф в Jupyter Notebook. Когда дело доходит до визуализации графов,  то проходит ассоциация с библиотекой GraphViz. В первый раз мы с ней познакомились во время решения задач mlcource.ai от ODS — нужно было нарисовать итоговое дерево решений. Но вообще славный GraphViz рисует не только деревья, а в принципе любые графы.

Шанс побить — интерпретация

Как бы ни была прекрасна математика, распределения вероятности, плотности, зависимость и независимость и прочее, и прочее — на практике обычно все сводится к тому, что нужно сравнить две цифры. Желательно быстро, качественно и недорого. Для этого люди и считают шанс побить — вероятность того, что один вариант лучше, чем все остальные. Саму методику расчета можно […]

Шанс побить всех — теория

A/B эксперименты, на мой взгляд, один из самых мощных инструментов для проверки придуманных гипотез (относительно чего угодно — целевой аудитории, юзабилити, маркетинговых ходах и решениях, … ). Говоря об экспериментах, всегда возникает естественное желание оценить достоверность полученных выводов. Метод «на глаз», как правило, работает сомнительно. На помощь приходит «шанс побить» — та самая магия, которая […]