@sneg2015 еще один вариант : Вы - ассистент по анализу данных. Всегда отвечай, генерируя исполняемый Python код с pandas. Данные: файл 'sales.csv' с колонками: date, product, revenue, units_sold Задача: проанализировать сезонность продаж Сгенерируй код который: 1. Загрузит данные 2. Преобразует даты 3. Посчитает месячную выручку 4. Построит график тренда 5. Выведет статистику Не объясняй словами - покажи код.
от LLM вы получите:
python
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
# Загрузка данных
df = pd.read_csv('sales.csv')
df['date'] = pd.to_datetime(df['date'])
# Анализ сезонности
df['month'] = df['date'].dt.month
monthly_revenue = df.groupby('month')['revenue'].sum()
print("Месячная выручка:")
print(monthly_revenue)
plt.figure(figsize=(12, 6))
plt.plot(monthly_revenue.index, monthly_revenue.values)
plt.title('Сезонность продаж')
plt.xlabel('Месяц')
plt.ylabel('Выручка')
plt.grid(True)
plt.show()
# Дополнительная статистика
print(f"Общая выручка: {df['revenue'].sum():.2f}")
print(f"Средние продажи в месяц: {monthly_revenue.mean():.2f}")
Вы правы в своих сомнениях. Нейросети как хороший друг - если не знает как ответить, то может просто соврать, чтобы поддержать тебя. Ей нельзя верить на 100%, но она даст помощь в направлении куда мыслить, или с чего начать, если ты оказался в затруднении.
Первое, прикинул несколько ситуаций, получается, что рассчитывать точно не обязательно, можно сразу накидывать к результатам +/- 5% погрешности и этого достаточно. А второе, на такой результат не стоит полагаться без указания условия в которых проходил опрос. К примеру, в ваш магазине в эту пятницу пришли 1000 человек, из них у 400 человек вы провели опрос, придут ли они еще раз в следующую субботу, и 20% сказали да. Накидываем +/- 5% погрешности, получаем диапазон 15-25%. Растягиваем результат на 1000, получаем 150-250 человек придут в следующую субботу, согласно расчетам. А теперь добавляем уточнение, что опрос проводился 31 декабря в пятницу, и следующая пятница - 7 января. И я просто на 100% уверен, что будет при таком уточнении результат совершенно отличный от расчетного. Или второй пример, который показывает, что без уточнений условия проведения опроса расчеты могут давать не верную картину: в интернете проведен опрос, требовавший ответ в свободной форме "да" от 99,99% опрошенных, и один ответ "я котик, у меня лапки" . А был задан вопрос "пользуетесь ли вы интернетом?" и опрос проводился через страницу сайта и опрашиваемый вводил ответ своими ручками. в данном случае погрешность выборки при уровне доверия 99% составляет примерно 0.99999%. Если мы применим расчетную погрешность 0.99999% к 1 миллиону человек, то можно ожидать, что при таком объеме аудитории примерно 0.99999% от 1 миллиона человек (то есть примерно 9999.9 человек) могут ответить "нет", учитывая погрешность выборки при уровне доверия 99%. Таким образом, округленно примерно 10,000 человек среди миллиона могут ответить "нет", хотя опрос проводился через страницу сайта и опрашиваемый вводил ответ своими ручками. И, кроме того, способ проведения опроса не предполагает, что результат будет корректным, так как выборка была произведена с ошибкой в условии проведения такого опроса.
Спасибо, материал полезный. НО!!!! Ох, как же тяжело читать текст в вашем изложении! Хоть тема полезная, но повествование, как заяц, прыгает туда-сюда, постоянно сбивая с понимания прочитанного, все время приходится возвращаться к ранее изложенному, чтобы поймать ход рассуждений.
Спасибо за ваш текст. Но наглядности бы. В следующей статье пример резюме, оформленного по вашим рекомендациям, приложите? С разъяснением по каждому блоку того, почему всё написано именно так.
