.idea/workspace.xml

@@ -4,9 +4,10 @@
     <option name="autoReloadType" value="SELECTIVE" />
   </component>
   <component name="ChangeListManager">
-    <list default="true" id="0ceb130e-88da-4a20-aad6-17f5ab4226ac" name="Changes" comment="commit 3">
+    <list default="true" id="0ceb130e-88da-4a20-aad6-17f5ab4226ac" name="Changes" comment="">
+      <change beforePath="$PROJECT_DIR$/.idea/IIS_2023_1.iml" beforeDir="false" afterPath="$PROJECT_DIR$/.idea/IIS_2023_1.iml" afterDir="false" />
+      <change beforePath="$PROJECT_DIR$/.idea/misc.xml" beforeDir="false" afterPath="$PROJECT_DIR$/.idea/misc.xml" afterDir="false" />
       <change beforePath="$PROJECT_DIR$/.idea/workspace.xml" beforeDir="false" afterPath="$PROJECT_DIR$/.idea/workspace.xml" afterDir="false" />
-      <change beforePath="$PROJECT_DIR$/istyukov_timofey_lab1/lab1.py" beforeDir="false" afterPath="$PROJECT_DIR$/istyukov_timofey_lab1/lab1.py" afterDir="false" />
     </list>
     <option name="SHOW_DIALOG" value="false" />
     <option name="HIGHLIGHT_CONFLICTS" value="true" />
@@ -42,50 +43,29 @@
     <option name="hideEmptyMiddlePackages" value="true" />
     <option name="showLibraryContents" value="true" />
   </component>
-  <component name="PropertiesComponent"><![CDATA[{
-  "keyToString": {
-    "RunOnceActivity.OpenProjectViewOnStart": "true",
-    "RunOnceActivity.ShowReadmeOnStart": "true",
-    "WebServerToolWindowFactoryState": "false",
-    "git-widget-placeholder": "senkin__alexander__lab__1",
-    "last_opened_file_path": "D:/ulstukek/Course4/IIS/labs",
-    "node.js.detected.package.eslint": "true",
-    "node.js.detected.package.tslint": "true",
-    "node.js.selected.package.eslint": "(autodetect)",
-    "node.js.selected.package.tslint": "(autodetect)",
-    "nodejs_package_manager_path": "npm",
-    "settings.editor.selected.configurable": "preferences.sourceCode",
-    "vue.rearranger.settings.migration": "true"
+  <component name="PropertiesComponent">{
+  &quot;keyToString&quot;: {
+    &quot;RunOnceActivity.OpenProjectViewOnStart&quot;: &quot;true&quot;,
+    &quot;RunOnceActivity.ShowReadmeOnStart&quot;: &quot;true&quot;,
+    &quot;WebServerToolWindowFactoryState&quot;: &quot;false&quot;,
+    &quot;git-widget-placeholder&quot;: &quot;senkin__alexander__lab__1&quot;,
+    &quot;last_opened_file_path&quot;: &quot;D:/ulstukek/Course4/IIS/labs&quot;,
+    &quot;node.js.detected.package.eslint&quot;: &quot;true&quot;,
+    &quot;node.js.detected.package.tslint&quot;: &quot;true&quot;,
+    &quot;node.js.selected.package.eslint&quot;: &quot;(autodetect)&quot;,
+    &quot;node.js.selected.package.tslint&quot;: &quot;(autodetect)&quot;,
+    &quot;nodejs_package_manager_path&quot;: &quot;npm&quot;,
+    &quot;settings.editor.selected.configurable&quot;: &quot;reference.settings.ide.settings.new.ui&quot;,
+    &quot;vue.rearranger.settings.migration&quot;: &quot;true&quot;
   }
-}]]></component>
+}</component>
   <component name="RecentsManager">
     <key name="CopyFile.RECENT_KEYS">
       <recent name="D:\ulstukek\Course4\IIS\IISLabs\IIS_2023_1\zavrazhnova_svetlana_lab_3" />
       <recent name="D:\ulstukek\Course4\IIS\IISLabs\IIS_2023_1\zavrazhnova_svetlana_lab_1" />
     </key>
   </component>
-  <component name="RunManager" selected="Python.lab1">
-    <configuration name="lab1" type="PythonConfigurationType" factoryName="Python" temporary="true" nameIsGenerated="true">
-      <module name="IIS_2023_1" />
-      <option name="INTERPRETER_OPTIONS" value="" />
-      <option name="PARENT_ENVS" value="true" />
-      <envs>
-        <env name="PYTHONUNBUFFERED" value="1" />
-      </envs>
-      <option name="SDK_HOME" value="E:\Programms\Python\python.exe" />
-      <option name="WORKING_DIRECTORY" value="$PROJECT_DIR$/istyukov_timofey_lab1" />
-      <option name="IS_MODULE_SDK" value="false" />
-      <option name="ADD_CONTENT_ROOTS" value="true" />
-      <option name="ADD_SOURCE_ROOTS" value="true" />
-      <option name="SCRIPT_NAME" value="$PROJECT_DIR$/istyukov_timofey_lab1/lab1.py" />
-      <option name="PARAMETERS" value="" />
-      <option name="SHOW_COMMAND_LINE" value="false" />
-      <option name="EMULATE_TERMINAL" value="false" />
-      <option name="MODULE_MODE" value="false" />
-      <option name="REDIRECT_INPUT" value="false" />
-      <option name="INPUT_FILE" value="" />
-      <method v="2" />
-    </configuration>
+  <component name="RunManager">
     <configuration name="zavrazhnova_svetlana_lab3_2" type="PythonConfigurationType" factoryName="Python" temporary="true" nameIsGenerated="true">
       <module name="IIS_2023_1" />
       <option name="INTERPRETER_OPTIONS" value="" />
@@ -152,19 +132,13 @@
       <option name="INPUT_FILE" value="" />
       <method v="2" />
     </configuration>
-    <list>
-      <item itemvalue="Python.lab1" />
-      <item itemvalue="Python.zavrazhnova_svetlana_lab3_2" />
-      <item itemvalue="Python.zavrazhnova_svetlana_lab_2" />
-      <item itemvalue="Python.zavrazhnova_svetlana_lab_3_1" />
-    </list>
     <recent_temporary>
       <list>
-        <item itemvalue="Python.lab1" />
         <item itemvalue="Python.zavrazhnova_svetlana_lab_3_1" />
         <item itemvalue="Python.zavrazhnova_svetlana_lab_2" />
         <item itemvalue="Python.zavrazhnova_svetlana_lab3_2" />
         <item itemvalue="Python.zavrazhnova_svetlana_lab3_2" />
+        <item itemvalue="Python.zavrazhnova_svetlana_lab_3_1" />
       </list>
     </recent_temporary>
   </component>
@@ -179,35 +153,6 @@
       <workItem from="1697735437405" duration="1706000" />
       <workItem from="1697740229646" duration="3802000" />
     </task>
-    <task id="LOCAL-00001" summary="commit 1">
-      <created>1702203771661</created>
-      <option name="number" value="00001" />
-      <option name="presentableId" value="LOCAL-00001" />
-      <option name="project" value="LOCAL" />
-      <updated>1702203771661</updated>
-    </task>
-    <task id="LOCAL-00002" summary="commit 2">
-      <created>1702208133904</created>
-      <option name="number" value="00002" />
-      <option name="presentableId" value="LOCAL-00002" />
-      <option name="project" value="LOCAL" />
-      <updated>1702208133904</updated>
-    </task>
-    <task id="LOCAL-00003" summary="create README">
-      <created>1702208193675</created>
-      <option name="number" value="00003" />
-      <option name="presentableId" value="LOCAL-00003" />
-      <option name="project" value="LOCAL" />
-      <updated>1702208193675</updated>
-    </task>
-    <task id="LOCAL-00004" summary="commit 3">
-      <created>1702208529340</created>
-      <option name="number" value="00004" />
-      <option name="presentableId" value="LOCAL-00004" />
-      <option name="project" value="LOCAL" />
-      <updated>1702208529340</updated>
-    </task>
-    <option name="localTasksCounter" value="5" />
     <servers />
   </component>
   <component name="TypeScriptGeneratedFilesManager">
@@ -224,14 +169,7 @@
                   <entry key="branch">
                     <value>
                       <list>
-                        <option value="istyukov_timofey_lab_1" />
-                      </list>
-                    </value>
-                  </entry>
-                  <entry key="user">
-                    <value>
-                      <list>
-                        <option value="*" />
+                        <option value="HEAD" />
                       </list>
                     </value>
                   </entry>
@@ -242,43 +180,8 @@
         </entry>
       </map>
     </option>
-    <option name="RECENT_FILTERS">
-      <map>
-        <entry key="Branch">
-          <value>
-            <list>
-              <RecentGroup>
-                <option name="FILTER_VALUES">
-                  <option value="istyukov_timofey_lab_1" />
-                </option>
-              </RecentGroup>
-              <RecentGroup>
-                <option name="FILTER_VALUES">
-                  <option value="HEAD" />
-                </option>
-              </RecentGroup>
-            </list>
-          </value>
-        </entry>
-        <entry key="User">
-          <value>
-            <list>
-              <RecentGroup>
-                <option name="FILTER_VALUES">
-                  <option value="*" />
-                </option>
-              </RecentGroup>
-            </list>
-          </value>
-        </entry>
-      </map>
-    </option>
   </component>
-  <component name="VcsManagerConfiguration">
-    <MESSAGE value="commit 1" />
-    <MESSAGE value="commit 2" />
-    <MESSAGE value="create README" />
-    <MESSAGE value="commit 3" />
-    <option name="LAST_COMMIT_MESSAGE" value="commit 3" />
+  <component name="com.intellij.coverage.CoverageDataManagerImpl">
+    <SUITE FILE_PATH="coverage/PyCharmProjects$senkin_alexander_lab_1.coverage" NAME="senkin_alexander_lab_1 Coverage Results" MODIFIED="1697744262965" SOURCE_PROVIDER="com.intellij.coverage.DefaultCoverageFileProvider" RUNNER="coverage.py" COVERAGE_BY_TEST_ENABLED="true" COVERAGE_TRACING_ENABLED="false" WORKING_DIRECTORY="$PROJECT_DIR$/senkin_alexander_lab_1" />
   </component>
 </project>

