dmshar

Как мне кажется, в абстрактном "зарубежом" слабо понимают, что такое "специалитет". У них там две градации - бакалавр и магистр. Но может в РФ есть какие соглашения о взаимном признании дипломов между странами, в которых оговаривается, к каким западным дипломам приравнять специалиста.
Ну вот, из Википедии:
"В связи с правилами участия в Болонском процессе, квалификационная степень — «специалист» в ближайшие годы прекратит своё существование для поступающих в вузы стран, участвующих в программе единого европейского высшего образования, останутся академические степени высшего образования: бакалавр, магистр"
С другой стороны (оттуда-же)
Президент России Владимир Путин усомнился в необходимости разделения на магистратуру и бакалавриат для некоторых специальностей. Он предложил возродить старую систему
Так что, к тому времени, как вы закончите Универ, озаботится наличием такого Соответствия вам возможно придется самостоятельно.

Интересно, в какой "этой сфере" имеется ввиду. Если в программировании на языке Python - то возникает вопрос: А новичек книжку хоть по Python открыл? Если бы открыл, то даже бы новичек понял, что вот тут:
a=[]
создается ПУСТОЙ список , а вот тут:
= a[0]
делается попытка из этого ПУСТОГО списка что-то прочитать.
Это как-то "не очень", в какой бы сфере вы бы не специализировались.

Кстати, могу предположить, что следующим вопросом "новичка в сфере" будет сначала
Почему появляется ошибка, свзанная с xrange(0,num), а потом "а почему у меня ошибка в строчках:
print min
print index"
Подождем.

Примерно так-же, как из среднего получить значения ряда его составляющих. По простому - никак.
Вы сначала умышленно существенно ограничиваете количество имеющейся в вашем распоряжении информации, а потом говорите - а как из этого сокращенного описания получит исходное расширенное.

Ну, если сама и с нуля - то это просто.
1. Сначала разбираемся, что такое нейросети. Для этого неплохо заранее изучить и понять алгоритмы машинного обучения, а они предполагают владение линейной алгеброй, статистикой, оптимизацией (в том числе численной).
По дороге разбираемся, что такое "обучение модели" и что такое "применение".
2. После этого изучаем как получить изображение и работать с ним - как оцифровать изображение, как его препарировать для дальнейшей работы.
3. После этого приступаем к изучению работы нейросетей, заточенных под работу с визуальными образами - ну тут можно ограничиться сверточными сетями. Правда предварительно надо разобраться с другими типами, но надеюсь, с этим справитесь легко.
4. Не забываем параллельно на достаточном уровне освоить инструменты программирования - но если вы собрались писать "с нуля" и на java, то с java придется разбираться глубоко, тем более, что образцов на этом языке для подражания в выбранной вами области не так и много. На английском - встречал, но это для вас, надеюсь, не препятствие.
Обучать модель написанную на одном языке, а потом ее перепрограммированить на другой - тот еще челендж. Но забавно, прибавляет сложностей к работе, повышает общий уровень профессиональных навыков и умений. Так что учить или нет Руthon дополнительно - решать вам самостоятельно.
5. Ну а после этого - все просто. Собираем все перечисленное выше "до купы" - и ву-аля! - нейросеть для распознавания предметов готова. Правда, ее после этого придется обучить - ну, для этого у вас уже-ж заготовлено пару (десятков) тысяч размеченных изображений разных предметов, так что тут затруднений у вас не будет.

Вот примерно как-то так. Впрочем, может какие шаги по дороге я пропустил - так что может список и немного расшириться. Тем более интересно, именно для этого и пишут нейросети в одиночку "с нуля" для развития себя как специалиста (правда, тут важно, что бы задел, который надо развивать уже был, и желательно - не элементарный).

А еще лучше, найти какую-нибудь книгу, , благо сейчас их уже предостаточно, где хотя-бы бегло описаны перечисленные выше этапы - и используя ее как Roadmap двигаться к намеченной цели, углубляясь в "ответвления" по мере продвижения и необходимости. По крайней мере можно наедятся, что автор проведет вас через все нужные вехи пути. И на форум приходить с с конкретными непонятками-вопросами. А не с "объясните, как происходит этот процесс, хочу сам его весь написать с нуля, вот только не знаю, какие технологии можно использовать".

Никогда не понимал, что значит "подготовиться к собеседованию". К экзамену понимаю - выучили "от сих до сих", ответили на вопрос, удовлетворили преподавателя, получили свою оценку и гуд бай.
А к собеседованию? Что толку, если вы "нахватаетесь" за 4 дня каких-то отрывочных знаний, даже на что-то правильно (почти случайно) ответите на собеседовании без глубокого понимания. Вы ведь тут не препода обманываете, вы завтра должны решать будете не игрушечно-собеседную, а реальную производственную задачу. Работодатель думает, что вы спец по алгоритмам, а вы просто чего-то там "нахватались" перед собеседованием. Можно догадаться, как закончиться ваш испытательный период. Так зачем тратить время? Лучше его потратить на ИЗУЧЕНИЕ алгоритмов, и на следующем собеседовании не трястись что тебя спросят чего-то, что не успел прочитать. Тогда и работодатель поймет с кем дело имеет, и вам польза будет на будущее.
В общем, собеседование - это не экзамен! К нему специально готовиться - себе во вред. Но на собеседовании надо показывать именно то, что вы собой на самом деле представляете. А если это не устраивает работодателя, то благодарить Бога, что на эту работу вас не взяли.
Впрочем, вменяемый работодатель и не будет заставлять на собеседовании до запятой рассказывать конкретный алгоритм. А вот попросить сравнить, объяснить почему один из них лучше, быстрее, экономичнее и пр. другого очень даже может. Или например попросить вас для конкретной задачи и конкретных данных подобрать наиболее подходящий алгоритм. Вот к пониманию именно таких вещей и надо посвящать время подготовки.