Ранее читал, что при восстановлении 3д объекта при фотограмметрии хорошо бы иметь данные хотя бы об угле поворота камеры или же знать точно длину нескольких объектов на снимке, для вычисления положения камеры и угла поворота всех объектов на разных снимках. Потому в 3д сканерах используют датчик глубины. Почему этот момент у вас не раскрыт? У вас же получится псевдо 3-д объект.
Данный подход к определению результатов экспериментов может быть допустимым в определенных случаях, например, если распределение данных на самом деле близко к нормальному и параметры выборок не слишком различаются. Однако, стоит учитывать, что использование только одного критерия (мода = медиана) и игнорирование других статистических методов (например, критерий Шапиро-Уилка для проверки нормальности распределения) может привести к недостоверным результата
Приветствую. У вас же получается два столбца значений: предполагаемое действие фактора и предполагаемый результат. Обычный регрессионный анализ же всегда применяли для для получения вывода, действует или нет фактор на результат.
Статья с примерами об этом давно в копилке лежит, посмотрите, может подойдёт:
Спасибо, статья интересная. Если честно, то последний блок удивил - 350 откликов 60 собеседований за три месяца. Для меня это был бы дикий стресс, что столько стучаться в чужие ворота и получать столько отказов. Искал работу в Москве, аналитик данных, поиск занял месяц. Очень стрессовал, что все долго затянулось, что hr затягивают, я же им написал, почему они на следующий рабочий день не отписываются... Искал только через НН, откликнулся на 23 вакансии, выбирал офисы только по своей ветке метро , чтобы при необходимости появления в офисе дорога не занимала более 1.5 часа в одну сторону. С пятью компаниями провел одно собеседование. Одна подошла по условиям, начали сотрудничать. Полностью удаленка. Все таки вы правы в своем кусочке о рынке труда РФ, здесь процессы идут быстрее. Но это и хорошо.
@sneg2015 еще один вариант :
Вы - ассистент по анализу данных. Всегда отвечай, генерируя исполняемый Python код с pandas. Данные: файл 'sales.csv' с колонками: date, product, revenue, units_sold Задача: проанализировать сезонность продаж Сгенерируй код который: 1. Загрузит данные 2. Преобразует даты 3. Посчитает месячную выручку 4. Построит график тренда 5. Выведет статистику Не объясняй словами - покажи код.
от LLM вы получите:
python
@sneg2015 для дополнительной проверки корректности ответа LLM можно просить ее использовать конкретную библиотеку Python, например:
Вы: "Проанализируй мой файл '
my_data.csv', генерируя и выполняя Python код с pandas"ответ LLM: "Я создам код для анализа:
``
python import pandas as pd import matplotlib.pyplot as plt df =pd.read_csv('my_data.csv') print("Базовая статистика:") print(df.describe()) print("Корреляционная матрица:") print(df.corr()) # Построим график plt.figure(figsize=(10, 6)) plt.scatter(df['x'], df['y']) plt.title('X vs Y')plt.show()``"Вы правы в своих сомнениях. Нейросети как хороший друг - если не знает как ответить, то может просто соврать, чтобы поддержать тебя. Ей нельзя верить на 100%, но она даст помощь в направлении куда мыслить, или с чего начать, если ты оказался в затруднении.
Спасибо. Интересная статья.
Первое, прикинул несколько ситуаций, получается, что рассчитывать точно не обязательно, можно сразу накидывать к результатам +/- 5% погрешности и этого достаточно.
А второе, на такой результат не стоит полагаться без указания условия в которых проходил опрос.
К примеру, в ваш магазине в эту пятницу пришли 1000 человек, из них у 400 человек вы провели опрос, придут ли они еще раз в следующую субботу, и 20% сказали да. Накидываем +/- 5% погрешности, получаем диапазон 15-25%. Растягиваем результат на 1000, получаем 150-250 человек придут в следующую субботу, согласно расчетам. А теперь добавляем уточнение, что опрос проводился 31 декабря в пятницу, и следующая пятница - 7 января. И я просто на 100% уверен, что будет при таком уточнении результат совершенно отличный от расчетного.