almukhammetov_bulat_lab_4/README.md

@@ -1,66 +0,0 @@
-Вариант 2
-
-Задание:
-Использовать метод кластеризации по варианту для данных из таблицы 1 по варианту(таблица 9), самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вами задачи.
-
-Данные: 
-Данный набор данных использовался во второй главе недавней книги Аурелиена Жерона "Практическое машинное обучение с помощью Scikit-Learn и TensorFlow". Он служит отличным введением в реализацию алгоритмов машинного обучения, потому что требует минимальной предварительной обработки данных, содержит легко понимаемый список переменных и находится в оптимальном размере, который не слишком мал и не слишком большой.
-
-Данные содержат информацию о домах в определенном районе Калифорнии и некоторую сводную статистику на основе данных переписи 1990 года. Следует отметить, что данные не прошли предварительную очистку, и для них требуются некоторые этапы предварительной обработки. Столбцы включают в себя следующие переменные, их названия весьма наглядно описывают их суть:
-
-долгота longitude
-
-широта latitude
-
-средний возраст жилья median_house_value
-
-общее количество комнат total_rooms
-
-общее количество спален total_bedrooms
-
-население population
-
-домохозяйства households
-
-медианный доход median_income
-
-Запуск:
-Запустите файл lab4.py
-
-Описание программы:
-
-1. Загружает набор данных из файла 'housing.csv', который содержит информацию о домах в Калифорнии, включая их координаты, возраст, количество комнат, население, доход и другие характеристики.
-
-2. Предобработка данных: Производится заполнение пропущенных значений медианными значениями и стандартизация данных для более точных результатов кластеризации.
-
-3. Выбор метода кластеризации: Программа использует метод linkage и евклидовой метрикой для объединения домов в кластеры.
-
-4. Определение числа кластеров: В данном случае, выбрано 5 кластеров для группировки домов.
-
-5. Применение кластеризации: Программа выполняет кластеризацию, присваивая каждому дому метку кластера на основе его характеристик.
-
-6. Визуализация результатов: Результаты кластеризации визуализируются на графике, используя библиотеку seaborn. Каждый дом представлен точкой, где координаты - это возраст дома и общее количество комнат, а размер точки соответствует стоимости жилья.
-
-7. Добавление информации о кластерах: Дополнительная информация о принадлежности кластерам добавляется к исходным данным.
-
-8. Программа предоставляет статистический анализ для каждого кластера, включая средние значения, стандартное отклонение и квартили характеристик домов.
-
-Результаты:
-
-![Alt text](1.png)
-
-![Alt text](2.png)
-
-![Alt text](3.png)
-
-Выводы: 
-
-Количество кластеров: В данной кластеризации использовано 5 кластеров для группировки домов в Калифорнии на основе их характеристик.
-
-Характеристики кластеров:
-
-Кластер 1: Включает дома с высоким средним возрастом жилья и относительно низкой стоимостью жилья. Это могут быть старые дома в более старых районах.
-Кластер 2: Содержит дома с высокой стоимостью жилья и высокими доходами. Возможно, это элитные районы с дорогим жильем.
-Кластер 3: Группирует дома с низким средним возрастом жилья и средней стоимостью жилья. Возможно, это новые постройки в развивающихся районах.
-Кластер 4: Включает дома с разнообразными характеристиками и средней стоимостью жилья. Этот кластер может представлять смешанные районы.
-Кластер 5: В этот кластер входят дома с низкими доходами и средним возрастом жилья. Возможно, это районы с более доступным жильем.

almukhammetov_bulat_lab_4/lab4.py

@@ -1,51 +0,0 @@
-# Использовать метод кластеризации по варианту для данных из таблицы 1 по варианту(таблица 9), самостоятельно
-# сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для решения
-# сформулированной вами задачи.
-
-# Кластеризация: Группировка домов на основе их характеристик, таких как широта, долгота, возраст дома,
-# общее количество комнат и т. д. Выделяем общие особенности или характеристики в различных районах.
-
-# У меня второй вариант, остаток от деления номера варианта на 5 : 5/2=0 целых, остаток 2, берем второй вариант -
-# алгоритм кластеризации - linkage
-
-import matplotlib.pyplot as plt
-import pandas as pd
-import seaborn as sns
-from scipy.cluster.hierarchy import linkage, fcluster
-from sklearn.preprocessing import StandardScaler
-
-data = pd.read_csv('housing.csv')
-
-# Выделение интересующих столбцов
-features = data[['housing_median_age', 'total_rooms', 'median_house_value']]
-
-# Заполнение пропущенных значений медианой
-features = features.fillna(features.median())
-
-# Стандартизация данных
-scaler = StandardScaler()
-scaled_features = scaler.fit_transform(features)
-
-# Применение алгоритма linkage для кластеризации
-linkage_matrix = linkage(scaled_features, method='ward', metric='euclidean')
-
-# Выбор оптимального числа кластеров и применение кластеризации
-num_clusters = 5  # Выберите желаемое количество кластеров
-clusters = fcluster(linkage_matrix, num_clusters, criterion='maxclust')
-
-# Добавление информации о кластерах в исходные данные
-features['cluster'] = clusters
-
-# Вывод результатов кластеризации
-print(features[['housing_median_age', 'total_rooms', 'median_house_value', 'cluster']])
-
-clustered_data = features.groupby('cluster').describe()
-print(clustered_data)
-
-# Визуализация результатов кластеризации с использованием seaborn
-plt.figure(figsize=(12, 6))
-sns.scatterplot(x='housing_median_age', y='total_rooms', size='median_house_value', sizes=(10, 200), hue='cluster', palette='viridis', data=features)
-plt.title('Clustering Results')
-plt.xlabel('Housing Median Age')
-plt.ylabel('Total Rooms')
-plt.show()

almukhammetov_bulat_lab_5/README.md

@@ -1,89 +0,0 @@
-Вариант 2
-
-Задание:
-Использовать регрессию по варианту для данных из таблицы 1 по варианту(таблица  10), самостоятельно сформулировав задачу.  Оценить, насколько хорошо она подходит для решения сформулированной вами задачи
-
-Вариант 2 Логистическая регрессия
-
-Предсказание медианной стоимости жилья на основе всех доступных признаков.
-
-
-Данные: 
-Данный набор данных использовался во второй главе недавней книги Аурелиена Жерона "Практическое машинное обучение с помощью Scikit-Learn и TensorFlow". Он служит отличным введением в реализацию алгоритмов машинного обучения, потому что требует минимальной предварительной обработки данных, содержит легко понимаемый список переменных и находится в оптимальном размере, который не слишком мал и не слишком большой.
-
-Данные содержат информацию о домах в определенном районе Калифорнии и некоторую сводную статистику на основе данных переписи 1990 года. Следует отметить, что данные не прошли предварительную очистку, и для них требуются некоторые этапы предварительной обработки. Столбцы включают в себя следующие переменные, их названия весьма наглядно описывают их суть:
-
-долгота longitude
-
-широта latitude
-
-средний возраст жилья median_house_value
-
-общее количество комнат total_rooms
-
-общее количество спален total_bedrooms
-
-население population
-
-домохозяйства households
-
-медианный доход median_income
-
-Запуск:
-Запустите файл lab5.py
-
-Описание программы:
-
-Загрузка данных:
-
-1. Используется библиотека pandas для чтения данных из CSV-файла "housing.csv" и создания DataFrame.
-Выбор признаков и целевой переменной:
-
-2. Определяются признаки (X) и целевая переменная (y), где целевой переменной является "median_house_value", а признаками — все столбцы, за исключением "longitude", "latitude" и "ocean_proximity".
-Обработка пропущенных значений:
-
-3. Применяется SimpleImputer с стратегией 'mean' для заполнения пропущенных значений средними значениями в признаках.
-
-4. Применяется train_test_split для разбиения данных на обучающий, валидационный и тестовый наборы.
-Создание и обучение модели линейной регрессии:
-
-5. Инициализируется и обучается модель LinearRegression на обучающем наборе.
-Вывод коэффициентов и пересечения:
-
-6. Выводятся коэффициенты и пересечение линейной регрессии, найденные моделью в процессе обучения.
-Предсказание значений на тестовом наборе:
-
-7. Производится предсказание значений целевой переменной на тестовом наборе с использованием обученной модели.
-
-Оценка модели:
-
-1. Рассчитываются значения R^2 для обучающего, валидационного и тестового наборов для оценки соответствия модели данным.
-Оценка качества предсказаний:
-
-2. Рассчитываются среднеквадратичная ошибка (MSE) и корень из среднеквадратичной ошибки (RMSE) для оценки точности предсказаний.
-Визуализация предсказаний:
-
-3. Строится график рассеяния для визуального сравнения фактических и предсказанных значений на тестовом наборе.
-
-Результаты:
-
-![Alt text](1.png)
-
-Выводы: 
-
-Оценка результатов:
-
-1. Коэффициенты линейной регрессии:
-
-   - Полученные коэффициенты для каждого признака показывают, как сильно он влияет на целевую переменную (медианную стоимость жилья). Например, положительные коэффициенты, такие как 1.91e+03 и 1.27e+02, указывают на положительную корреляцию с целевой переменной, тогда как отрицательные, например, -1.89e+01 и -3.25e+01, указывают на отрицательную корреляцию.
-
-2. Пересечение линейной регрессии:
-   - Значение пересечения (-47499.49) представляет оценку целевой переменной, когда все признаки равны нулю.
-
-3. R^2 (коэффициент детерминации):
-   - R^2 измеряет, насколько хорошо модель соответствует данным. Значения около 0.56 для обучающего, валидационного и тестового наборов говорят о том, что модель объясняет примерно 56% дисперсии в данных. Это приемлемый результат, но есть пространство для улучшений.
-
-4. Среднеквадратичная ошибка (MSE) и корень из среднеквадратичной ошибки (RMSE):
-   - MSE составляет 5,931,235,118.49, что является среднеквадратичной разницей между фактическими и предсказанными значениями. RMSE (77014.51) представляет собой среднюю ошибку в предсказаниях в единицах целевой переменной.
-
-Общий вывод: Результаты говорят о том, что модель демонстрирует неплохое соответствие данным, но есть возможность для улучшений. 