Сужу по уже почти суточному молчанию - всем уже НАДОЕЛО отвечать по три раза в неделю на одинаковые вопросы. Попробуйте утрудить себя поиском ответом на него хотя-бы по этому самому форуму. Ну листаните страничку со своим вопросом вниз и - о чудо - вывалиться с десяток вопросов аналогичных вашему. Я уже не говорю о самостоятельном поиске в Гуугл, в котором вам будет любезно предоставлено несколько сотен ответов на ваш совершенно уникальный и неповторимый вопрос.

И да, без навыков самостоятельно поиска ответов на свои школьные вопросы Аналитиком Данных не стать, увы. Так что вперед - оттачивать необходимые умения и навыки.

Scipy, scikit-learn, statsmodels..... главное понимать, что Data Science - это не знание методов fit() и predict(). И для того, что-бы стать настоящим специалистом в этой области надо от "хорошей математической базы в таких дисциплинах, как....." перейти к их настоящему и углубленному изучению.

Можно долго говорить, что масштабирование это нелинейное преобразование, объяснять - но все уже написано в книге. Поэтому лучше попробовать ручками написать функцию масштабирования и посмотреть, как она преобразует ваши точки (хотя-бы те, что на графике), и как она преобразует точки разделяющей прямой.
Нарисуйте график, и тогда все вопросы сами отпадут, без заумных разъяснений.

Ну, например, автоматическое распознавание текста на фотографиях. Или определение физиологических показателей по видеозаписи лица пациента. Справитесь? Если нет - то в чем смысл вопроса?
Выполнять надо те проекты, для выполнения которых у вас хватит знаний. По-моему, это очевидный ответ.

Hagel, Ну, не хотите устанавливать pip - используйте Anaconda. Судя по вопросу все (ну 99.99%) того, что вам потребуется в ближайшее время там есть. В том числе и pip.

Для того, что-бы начать изучение Data Science надо в первую очередь научиться самостоятельно Гууглить ответы на свои вопросы. Без этого, выпрашивая чужие подсказки на элементарнейшие вопросы - ну никак.
Но если этого не освоили - то хотя-бы поиск по тому ресурсу, на котором собрались задавать вопрос.
Если и этого не привыкли/научились делать - то вот срочно этим и займитесь. Потому что потом так и будете за каждым непонятным словом на форум бегать.
А что-бы меня не обвинили, что я снова "недружественен к новичкам", дам вам несколько ссылок. Изучайте:
Машинное обучение, что нужно знать в математике?
Литература или какие-нибудь курсы математики для машинного обучения?
Какие темы в математике необходимо знать, чтобы начать изучать машинное обучение?
Как выучить всю нужную математику для нейронных сетей?
Какие книги по data analysis стоит изучить? В частности по статистике и математике. Есть ли книги полезные для биоинформатиков?
Насколько хорошо надо знать математику в data science?
https://towardsdatascience.com/the-roadmap-of-math...
https://www.kdnuggets.com/2020/06/math-data-scienc...
https://habr.com/ru/post/432670/?_ga=2.266374283.4...

А че так мало вопросов? Сказали бы сразу - "а ну-ка, по быстрячку мне тут курс нейросетей изложите."
Вот только я удивляюсь, раз есть столько вопросов, неужели так сложно открыть любую книжку по машинному обучению, в которых ответы на все ваши вопросы уже есть, прочитать и разобраться? И даже на еще три десятка, которые у вас обязательно возникнут, когда вы найдет ответы на те, что вы уже задали. Что мешает? А уж когда в книгах не найдете ответы - вот тогда и искать помощи форума.
Да и черпать информацию из научно-популярных видео для младших школьников, а потом спрашивать на форуме, "а как оно работает" - тоже на надо. Ответы - ищите в тех-же книгах, они там точно есть.
P.S. Кстати, программирование хотя и имеет отношение к нейросетям, но это совершенно разные области знаний. Поэтому то, что у вас программирование у вас "что то вроде хобби" - ну вообще никакой полезной информации к вопросу не добавляет.

Не понимаю, что у вас не работает. Пишем элементарный скрипт:

n = 5**55555
print(n)
ns=str(n)
len(ns)

Код выполняется практически мгновенно.
Чему равняется полученный результат я тут писать не буду, но вот последний вывод, который говорит, сколько цифр в вашем числе приведу: 38832.
Так что надо не ошибку предотвращать, а просто ограничивать числа, с которыми вы работаете.

Что значит - "выглядел как"?
На первом графике - рисунок построен по тикам.
На втором - по датам.
Как вы от второго переходили к первому или наоборот - сие нам не ведомо. Но Matplotplb считает, что расстояние между двумя объектами - эквидистантны. И ему не важно - как - в тиках или в датах - вы ему эти данные подсовываете. Поэтому тут не Matplotlib надо разбираться, а с тем, как вы сделали переход между разными моментами фиксации значений.
Покажите ваш набор данных примерно между 2021-04-05 и 2021-04-07 - и все станет понятно.

С учетом всех уточнений, наиболее лаконичное, что мне удалось придумать:

import numpy as np
import itertools
ind=np.array([[[1,2,3]], [[3,2,4]]])
M=4

lt=np.zeros((len(ind),1,M+1),dtype=int)
for a in range(len(ind)):
    lt[a,0,list(itertools.chain(*ind[a]))]+=1

print(lt)

Результат:

[[[0 1 1 1 0]]
 [[0 0 1 1 1]]]

Если бы не странный размер исходного массива, о которой я писал выше:

ind.shape
Out[15]: (2, 1, 3)

все было бы на много проще.