Или второй пример, который показывает, что без уточнений условия проведения опроса расчеты могут давать не верную картину: в интернете проведен опрос, требовавший ответ в свободной форме "да" от 99,99% опрошенных, и один ответ "я котик, у меня лапки" . А был задан вопрос "пользуетесь ли вы интернетом?" и опрос проводился через страницу сайта и опрашиваемый вводил ответ своими ручками.
в данном случае погрешность выборки при уровне доверия 99% составляет примерно 0.99999%. Если мы применим расчетную погрешность 0.99999% к 1 миллиону человек, то можно ожидать, что при таком объеме аудитории примерно 0.99999% от 1 миллиона человек (то есть примерно 9999.9 человек) могут ответить "нет", учитывая погрешность выборки при уровне доверия 99%. Таким образом, округленно примерно 10,000 человек среди миллиона могут ответить "нет", хотя опрос проводился через страницу сайта и опрашиваемый вводил ответ своими ручками. И, кроме того, способ проведения опроса не предполагает, что результат будет корректным, так как выборка была произведена с ошибкой в условии проведения такого опроса.
Спасибо, материал полезный.
НО!!!! Ох, как же тяжело читать текст в вашем изложении!
Хоть тема полезная, но повествование, как заяц, прыгает туда-сюда, постоянно сбивая с понимания прочитанного, все время приходится возвращаться к ранее изложенному, чтобы поймать ход рассуждений.
Спасибо за ваш текст. Но наглядности бы.
В следующей статье пример резюме, оформленного по вашим рекомендациям, приложите? С разъяснением по каждому блоку того, почему всё написано именно так.
Ранее читал, что при восстановлении 3д объекта при фотограмметрии хорошо бы иметь данные хотя бы об угле поворота камеры или же знать точно длину нескольких объектов на снимке, для вычисления положения камеры и угла поворота всех объектов на разных снимках. Потому в 3д сканерах используют датчик глубины. Почему этот момент у вас не раскрыт? У вас же получится псевдо 3-д объект.
Да, до 1.5 часов в одну сторону это терпимо. Потому то удаленка как мана небесная. Но полностью на удалёнке тоже тяжело - теряется социализация.
Данный подход к определению результатов экспериментов может быть допустимым в определенных случаях, например, если распределение данных на самом деле близко к нормальному и параметры выборок не слишком различаются. Однако, стоит учитывать, что использование только одного критерия (мода = медиана) и игнорирование других статистических методов (например, критерий Шапиро-Уилка для проверки нормальности распределения) может привести к недостоверным результата
Приветствую. У вас же получается два столбца значений: предполагаемое действие фактора и предполагаемый результат. Обычный регрессионный анализ же всегда применяли для для получения вывода, действует или нет фактор на результат.
Статья с примерами об этом давно в копилке лежит, посмотрите, может подойдёт:
https://www.mql5.com/ru/articles/1087
Спасибо, статья интересная. Если честно, то последний блок удивил - 350 откликов 60 собеседований за три месяца. Для меня это был бы дикий стресс, что столько стучаться в чужие ворота и получать столько отказов. Искал работу в Москве, аналитик данных, поиск занял месяц. Очень стрессовал, что все долго затянулось, что hr затягивают, я же им написал, почему они на следующий рабочий день не отписываются... Искал только через НН, откликнулся на 23 вакансии, выбирал офисы только по своей ветке метро , чтобы при необходимости появления в офисе дорога не занимала более 1.5 часа в одну сторону. С пятью компаниями провел одно собеседование. Одна подошла по условиям, начали сотрудничать. Полностью удаленка. Все таки вы правы в своем кусочке о рынке труда РФ, здесь процессы идут быстрее. Но это и хорошо.
Спасибо. Было полезно прочитать.
Спасибо. Вопросов нет, я живу в РФ, я не смогу из-за санкций использовать вашу идею.
Меня ваш заголовок ввел в заблуждение. Вы пишите про доход в рублях, хотя работаете в юрисдикции не РФ и платежи принимаете не в рублях.
Тогда это возможность заработка, только если у вас есть фирма и счета вне РФ.
1) сервисы ориентированы, как вы сами пишите, на клиентов США. В юрисдикции какой страны вы работаете?
2) что по налогам?
Здравствуйте. Статья интересная, спасибо.