almukhammetov_bulat_lab_5/lab5.py

@@ -1,68 +0,0 @@
-# Использовать регрессию по варианту для данных из таблицы 1 по варианту(таблица  10), самостоятельно
-# сформулировав задачу.  Оценить, насколько хорошо она подходит для решения сформулированной вами задачи
-
-# Вариант 2 Логистическая регрессия
-
-# Предсказание медианной стоимости жилья на основе всех доступных признаков.
-
-import matplotlib.pyplot as plt
-import pandas as pd
-import numpy as np
-import math
-from sklearn.linear_model import LinearRegression
-from sklearn.metrics import r2_score
-from sklearn.model_selection import train_test_split
-from sklearn.impute import SimpleImputer
-
-# Загрузка данных
-df = pd.read_csv('housing.csv')
-
-# Определение признаков (X) и целевой переменной (y)
-X = df.drop(columns=["median_house_value", "longitude", "latitude", "ocean_proximity"]).astype(float)
-y = df['median_house_value'].astype(float)
-
-# Обработка пропущенных значений с использованием SimpleImputer
-imputer = SimpleImputer(strategy='mean')
-X = imputer.fit_transform(X)
-
-# Разделение данных на обучающий, валидационный и тестовый наборы
-X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.4, random_state=0)
-X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=0)
-
-# Создание и обучение модели линейной регрессии
-linear_model = LinearRegression()
-linear_model.fit(X_train, y_train)
-
-# Вывод коэффициентов и пересечения
-print(f'Коэффициенты линейной регрессии: {linear_model.coef_}')
-print(f'Пересечение линейной регрессии: {linear_model.intercept_}')
-
-# Предсказание значений на тестовом наборе
-y_pred = linear_model.predict(X_test)
-
-# Оценка модели
-train_score = linear_model.score(X_train, y_train)
-val_score = linear_model.score(X_val, y_val)
-test_score = linear_model.score(X_test, y_test)
-
-print(f'R^2 на обучающем наборе: {train_score}')
-print(f'R^2 на валидационном наборе: {val_score}')
-print(f'R^2 на тестовом наборе: {test_score}')
-
-# Оценка качества предсказаний
-MSE = np.square(np.subtract(y_test, y_pred)).mean()
-RMSE = math.sqrt(MSE)
-print(f'Среднеквадратичная ошибка: {MSE}')
-print(f'Корень из среднеквадратичной ошибки: {RMSE}')
-
-
-# Визуализация предсказаний
-plt.figure(figsize=(8, 6), dpi=80)
-plt.scatter(y_test, y_pred, alpha=0.2, color='slateblue')
-m, b = np.polyfit(y_test, y_pred, 1)
-plt.plot(y_test, m * y_test + b, color='midnightblue')
-plt.xlabel('Фактическое значение (тестовый набор)', fontsize=14)
-plt.ylabel('Предсказанное значение (тестовый набор)', fontsize=14)
-plt.title('Линейная регрессия: предсказанные и фактические значения (тестовый набор)', fontsize=16)
-plt.grid(linewidth=0.5)
-plt.show()

almukhammetov_bulat_lab_6/README.md

@@ -1,82 +0,0 @@
-Вариант 2
-
-Задание:
-Использовать нейронную сеть(четные варианты –MLPRegressor, нечетные –MLPClassifier)для данных из таблицы 1 по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо
-она подходит для решения сформулированной вами задачи.
-
-Данные: 
-Данный набор данных использовался во второй главе недавней книги Аурелиена Жерона "Практическое машинное обучение с помощью Scikit-Learn и TensorFlow". Он служит отличным введением в реализацию алгоритмов машинного обучения, потому что требует минимальной предварительной обработки данных, содержит легко понимаемый список переменных и находится в оптимальном размере, который не слишком мал и не слишком большой.
-
-Данные содержат информацию о домах в определенном районе Калифорнии и некоторую сводную статистику на основе данных переписи 1990 года. Следует отметить, что данные не прошли предварительную очистку, и для них требуются некоторые этапы предварительной обработки. Столбцы включают в себя следующие переменные, их названия весьма наглядно описывают их суть:
-
-долгота longitude
-
-широта latitude
-
-средний возраст жилья median_house_value
-
-общее количество комнат total_rooms
-
-общее количество спален total_bedrooms
-
-население population
-
-домохозяйства households
-
-медианный доход median_income
-
-Запуск:
-Запустите файл lab6.py
-
-Описание программы:
-
-1. Загрузка данных:
-   - Программа начинается с загрузки данных из файла 'housing.csv' с использованием библиотеки pandas.
-   - Пропущенные значения в данных удаляются с помощью `dropna()`.
-
-2. Выбор признаков и целевой переменной:
-   - Из загруженных данных выбираются признаки (features) и целевая переменная (target).
-   - В данном случае, признаки включают 'total_rooms', 'total_bedrooms', 'population', 'households', и 'median_income', а целевая переменная - 'median_house_value'.
-
-3. Разделение данных:
-   - Данные разделяются на тренировочный и тестовый наборы с использованием `train_test_split`. 
-   - В данной программе 90% данных используются для тренировки и 10% для тестирования.
-
-4. Масштабирование признаков:
-   - Признаки и целевая переменная масштабируются с использованием `StandardScaler`, чтобы улучшить производительность нейронной сети.
-
-5. Создание и обучение MLPRegressor:
-   - Создается модель MLPRegressor с заданными параметрами, такими как размеры скрытых слоев (hidden_layer_sizes), количество итераций (max_iter), и начальное состояние (random_state).
-   - Модель обучается на тренировочных данных с использованием `fit`.
-
-6. Предсказания и оценка производительности:
-   - Модель делает предсказания на тестовых данных с использованием `predict`.
-   - Оцениваются различные метрики производительности, такие как среднеквадратичная ошибка (MSE), среднеабсолютное отклонение (MAE) и коэффициент детерминации (R^2).
-
-7. Вывод результатов:
-   - Результаты оценки модели выводятся на экран, включая среднеквадратичную ошибку, среднеабсолютное отклонение и коэффициент детерминации.
-
-Результаты:
-
-![Alt text](image.png)
-
-![Alt text](image-1.png)
-
-Выводы:
-
-1. Среднеквадратичная ошибка (MSE): 69877.11%
-   - Эта метрика измеряет среднеквадратичное отклонение предсказанных значений от фактических. Чем меньше значение MSE, тем лучше. В данном случае, значение 69877.11% ОГРОМНО, что может свидетельствовать о значительном разбросе между фактическими и предсказанными значениями.
-
-2. Среднеабсолютное отклонение (MAE): 49654.91%
-   - MAE измеряет среднее абсолютное отклонение предсказанных значений от фактических. Аналогично, чем меньше значение MAE, тем лучше. Здесь значение 49654.91% также довольно больше.
-
-3. Коэффициент детерминации (R^2): 64.58%
-   - R^2 измеряет, насколько хорошо модель соответствует вариации в данных. Значение 64.58% говорит о том, что модель объясняет 64.58% дисперсии в целевой переменной. Это можно считать средним результатом.
-
-Интерпретация результатов:
-
-- В данном случае, модель MLPRegressor, обученная на выбранных признаках, не показала высокую точность предсказания целевой переменной (median_house_value).
-- Значения метрик (MSE, MAE, R^2) указывают на некоторую степень ошибки модели.
-
-Общий вывод:
-- В данной программе представленный MLPRegressor не дал оптимальных результатов. Дальнейшие исследования и настройка параметров могут потребоваться для улучшения точности предсказаний модели.

