⚡ Kotobotov ⚡

>Сейчас в девятом классе, математика на уровень физ-мат лицея - твердая 4
если тебе не требуется придумывать новых алгоритмов, или там какие-то свои библиотеки писать, то твоих знаний по математике уже достаточно чтоб работать в МЛ тематике. Можно сфокусироваться на питоне и его экосистеме, всяких там МЛ библиотеках. Просто разбирай конкретные задачи, повторяй за другими.

>претендовать на какую-нибудь затхлую должность недоаналитика для начала карьеры
пробовать устроится то можно, НО обычно кроме теории требуется опыт решения задач, при этом в бизнесе часто сами задачи и используемые технологии очень размыты - поэтому без разнообразного опыта врядли можно устроится и нести какую-то пользу.
нужно вобщем добавить работу с проектами, либо самостоятельно что-то придумать, либо попытатся стажером поработать (ёсли где-нибудь набирают).
после этого года через 2-3 можете наверно пробывать на начальные позиции устроится.
ну может и раньше получится, пробуйте.

я тоже в целом посоветовал бы что-то арендовать если так надо, но обычно любую задачу можно решить на обычном компьютере бытовом, без всяких выкрутасов, просто объем данных сократить, или вы хотите чемпионом мира по анализу данных стать? если именно такая задача, то вам лучше в начале показать какой-нибудь результат на уровне мастера, а потом уже кооперироваться с кем-нибудь, кто будет предоставлять кластер.

создать веб-сервис из наброска в "блокноте" -> этим и занимаются программисты.
никаких волшебных опен сорс коробочек, которые сделают это за тебя, нету.

Ну если разобраться что мы подразумеваем под Интернетом Вещей - разные датчики, устройства которые объедены через интернет. Обычно подразумевается что у тебя например в каждом доме есть какой-то датчик, или это устройство, и каждый такой датчик например генерирует ежесекундно данные.
Одно устройство может генерировать хоть мегабайт данных в день (иногда и гигабайт в день), и таких устройств может быть хоть миллиард -> это гигантское количество данных которые тебе нужно обрабатывать и на этом предоставлять какой-то сервис.
Это и есть биг дата (объем данных которые никак не обработать мощностями отдельного компьютера).
Как такой объем данных связан с машинным обучением?
Когда ты работаешь с системой, у которой например есть 2-3 параметра, например поступление топлива в котел и температура котла -> ты можешь в ручную запрограммировать модель управления температурой в зависимости от подачи топлива и управлять такой системой. Когда у тебя есть 20 параметров ты можешь набрать собрать несколько ученых и построить сложную модель с формулами из 20 переменных. Но когда у тебя число переменных параметров насчитывает тысячи штук, нет никаких возможностей что-то понять и как-то разобраться.
Тебе очень сложно выявить зависимости и схемы поведения в сетях из миллиарда устройств. Чтоб понять как лучше управлять такими сетями и используется машинное обучение.

машинное обучение - так называется схема благодаря которой алгоритм может подстраиваться под требуемый результат (грубо говоря самоулучшаться), дип лернинг - это машинное обучение на большом объеме данных, искусственный интеллект - изначально под этим подразумевали искусственный разум (такойже как у тебя например, только искусственно созданный), но сейчас все больше просто подразумевают хоть какие-то признаки самостоятельного принятия решений (уже якобы интеллект), вобщем это уже категории из философии, а не программирования. Предполагается что машинное обучение - одна из основ для искусственного интеллекта.

можно написать простейший генератор случайных чисел от 0 до 100, и добавить к нему случайно "вверх" и "вниз", а потом на последовательности этих данных построить график, то вы его не отличите от текущего торгового графика.
Советую вам не просирать свою жизнь на поиски того чего нет.

Машинное обучение — всего лишь другое название статистики.

в машинном обучении есть несколько основных направлений.
от психологов пришли -> к нейросетевым подходам
от физиков -> пришли к моделированию
от математиков и статистиков -> пришли к статистическим/вероятностным подходам
от биологов пришли -> к эволюционными алгоритмами.
-------
Про книгу в 608 страниц о статистике -> я бы сказал, лучше не читать, для того чтоб вкатится в машинное обучение столько именно статистику изучать точно не требуется.
нужно знать только что такое вероятность, и как считать условную вероятность

1) https://data.gov.ru/
2) с чем удобнее работать с тем и решайте,
если же ничего не использовали ранее то у вас есть возможность попробовать что-то новое и передовое например https://www.wolframalpha.com/

Сделать можно, как вы заметили нужен более менее единобразный интерфейс подключения и схемы работы с оборудованием. Постепенно либо производители к этому прийдут, либо появится один производитель который предложит простые и понятные и не дорогие схемы работы.
Плаг энд Плей - как на ПК. типа включил и система (главный сервер) всех видит, предлагаются автоматически варианты взаимодействия с новым оборудованием.

в вики достаточно кратко и понятно
https://ru.wikipedia.org/wiki/%D0%9C%D0%B0%D1%88%D...
-----
но не берите грех на душу, если нет опыта, отдайте задачу тем кто уже занимался этими вещами. Иначе за такие решения, сами разработчики могут затоить на вас лютую злобу)

цепи маркова всегда генерируют случайные данные (мусор), просто ограниченные определенными правилами (размерами вероятностей).
поднять качество можно используя соревновательный подходы GAN (в области генерации такой подход сейчас на острие находится).
подробнее тут:
https://ru.wikipedia.org/wiki/%D0%93%D0%B5%D0%BD%D...

начальные веса случайным образом можно раздать, тоесть случайно определять какой класс перед тобой, для текущих весов. потом все равно ты изменяешь конфигурацию пространства гиперплоскости подгоняя его под требуемый результат, чтоб было больше правильных ответов, через механизм обратной связи)
ну вобщем классическая схема, где стартовые значения не имеют особого значения, результат все равно будет один и тотже.

одна из самых сложнейших и не решенных задач -> автономная навигация, до какой либо цели, например в другом городе.
подзадача: поиск и точная идентификация конечной цели пути (существующие системы слежения регулярно теряют цель, и не могут ее потом найти), понять короче, куда двигаться.
еще одна подзадача: точного определения своего месторасположения (например когда нет сигнала со спутника, или в сигнале есть какая-либо ошибка), ориентируясь на местности.

хех, вы хотите чтоб мы за вас написали вам ТЗ?
нет устоявшихся успешных решений в этой области, просто не существует, ваша (стартапа) задача НАЙТИ такое решение.
Для этого поиска, можно использовать бесчисленное количетсво методов, подходов, технологий, языков и тд.
Найдите грамотных разработчиков, позвольте им САМИМ РЕШИТЬ как правильнее это делать, а не диктуйте им решения раз сами в этом нихрена не понимаете, формируя представления в теме на основе каких-то обсуждений на форуме.