almukhammetov_bulat_lab_6/lab6.py

@@ -1,49 +0,0 @@
-# Использовать нейронную сеть(четные варианты –MLPRegressor, нечетные –MLPClassifier)для данных из таблицы 1
-# по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо
-# она подходит для решения сформулированной вами задачи.
-
-# Вариант 2 MLPRegressor
-
-# Импортируем необходимые библиотеки
-import pandas as pd
-from sklearn.model_selection import train_test_split
-from sklearn.neural_network import MLPRegressor
-from sklearn.preprocessing import StandardScaler
-from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
-
-import math
-
-# Загрузим данные
-df = pd.read_csv('housing.csv')
-df.dropna(inplace=True)
-
-# Выберем признаки и целевую переменную (доход)
-features_list = ['total_rooms', 'total_bedrooms', 'population', 'households', 'median_income']
-features = df[features_list].copy()
-target = df['median_house_value'].copy()
-
-# Разделим данные на тренировочный и тестовый наборы
-X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.1, random_state=42)
-
-# Масштабируем признаки и целевую переменную
-scaler = StandardScaler()
-X_train_scaled = scaler.fit_transform(X_train)
-X_test_scaled = scaler.transform(X_test)
-
-# Создаем модель MLPRegressor
-mlp_regressor = MLPRegressor(hidden_layer_sizes=(100, 50), max_iter=1500, random_state=42)
-
-# Обучаем модель на тренировочных данных
-mlp_regressor.fit(X_train_scaled, y_train)
-
-# Делаем предсказания на тестовых данных
-predictions = mlp_regressor.predict(X_test_scaled)
-
-# Оцениваем производительность модели
-mse = mean_squared_error(y_test, predictions)
-mae = mean_absolute_error(y_test, predictions)
-r2 = r2_score(y_test, predictions)
-
-print(f"Среднеквадратичная ошибка (MSE): {round(math.sqrt(mse), 2)}%")
-print(f"Среднеабсолютное отклонение (MAE): {round(mae, 2)}%")
-print(f"Коэффициент детерминации (R^2): {round(r2, 4) * 100}%")

almukhammetov_bulat_lab_7/README.md

@@ -1,36 +0,0 @@
-Вариант 2
-
-Задание:
-Выбрать художественный текст (четные варианты – русскоязычный, нечетные – англоязычный) и обучить на нем рекуррентную нейронную сеть для решения задачи генерации. Подобрать архитектуру и параметры так, чтобы приблизиться
-к максимально осмысленному результату. Далее разбиться на пары четный-нечетный вариант, обменяться разработанными сетями и проверить, как архитектура товарища справляется с вашим текстом. В завершении подобрать компромиссную архитектуру, справляющуюся достаточно хорошо с обоими видами текстов.
-
-Данные: 
-Русский текст: Рассказ «Хлеб для собаки» - Владимир Тендряков
-Английский текст: The Tell-Tale Heart - Edgar Allan Poe 
-
-Запуск:
-Запустите файл lab7.py
-
-Описание программы:
-1. В начале программы задается функция `load_text(file_path)`, которая загружает текст из указанного файла с учетом кодировки UTF-8.
-2. Функция `create_tokenizer(text)` создает токенизатор для обработки текста с использованием библиотеки Keras.
-3. `generate_input_sequences(text, tokenizer)` генерирует входные последовательности для обучения модели, разбивая текст на n-граммы.
-4. Создается рекуррентная нейронная сеть с использованием функции `create_model(total_words, max_sequence_length)`.
-5. Модель содержит слои Embedding, LSTM и Dense, предназначенные для обработки последовательностей и генерации текста.
-6. В функции `train_model(model, predictors, labels, epochs)` модель компилируется и обучается на входных последовательностях с заданным числом эпох.
-7. После обучения модели используется функция `generate_text(seed_text, next_words, model, tokenizer, max_sequence_length)` для генерации текста на основе заданной начальной строки.
-8. Программа предоставляет возможность генерации текста на основе обученной модели для продемонстрированного языка (русского или английского).
-9. Загружаются тексты на разных языках (русском и английском), обучаются модели, генерируется текст, что позволяет проверить, как обученная модель справляется с текстом на другом языке.
-
-Результаты:
-
-Результат генерации на русском языке:
-
-Парень увидел собаку же куркули грызут кору ты жалеешь «если враг не сдается его уничтожают » а это «уничтожают» вот так наверное и должно выглядеть черепа с глазами слоновьи ноги пена из черного рта ты просто боишься смотреть правде в глаза и хрипом те который готов меня на пустыре возле единого на моих
-
-Результат генерации на английском языке:
-Old man i kept quite still and said nothing for a whole hour i did not move a muscle and in the meantime i did not hear him lie down he was still sitting up in the bed listening just as i have done night after night hearkening to the death watches
-
-Выводы: 
-
-Результаты генерации текстов на русском и английском языках демонстрируют, что обученные модели способны создавать относительно осмысленные последовательности слов, на английском языке текст получился лучше, возможно следует выбрать другие художественные тексты на русском языке для обучения модели.

almukhammetov_bulat_lab_7/lab7.py

@@ -1,89 +0,0 @@
-# Выбрать художественный текст (четные варианты – русскоязычный, нечетные – англоязычный) и обучить на нем
-# рекуррентную нейронную сеть для решения задачи генерации. Подобрать архитектуру и параметры так, чтобы приблизиться
-# к максимально осмысленному результату. Далее разбиться на пары четный-нечетный вариант, обменяться разработанными
-# сетями и проверить, как архитектура товарища справляется с вашим текстом. В завершении подобрать компромиссную
-# архитектуру, справляющуюся достаточно хорошо с обоими видами текстов.
-
-import numpy as np
-from keras.models import Sequential
-from keras.layers import Embedding, LSTM, Dense
-from keras.preprocessing.text import Tokenizer
-from keras.preprocessing.sequence import pad_sequences
-
-def load_text(file_path):
-    with open(file_path, encoding='utf-8') as file:
-        return file.read()
-
-
-def create_tokenizer(text):
-    tokenizer = Tokenizer()
-    tokenizer.fit_on_texts([text])
-    return tokenizer
-
-
-def generate_input_sequences(text, tokenizer):
-    input_sequences = []
-    for line in text.split('\n'):
-        token_list = tokenizer.texts_to_sequences([line])[0]
-        for i in range(1, len(token_list)):
-            n_gram_sequence = token_list[:i + 1]
-            input_sequences.append(n_gram_sequence)
-
-    max_sequence_length = max([len(x) for x in input_sequences])
-    input_sequences = pad_sequences(input_sequences, maxlen=max_sequence_length, padding='pre')
-
-    predictors, labels = input_sequences[:, :-1], input_sequences[:, -1]
-    return predictors, labels, max_sequence_length
-
-
-def create_model(total_words, max_sequence_length):
-    model = Sequential()
-    model.add(Embedding(total_words, 100, input_length=max_sequence_length - 1))
-    model.add(LSTM(150))
-    model.add(Dense(total_words, activation='softmax'))
-
-    model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
-    return model
-
-
-def train_model(model, predictors, labels, epochs):
-    model.fit(predictors, labels, epochs=epochs, verbose=1)
-
-
-def generate_text(seed_text, next_words, model, tokenizer, max_sequence_length):
-    for _ in range(next_words):
-        token_list = tokenizer.texts_to_sequences([seed_text])[0]
-        token_list = pad_sequences([token_list], maxlen=max_sequence_length - 1, padding='pre')
-        predicted = np.argmax(model.predict(token_list), axis=-1)
-        output_word = ""
-        for word, index in tokenizer.word_index.items():
-            if index == predicted:
-                output_word = word
-                break
-        seed_text += " " + output_word
-    return seed_text
-
-
-# Загрузка текста
-#file_path = 'russian_text.txt'
-file_path = 'english_text.txt'
-text = load_text(file_path)
-
-# Создание токенизатора
-tokenizer = create_tokenizer(text)
-total_words = len(tokenizer.word_index) + 1
-
-# Генерация входных последовательностей
-predictors, labels, max_sequence_length = generate_input_sequences(text, tokenizer)
-
-# Создание модели
-model = create_model(total_words, max_sequence_length)
-
-# Тренировка модели
-train_model(model, predictors, labels, epochs=150)
-
-# Генерация текста
-seed_text = "Old man"
-next_words = 50
-generated_text = generate_text(seed_text, next_words, model, tokenizer, max_sequence_length)
-print(generated_text)

arzamaskina_milana_lab_1/README.md

@@ -1,52 +0,0 @@
-## Задание
-Работа с типовыми наборами данных и различными моделями.
-Сгенерируйте определенный тип данных и сравните на нем 3 модели
-
-Вариант №2
-
-Данные: make_circles(noise=0.2, factor=0.5, random_state=1)
-
-Модели:
-+ Линейная регрессия
-+ Полиномиальная регрессия (degree=3)
-+ Гребневая рекрессия (degree=3, alpha=1.0)
-
-## Используемые технологии
-В лабораторной были использованы библиотеки:
-+ matplotlib - используется для создания графиков
-+ sklearn - используется для работы с моделями машинного обучения
-
-## Как запустить
-Запустить файл main.py, который выполнит необходимые действия над моделями 
-и выведет графики на экран.
-
-## Что делает программа
-Генерирует набор данных типа circles, делит его на обучающую и тестовую выборки.
-По очереди обучает на данных обучающей выборки 3 модели:
-модель линейной регрессии, модель полиномиальной регрессии со степенью 3 и 
-модель гребневой регрессии со степенью 3 и alpha=1.0.
-
-После обучения предсказания моделей проверяются на тестовых данных. 
-Строится 4 графика, один для отображения первоначальных тестовых и обучающих данных, где:
-`o` - точки обучающей выборки первого и второго типа.
-`x` - точки тестовой выборки первого и второго типа.
-И по одному графику для каждой модели, где:
-`o` - точки тестовой выборки первого и второго типа.
-
-Далее программа выведет оценки точности моделей. Полученные оценки:
-+ Линейная регрессия - 0.268
-+ Полиномиальная регрессия со степенью 3 - 0.134
-+ Гребневая регрессия со степенью 3, alpha=1.0 - 0.131
-
-## Скриншоты работы программы
-График для отображения первоначальных тестовых и обучающих данных и
-полученные графики разбиения точек на классы:
-
-Линейная регрессия - Полиномиальная регрессия (со степенью 3) - Гребневая регрессия (со степенью 3, alpha=1.0)
-![img.png](img_screen_1.png)
-
-Вывод анализа точности работы моделей: 
-![img.png](img_screen_2.png)
-
-## Вывод
-Исходя из этого, можно сделать вывод: лучший результат показала модель линейной регрессии.

arzamaskina_milana_lab_1/main.py

@@ -1,87 +0,0 @@
-from matplotlib import pyplot as plt
-from matplotlib.colors import ListedColormap
-from sklearn.datasets import make_circles
-from sklearn.linear_model import LinearRegression, Ridge
-from sklearn.metrics import mean_squared_error
-from sklearn.model_selection import train_test_split
-from sklearn.pipeline import make_pipeline
-from sklearn.preprocessing import PolynomialFeatures, StandardScaler
-
-# Нелинейный генератор - позволяет сгенерировать такие классы-признаки,
-# что признаки одного класса геометрически окружают признаки другого класса
-X, y = make_circles(noise=0.2, factor=0.5, random_state=1)
-X = StandardScaler().fit_transform(X)
-
-# Разделение на обучающую и тестовую выборки (40% данных будет использовано для тестов)
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.4, random_state=42)
-
-# Создание необходимых для оценки моделей
-def models():
-    # Линейная регрессия
-    linear_regression = LinearRegression()
-    linear_regression.fit(X_train, y_train)
-
-    # Полиномиальная регрессия (degree=3)
-    poly_regression = make_pipeline(PolynomialFeatures(degree=3), LinearRegression())
-    poly_regression.fit(X_train, y_train)
-
-    # Гребневая рекрессия (degree=3, alpha=1.0)
-    ridge_regression = make_pipeline(PolynomialFeatures(degree=3), Ridge(alpha=1.0))
-    ridge_regression.fit(X_train, y_train)
-
-    models = [linear_regression, poly_regression, ridge_regression]
-
-    # Предсказанные y
-    linear_predict = linear_regression.predict(X_test)
-    poly_predict = poly_regression.predict(X_test)
-    ridge_predict = ridge_regression.predict(X_test)
-
-    pred = [linear_predict, poly_predict, ridge_predict]
-
-    # Среднеквадратичные ошибки
-    lin_mse = mean_squared_error(y_test, linear_predict)
-    poly_mse = mean_squared_error(y_test, poly_predict)
-    rr_mse = mean_squared_error(y_test, ridge_predict)
-
-    mse = [lin_mse, poly_mse, rr_mse]
-
-    grafics(pred, mse, models)
-
-# Графики
-def grafics(pred, mse, models):
-    fig, ax = plt.subplots(nrows=2, ncols=2, figsize=(8, 8))
-    cm_color1 = ListedColormap(['r', 'g'])
-
-    plt.suptitle('Лабораторная работа 1. Вариант 2.', fontweight='bold')
-
-    # График данных
-    plt.subplot(2, 2, 1)
-    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_color1, marker='o', label='тренировочные данные')
-    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_color1, marker='x', label='тестовые данные')
-    plt.title('Датасет circles', fontsize=10, loc='left')
-    plt.legend(loc='upper left')
-
-    # График линейной модели
-    plt.subplot(2, 2, 2)
-    plt.scatter(X_test[:, 0], X_test[:, 1], c=pred[0], cmap=cm_color1)
-    plt.title('Линейная регрессия', fontsize=10, loc='left')
-
-    # График полиномиальной модели (degree=3)
-    plt.subplot(2, 2, 3)
-    plt.scatter(X_test[:, 0], X_test[:, 1], c=pred[1], cmap=cm_color1)
-    plt.title('Полиномиальная регрессия (degree=3)', fontsize=10, loc='left')
-    plt.xlabel('X')
-    plt.ylabel('Y')
-
-    # График гребневой модели (degree=3, alpha=1.0)
-    plt.subplot(2, 2, 4)
-    plt.scatter(X_test[:, 0], X_test[:, 1], c=pred[2], cmap=cm_color1)
-    plt.title('Гребневая регрессия (degree=3, alpha=1.0)', fontsize=10, loc='left')
-    plt.show()
-
-    # Сравнение качества
-    print('Линейная MSE:', mse[0])
-    print('Полиномиальная (degree=3) MSE:', mse[1])
-    print('Гребневая (degree=3, alpha=1.0) MSE:', mse[2])
-
-models()

arzamaskina_milana_lab_2/README.md

@@ -1,50 +0,0 @@
-## Лабораторная работа №2
-
-### Ранжирование признаков
-
-Вариант №2
-
-## Задание:
-
-Используя код из [1] (пункт «Решение задачи ранжирования признаков», стр.  205),
-выполните  ранжирование признаков с помощью указанных по варианту моделей.
-Отобразите получившиеся значения\оценки каждого признака каждым методом\моделью и среднюю оценку.
-Проведите анализ получившихся результатов.
-Какие четыре признака оказались самыми важными по среднему значению?
-(Названия\индексы признаков и будут ответом на задание).
-
-Модели:
-+ Линейная регрессия (LinearRegression)
-+ Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE),
-+ Сокращение признаков Случайными деревьями (Random Forest Regressor)
-
-### Какие технологии использовались:
-
-Используемые библиотеки:
-* numpy
-* pandas
-* sklearn
-
-### Как запустить:
-
-* установить python, numpy, pandas, sklearn
-* запустить проект (стартовая точка - main.py)
-
-### Что делает программа:
-
-* Генерирует данные и обучает модели: LinearRegression, Recursive Feature Elimination (RFE), Random Forest Regressor
-* Производится ранжирование признаков с помощью моделей
-* Отображение получившихся результатов: значения признаков для каждой модели и 4 самых важных признака по среднему значению
-
-### 4 самых важных признака по среднему значению
-* Признак №1 : 0.887
-* Признак №4 : 0.821
-* Признак №2 : 0.741
-* Признак №11 : 0.600
-
-#### Результаты работы программы:
-
-![Result1](img_result_1.png)
-![Result2](img_result_2.png)
-![Result3](img_result_3.png)
-![Result4](img_result_4.png)

arzamaskina_milana_lab_2/main.py

@@ -1,84 +0,0 @@
-import numpy as np
-import pandas as pd
-from sklearn.linear_model import LinearRegression
-from sklearn.feature_selection import RFE
-from sklearn.ensemble import RandomForestRegressor
-from sklearn.preprocessing import MinMaxScaler
-
-# Используя код из [1](пункт «Решение задачи ранжирования признаков», стр.  205),
-# выполните  ранжирование признаков с помощью указанных по варианту моделей.
-# Отобразите получившиеся значения\оценки каждого признака каждым методом\моделью и среднюю оценку.
-# Проведите анализ получившихся результатов.
-# Какие четыре признака оказались самыми важными по среднему значению?
-# (Названия\индексы признаков и будут ответом на задание).
-
-# Линейная регрессия (LinearRegression)
-# Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE),
-# Сокращение признаков Случайными деревьями (Random Forest Regressor)
-
-# Модели
-model_LR = LinearRegression()
-model_RFE = RFE(LinearRegression(), n_features_to_select=1)
-model_RFR = RandomForestRegressor()
-
-# Оценки моделей
-model_scores = {}
-
-# Cлучайные данные для регрессии
-def generation_data_and_start():
-    np.random.seed(0)
-    size = 750
-    X_ = np.random.uniform(0, 1, (size, 14))
-    y_ = (10 * np.sin(np.pi * X_[:, 0] * X_[:, 1]) + 20 * (X_[:, 2] - .5) ** 2 +
-         10 * X_[:, 3] + 5 * X_[:, 4] ** 5 + np.random.normal(0, 1))
-    X_[:, 10:] = X_[:, :4] + np.random.normal(0, .025, (size, 4))
-
-    # DataFrame для данных
-    data = pd.DataFrame(X_)
-    data['y'] = y_
-
-    models_study_and_scores(data.drop('y', axis=1), data['y'])
-    print_scores()
-
-# Обучение и оценка моделей
-def models_study_and_scores(X, y):
-
-    # Линейная регрессия
-    model_LR.fit(X, y)
-    # Нормализация коэффициентов признаков
-    norm_coef = MinMaxScaler().fit_transform(np.abs(model_LR.coef_).reshape(-1, 1))
-    model_scores["Линейная регрессия"] = norm_coef.flatten()
-
-    # Рекурсивное сокращение признаков
-    model_RFE.fit(X, y)
-    # Нормализация рангов
-    norm_rank = 1 - (model_RFE.ranking_ - 1) / (np.max(model_RFE.ranking_) - 1)
-    model_scores["Рекурсивное сокращение признаков"] = norm_rank
-
-    # Сокращение признаков Случайными деревьями
-    model_RFR.fit(X, y)
-    # Нормализация значений важности признаков
-    norm_imp = MinMaxScaler().fit_transform(model_RFR.feature_importances_.reshape(-1, 1))
-    model_scores["Сокращение признаков Случайными деревьями"] = norm_imp.flatten()
-
-# Вывод оценок
-def print_scores():
-    print()
-    print(f"---- Оценки признаков ----")
-    print()
-    for name, scores in model_scores.items():
-        print(f"{name}:")
-        for feature, score in enumerate(scores, start=1):
-            print(f"Признак №{feature}: {score:.3f}")
-        print(f"Средняя оценка признаков: {np.mean(scores):.3f}")
-        print()
-
-    # 4 наиболее важных признака по среднему значению
-    scores = np.mean(list(model_scores.values()), axis=0)
-    sorted_f = sorted(enumerate(scores, start=1), key=lambda x: x[1], reverse=True)
-    imp_features = sorted_f[:4]
-    print("Четыре наиболее важных признака:")
-    for f, score in imp_features:
-        print(f"Признак №{f}: {score:.3f}")
-
-generation_data_and_start()

arzamaskina_milana_lab_3/README.md

@@ -1,83 +0,0 @@
-## Лабораторная работа №3
-
-### Деревья решений
-
-## Задание:
-
-+ Задача регресcии: предсказание общего объема выбросов СО2 (Total) страной (Country) за определённый год (Year).
-
-+ Задача классификации: предсказание процента выбросов СО2 от добычи нефти (procent oil) страной (Country) 
-с учётом общего объёма выбросов (Total) за определённый год (Year) 
-(или: какая часть выбросов придётся на добычу нефти).
-
-## Данные:
-
-Этот набор данных обеспечивает углубленный анализ глобальных выбросов CO2 на уровне страны, позволяя лучше понять, 
-какой вклад каждая страна вносит в глобальное совокупное воздействие человека на климат. 
-Он содержит информацию об общих выбросах, а также от добычи и сжигания угля, нефти, газа, цемента и других источников. 
-Данные также дают разбивку выбросов CO2 на душу населения по странам, показывая, 
-какие страны лидируют по уровням загрязнения, и определяют потенциальные области, 
-где следует сосредоточить усилия по сокращению выбросов. 
-Этот набор данных необходим всем, кто хочет получить информацию о своем воздействии на окружающую среду 
-или провести исследование тенденций международного развития.
-
-Данные организованы с использованием следующих столбцов: 
-
-+ Country: название страны
-+ ISO 3166-1 alpha-3: трехбуквенный код страны
-+ Year: год данных исследования
-+ Total: общее количество CO2, выброшенный страной в этом году
-+ Coal: количество CO2, выброшенное углем в этом году
-+ Oil: количество выбросов нефти
-+ Gas: количество выбросов газа
-+ Cement: количество выбросов цемента
-+ Flaring: сжигание на факелах уровни выбросов
-+ Other: другие формы, такие как промышленные процессы
-+ Per Capita: столбец «на душу населения» 
-
-
-### Какие технологии использовались:
-
-Используемые библиотеки:
-* math
-* pandas
-* sklearn
-
-### Как запустить:
-
-* установить python, math, pandas, sklearn
-* запустить проект (стартовая точка - main.py)
-
-### Что делает программа:
-
-* Загружает набор данных из файла 'CO2.csv', который содержит информацию о выбросах странами CO2 в год от различной промышленной деятельности.
-* Очищает набор данных путём удаления строк с нулевыми значениями из набора.
-* Добавляет в набор столбец с хеш-кодом наименования страны.
-* Добавляет в набор столбец 'procent oil' - процент выбросов от добычи нефтепродуктов от общего объема выбросов страны за год (для возможности классификации).
-* Выбирает набор признаков (features) из данных, которые будут использоваться для обучения моделей регрессии и классификации.
-* Определяет задачу регрессии, где целевой переменной (task) является 'Total', и задачу классификации, где целевой переменной является 'procent oil'.
-* Делит данные на обучающий и тестовый наборы для обеих задач с использованием функции train_test_split. Тестовый набор составляет 1% от исходных данных.
-* Создает и обучает деревья решений для регрессии и классификации с использованием моделей DecisionTreeRegressor и DecisionTreeClassifier.
-* Предсказывает значения целевой переменной на тестовых наборах для обеих задач.
-* Оценивает качество моделей с помощью оценки точности (score) для регрессии и классификации.
-* Выводит важности признаков для обеих задач.
-
-
-#### Результаты работы программы:
-
-![Result](img.png)
-
-### Вывод:
-
-Для задачи регрессии, где целью было предсказание общего объема выбросов СО2 страной за определённый год, модель дерева решений показала оценку точности равную 0.99. Это очень хороший показатель, значит модель вполне приемлемо предсказывает объём выбросов определенной страной в определенный год.
-
-Для задачи классификации, где целью было предсказать какая часть выбросов придётся на добычу нефти, модель дерева решений показала более низкую точность - 18%. Это означает, что модель классификации не справляется с предсказанием доли выбросов от добычи нефтепродуктов на основе выбранных признаков. 
-Низкая точность указывает на необходимость улучшения модели или выбора других методов для решения задачи классификации.
-
-Анализ важности признаков для задачи регрессии показал, что наибольший вклад в предсказание объёма выбросов страной за год вносит признак 'hashcode' или 'Country'. 
-Наименование страны оказывает наибольшее влияние на результаты модели. 
-Из этого можно сделать вывод, что количество выбросов CO2 определённой страной не сильно изменяется с течением времени 
-и каждая страна ежегодно производит примерно одинаковый объём выбросов CO2, что может быть связано с наличием месторождений ископаемых. 
-
-Для задачи классификации наибольший вклад в предсказание стоимости жилья вносят признаки 'Year' и 'Total'. 
-Эти признаки имеют наибольшее значение при определении классов по объёму выбросов от добычи нефтепродуктов.

arzamaskina_milana_lab_3/main.py

@@ -1,96 +0,0 @@
-import math
-import pandas as pd
-from sklearn.tree import DecisionTreeClassifier, DecisionTreeRegressor
-from sklearn.model_selection import train_test_split
-
-### Деревья решений для регрессии и классификации
-### с использованием моделей DecisionTreeRegressor и DecisionTreeClassifier
-
-# Загрузка данных
-data = pd.read_csv('CO2.csv')
-data = data.dropna()
-
-# Хеширование наименований стран
-countries = {}
-for country in data['Country']:
-    countries[country] = hash(country)
-hash_column = []
-for country in data['Country']:
-    hash_column.append(countries[country])
-data.insert(loc=0, column='hashcode', value=hash_column)
-
-# Добавление колонки "процент выбросов от добычи нефти в стране за год" для классификации
-procent_oil = []
-oils = []
-totals = []
-for oil in data['Oil']:
-    oils.append(oil)
-for total in data['Total']:
-    totals.append(total)
-for i in range(len(oils)):
-    procent_oil.append(math.ceil(oils[i]/totals[i]*100))
-data.insert(loc=0, column='procent oil', value=procent_oil)
-
-#------ Дерево решений для регрессии ------#
-
-# ЗАДАЧА: предсказание общего объема выбросов СО2 страной за определённый год.
-
-# Необходимые признаки для дерева регрессии
-features_for_regr = data[['Year', 'hashcode']]
-# Задача дерева регрессии
-task_regr = data['Total']
-
-# Разделение данных на обучающий и тестовый наборы для регрессии
-X_train_r, X_test_r, \
-y_train_r, y_test_r = train_test_split(features_for_regr, task_regr, test_size=0.01, random_state=250)
-
-# Создание и обучение дерева решений для регрессии
-model_regr = DecisionTreeRegressor(random_state=250)
-model_regr.fit(X_train_r, y_train_r)
-
-# Предсказание на тестовом наборе для регрессии
-y_pred_r = model_regr.predict(X_test_r)
-
-# Точечная оценка модели
-score_r = model_regr.score(X_test_r, y_test_r)
-print("\n\nТочность дерева регрессии:", score_r)
-
-# Важности признаков для дерева регрессии
-imp_regr = model_regr.feature_importances_
-
-print("Важность признаков для дерева регрессии: ")
-print("Важность 'Year':", imp_regr[0])
-print("Важность 'hashcode':", imp_regr[1], "\n\n")
-
-#------ Дерево решений для классификации ------#
-
-# ЗАДАЧА: предсказание процента выбросов СО2 от добычи нефти страной за определённый год
-#         с учётом общего объёма выбросов за год (или: какая часть выбросов придётся на добычу нефти).
-
-# Необходимые признаки для дерева классификации
-features_for_class = data[['Total', 'Year', 'hashcode']]
-# Задача дерева классификации
-task_class = data['procent oil']
-
-# Разделение данных на обучающий и тестовый наборы для классификации
-X_train_c, X_test_c, \
-y_train_c, y_test_c = train_test_split(features_for_class, task_class, test_size=0.01, random_state=250)
-
-# Создание и обучение дерева решений для классификации
-model_class = DecisionTreeClassifier(random_state=250)
-model_class.fit(X_train_c, y_train_c)
-
-# Предсказание на тестовом наборе для классификации
-y_pred_c = model_class.predict(X_test_c)
-
-# Точечная оценка модели
-score_c = model_class.score(X_test_c, y_test_c)
-print("Точность дерева классификации:", score_c)
-
-# Важности признаков для дерева классификации
-imp_class = model_class.feature_importances_
-
-print("Важность признаков для дерева классификации: ")
-print("Важность 'Total':", imp_class[0])
-print("Важность 'Year':", imp_class[1])
-print("Важность 'hashcode':", imp_class[2])

arzamaskina_milana_lab_4/README.md

@@ -1,112 +0,0 @@
-# Лабораторная работа №4
-
-## Кластеризация
-
-#### ПИбд-41 Арзамаскина Милана
-#### Вариант №2 (2 % 5 = 2)
-
-## Задание:
-
-Использовать метод кластеризации по варианту для данных из таблицы 1  по  варианту (таблица  9),
-самостоятельно  сформулировав  задачу. 
-Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вами задачи.
-
-#### Формулировка задачи: 
-Группировка стран на основе их характеристик:
-количество выбросов от добычи нефтепродуктов, газа, угля в 2020 году.
-С помощью алгоритма кластеризации: linkage.
-
-## Данные:
-
-Этот набор данных обеспечивает углубленный анализ глобальных выбросов CO2 на уровне страны, позволяя лучше понять, 
-какой вклад каждая страна вносит в глобальное совокупное воздействие человека на климат. 
-Он содержит информацию об общих выбросах, а также от добычи и сжигания угля, нефти, газа, цемента и других источников. 
-Данные также дают разбивку выбросов CO2 на душу населения по странам, показывая, 
-какие страны лидируют по уровням загрязнения, и определяют потенциальные области, 
-где следует сосредоточить усилия по сокращению выбросов. 
-Этот набор данных необходим всем, кто хочет получить информацию о своем воздействии на окружающую среду 
-или провести исследование тенденций международного развития.
-
-Данные организованы с использованием следующих столбцов: 
-
-+ Country: название страны
-+ ISO 3166-1 alpha-3: трехбуквенный код страны
-+ Year: год данных исследования
-+ Total: общее количество CO2, выброшенный страной в этом году
-+ Coal: количество CO2, выброшенное углем в этом году
-+ Oil: количество выбросов нефти
-+ Gas: количество выбросов газа
-+ Cement: количество выбросов цемента
-+ Flaring: сжигание на факелах уровни выбросов
-+ Other: другие формы, такие как промышленные процессы
-+ Per Capita: столбец «на душу населения» 
-
-
-### Какие технологии использовались:
-
-Используемые библиотеки:
-* scipy.cluster.hierarchy
-* pandas
-* matplotlib
-* seaborn
-
-### Как запустить:
-
-* установить python, scipy.cluster.hierarchy, pandas, matplotlib, seaborn
-* запустить проект (стартовая точка - main.py)
-
-### Что делает программа:
-
-* Загружает набор данных из файла 'CO2.csv', который содержит информацию о выбросах странами CO2 в год от различной промышленной деятельности.
-* Очищает набор данных путём удаления строк с нулевыми значениями и глобальными значениями по всем странам (строки 'Global') из набора.
-* Отбирает данные по странам за 2020 год.
-* Выбирает набор признаков (features) из данных, которые будут использоваться для кластеризации.
-* Применяет алгоритм linkage.
-* Формирует 4 кластера данных с помощью функции fcluster.
-* Выводит таблицу со списком стран, их характеристиками и номером кластера, к которому они относятся.
-* Отображает диаграмму результатов кластеризации seaborn.
-
-
-#### Результаты работы программы:
-
-![Result](img_1.png)
-![Result](img.png)
-
-### Вывод:
-
-Для кластеризации данных было использовано 4 кластера для группировки стран на основе их характеристик:
-количество выбросов от добычи нефтепродуктов, газа, угля в 2020 году.
-На кластеры разбивались 47 стран.
-
-На диаграмме можно наблюдать, что практически все страны относятся к первому кластеру, 
-а 2, 3, 4 кластер содержит всего по одной стране.
-
-+ Кластер 1: 
-
-Включает страны с маленьким объёмом выбросов от добычи газа, нефти и угля в 2020 году. 
-В данную группу входят такие страны, как Швейцария, Турция, Норвегия и др.
-Опираясь на результаты кластеризации, можно сказать, что страны имеют малое количество месторождений газа, нефти и угля,
-либо не занимаются их добычей, либо ведут мероприятия по смягчению последствий от загрязнений.
-
-+ Кластер 2: 
-
-Включает одну страну - Россию. 
-По диаграмме можно сказать, что в стране выбросы от добычи нефти и угля также малы, как и в странах первого кластера. 
-Однако, выбросы от добычи газа в несколько раз больше.
-Страна, которая занимается преимущественно добычей газа.
-
-+ Кластер 3: 
-
-Содержит также одну страну - США. У страны рекордный объём выбросов от добычи газа, также страна этого кластера 
-отличается бОльшим объемом выбросов от добычи нефти (можно наблюдать на диаграмме по размеру точки).
-Страна, лидирующая по объёму выбросов от добычи газа. Страна является лидером по запасам природного газа.
-
-+ Кластер 4: 
-
-Включает страну - Китай. Судя по диаграмме кластеризации Китай производит большой объём выбросов 
-в процессе добычи нефти и рекордный в процессе добычи угля.
-Страна, лидирующая по выбросам от добычи угля и нефти, а также средняя по выбросам от газа. 
-Опираясь на результаты кластеризации, можно сказать, что Китай - лидер по добыче угля.
-
-Данная кластеризация на 4 кластера хорошо подходит для распределения стран 
-на группы по объёму выбросов от добычи нефти, газа и угля.

arzamaskina_milana_lab_4/main.py

@@ -1,44 +0,0 @@
-import pandas as pd
-from scipy.cluster.hierarchy import linkage, fcluster
-import matplotlib.pyplot as plt
-import seaborn as sns
-
-# Кластеризация: Группировка стран на основе их характеристик:
-# количество выбросов от добычи нефтепродуктов, газа, угля в 2020 году.
-
-# Загружаем данные, отбираем данные за 2020 год
-# и удаляем строки, в которых данные отсутствуют
-data_first = pd.read_csv('CO2.csv')
-data_first = data_first.dropna()
-data = data_first[data_first['Year'] == 2020]
-data = data[data.Country != 'Global']
-names = data['Country']
-
-# Выделение признаков
-features = data[['Coal', 'Oil', 'Gas']]
-
-# Применение алгоритма linkage
-link_cl = linkage(features, method='ward', metric='euclidean')
-
-# Кластеризация на 3 кластера
-clusters = fcluster(link_cl, 4, criterion='maxclust')
-
-# Добавление информации о кластерах в исходные данные
-features['cluster'] = clusters
-
-# Диаграмма результатов кластеризации
-plt.figure(figsize=(12, 6))
-sns.scatterplot(x='Coal', y='Gas', size='Oil',
-                sizes=(10, 200), hue='cluster', palette='viridis', data=features)
-plt.title('Clustering Results')
-plt.xlabel('Coal')
-plt.ylabel('Gas')
-
-# Вывод таблицы с результатами кластеризации
-# Добавление наименований стран
-features.insert(loc=0, column='country', value=names)
-# Вывод результатов кластеризации
-result_clust = features[['cluster', 'country', 'Coal', 'Oil', 'Gas']]
-print(result_clust)
-
-plt.show()

arzamaskina_milana_lab_5/README.md

@@ -1,84 +0,0 @@
-# Лабораторная работа №5
-
-## Регрессия
-
-#### ПИбд-41 Арзамаскина Милана
-#### Вариант №2
-
-## Задание:
-
-Использовать  регрессию по  варианту для  данных  из  таблицы  1  по варианту (таблица  10),
-самостоятельно  сформулировав  задачу.
-Оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
-
-Задача по варианту №2: с помощью логистической регрессии.
-
-Дополнительно: с помощью полиномиальной регрессии 3 степени. Сравнение моделей.
-
-#### Формулировка задачи: 
-Предсказание доли выбросов CO2 промышленной деятельностью
-от общего объёма выбросов CO2 страной в определённый год.
-
-## Данные:
-
-Этот набор данных обеспечивает углубленный анализ глобальных выбросов CO2 на уровне страны, позволяя лучше понять, 
-какой вклад каждая страна вносит в глобальное совокупное воздействие человека на климат. 
-Он содержит информацию об общих выбросах, а также от добычи и сжигания угля, нефти, газа, цемента и других источников. 
-Данные также дают разбивку выбросов CO2 на душу населения по странам, показывая, 
-какие страны лидируют по уровням загрязнения, и определяют потенциальные области, 
-где следует сосредоточить усилия по сокращению выбросов. 
-Этот набор данных необходим всем, кто хочет получить информацию о своем воздействии на окружающую среду 
-или провести исследование тенденций международного развития.
-
-Данные организованы с использованием следующих столбцов: 
-
-+ Country: название страны
-+ ISO 3166-1 alpha-3: трехбуквенный код страны
-+ Year: год данных исследования
-+ Total: общее количество CO2, выброшенный страной в этом году
-+ Coal: количество CO2, выброшенное углем в этом году
-+ Oil: количество выбросов нефти
-+ Gas: количество выбросов газа
-+ Cement: количество выбросов цемента
-+ Flaring: сжигание на факелах уровни выбросов
-+ Other: другие формы, такие как промышленные процессы
-+ Per Capita: столбец «на душу населения» 
-
-
-### Какие технологии использовались:
-
-Используемые библиотеки:
-* pandas
-* math
-* sklearn
-
-
-### Как запустить:
-
-* установить python, sklearn, pandas, math
-* запустить проект (стартовая точка - main.py)
-
-### Что делает программа:
-
-* Загружает набор данных из файла 'CO2.csv', который содержит информацию о выбросах странами CO2 в год от различной промышленной деятельности.
-* Очищает набор данных путём удаления строк с нулевыми значениями и глобальными значениями по всем странам (строки 'Global') из набора.
-* Добавляет в набор столбец с хеш-кодом наименования страны.
-* Добавляет в набор столбец 'procent other' - процент выбросов в процессе промышленной деятельности от общего объема выбросов страны за год.
-* Выбирает набор признаков (features) из данных, которые будут использоваться для обучения моделей регрессии.
-* Определяет задачу регрессии, где целевой переменной (task) является 'procent other'.
-* Делит данные на обучающий и тестовый наборы для обеих задач с использованием функции train_test_split. Тестовый набор составляет 1% от исходных данных.
-* Создает и обучает модели регрессии LogisticRegression и PolynomialFeatures.
-* Предсказывает значения целевой переменной на тестовых наборах.
-* Оценивает качество моделей с помощью среднеквадратичной ошибки.
-
-
-#### Результаты работы программы:
-
-![Result](img.png)
-
-### Вывод:
-
-Среднеквадратичная ошибка полиномиальной модели равна 0.37, логистической - 2.35.
-Следовательно, полиномиальная модель предсказывает долю выбросов промышленной деятельностью
-от общего объёма выбросов CO2 страной в определённый год более точно 
-и лучше всего соответствовует данному набору данных из двух потенциальных моделей.

arzamaskina_milana_lab_5/main.py

@@ -1,70 +0,0 @@
-import math
-import pandas as pd
-from sklearn.model_selection import train_test_split
-from sklearn.pipeline import make_pipeline
-from sklearn.preprocessing import PolynomialFeatures
-from sklearn.linear_model import LogisticRegression, LinearRegression
-from sklearn.metrics import mean_squared_error
-
-# По варианту 2:
-# предсказание доли выбросов CO2 промышленной деятельностью
-# от общего объёма выбросов CO2 страной в определённый год
-# с помощью логистической регрессии
-
-# Дополнительно: с помощью полиномиальной регрессии 3 степени
-
-# Загружаем данные из файла
-data = pd.read_csv('CO2.csv')
-data = data.dropna()
-data = data[data.Country != 'Global']
-
-# Хеширование наименований стран
-countries = {}
-for country in data['Country']:
-    countries[country] = hash(country)
-hash_column = []
-for country in data['Country']:
-    hash_column.append(countries[country])
-data.insert(loc=0, column='hashcode', value=hash_column)
-
-# Добавление колонки "доля выбросов промышленным производством в стране за год"
-procent_other = []
-others = []
-totals = []
-for other in data['Other']:
-    others.append(other)
-for total in data['Total']:
-    totals.append(total)
-for i in range(len(others)):
-    procent_other.append(math.ceil(others[i]/totals[i]*100))
-data.insert(loc=0, column='procent other', value=procent_other)
-
-# Необходимые признаки
-features = data[['Total', 'hashcode', 'Year']]
-
-# Задача логистической регрессии
-task = data['procent other']
-
-# Разделение данных на обучающую и тестовую выборки
-X_train, X_test, y_train, y_test = train_test_split(features, task, test_size=0.01, random_state=5)
-
-# Применение логистической регрессии
-model_logic = LogisticRegression(max_iter=1000)
-model_logic.fit(X_train, y_train)
-
-# Предсказание на тестовых данных
-y_pred_logic = model_logic.predict(X_test)
-
-# Полиномиальная регрессия (degree=3)
-model_poly = make_pipeline(PolynomialFeatures(degree=3), LinearRegression())
-model_poly.fit(X_train, y_train)
-
-# Предсказание на тестовых данных
-y_pred_poly = model_poly.predict(X_test)
-
-# Оценка регрессионных моделей
-poly_mse = mean_squared_error(y_test, y_pred_poly)
-logic_mse = mean_squared_error(y_test, y_pred_logic)
-
-print('Среднеквадратичная ошибка полиномиальной регрессии:', poly_mse)
-print('Среднеквадратичная ошибка логистической регрессии:', logic_mse)

arzamaskina_milana_lab_6/README.md

@@ -1,82 +0,0 @@
-# Лабораторная работа №6
-
-## Нейронная сеть
-
-#### ПИбд-41 Арзамаскина Милана
-#### Вариант №2
-
-## Задание:
-
-Использовать  нейронную  сеть для  данных  из  таблицы  1  по  варианту,
-самостоятельно  сформулировав  задачу.
-Интерпретировать  результаты  и оценить,  насколько  хорошо  она подходит  для  решения сформулированной вами задачи.
-
-Задача по варианту №2: с помощью нейронной сети MLPRegressor.
-
-#### Формулировка задачи: 
-Задача: посмотреть, как зависит количество выбросов промышленным производством,
-от таких признаков как: выбросы от сжигания и газа.
-
-Зависит ли количество выбросов промышленным производством от сжигания (огня) и газа,
-так как производства могут применять сжигание с целью избавления от промышленных выбросов.
-
-## Данные:
-
-Этот набор данных обеспечивает углубленный анализ глобальных выбросов CO2 на уровне страны, позволяя лучше понять, 
-какой вклад каждая страна вносит в глобальное совокупное воздействие человека на климат. 
-Он содержит информацию об общих выбросах, а также от добычи и сжигания угля, нефти, газа, цемента и других источников. 
-Данные также дают разбивку выбросов CO2 на душу населения по странам, показывая, 
-какие страны лидируют по уровням загрязнения, и определяют потенциальные области, 
-где следует сосредоточить усилия по сокращению выбросов. 
-Этот набор данных необходим всем, кто хочет получить информацию о своем воздействии на окружающую среду 
-или провести исследование тенденций международного развития.
-
-Данные организованы с использованием следующих столбцов: 
-
-+ Country: название страны
-+ ISO 3166-1 alpha-3: трехбуквенный код страны
-+ Year: год данных исследования
-+ Total: общее количество CO2, выброшенное страной в этом году
-+ Coal: количество CO2, выброшенное углем в этом году
-+ Oil: количество выбросов нефти
-+ Gas: количество выбросов газа
-+ Cement: количество выбросов цемента
-+ Flaring: выбросы от сжигания
-+ Other: другие формы, такие как промышленные процессы
-+ Per Capita: столбец «на душу населения» 
-
-
-### Какие технологии использовались:
-
-Используемые библиотеки:
-* pandas
-* matplotlib
-* sklearn
-
-### Как запустить:
-
-* установить python, sklearn, pandas, matplotlib
-* запустить проект (стартовая точка - main.py)
-
-### Что делает программа:
-
-* Загружает набор данных из файла 'CO2.csv', который содержит информацию о выбросах странами CO2 в год от различной промышленной деятельности.
-* Очищает набор данных путём удаления строк с нулевыми значениями и глобальными значениями по всем странам (строки 'Global') из набора.
-* Выбирает набор признаков (features) из данных, которые будут использоваться.
-* Определяет целевую переменную (task) является 'other'.
-* Делит данные на обучающий и тестовый наборы для обеих задач с использованием функции train_test_split. Тестовый набор составляет 10% от исходных данных.
-* Решает задачу регрессии с помощью нейронной сети MLPRegressor.
-* Предсказывает значения целевой переменной на тестовых наборах.
-* Выводит коэффициент детерминации для оценки соответствия модели данным.
-
-
-#### Результаты работы программы:
-
-![Result](img.png)
-![Result](img_1.png)
-
-
-### Вывод:
-
-Точность работы модели на выбранных данных достаточно низкая, модель не справилась со своей задачей, возможно, 
-другие методы могут выдать лучшие результаты, либо необходима модификация модели.

arzamaskina_milana_lab_6/main.py

@@ -1,43 +0,0 @@
-import pandas as pd
-from matplotlib import pyplot as plt
-from sklearn.model_selection import train_test_split
-from sklearn.neural_network import MLPRegressor
-
-# Загрузка данных из файла
-data = pd.read_csv("CO2.csv")
-data = data.dropna()
-data = data[data.Country != 'Global']
-
-# Выбор признаков и целевой переменной
-features = data[['Flaring', 'Gas']]
-task = data['Other']
-
-# Разделение данных на обучающую и тестовую выборки
-X_train, X_test, y_train, y_test = train_test_split(features, task, test_size=0.1, random_state=42)
-
-# Обучение модели
-model = MLPRegressor(
-    hidden_layer_sizes=(25, 25),
-    activation='relu',
-    solver='adam',
-    random_state=42
-)
-model.fit(X_train, y_train)
-
-# Оценка качества модели на тестовой выборке
-y_pred = model.predict(X_test)
-score = model.score(X_test, y_test)
-print("Коэффициент детерминации на тестовых данных:", score)
-
-# Оценка точности модели на тестовой выборке
-accuracy = model.score(X_test, y_test)
-print(f'Точность модели: {accuracy}')
-
-# Визуализация модели
-plt.scatter(y_test, y_pred)
-plt.plot([y_test.min(), y_test.max()],
-         [y_test.min(), y_test.max()], lw=2)
-plt.xlabel('Фактическое значение')
-plt.ylabel('Предсказанное значение')
-plt.title('Результаты предсказания модели MLPRegressor количества выбросов промышленным производством')
-plt.show()

arzamaskina_milana_lab_7/README.md

@@ -1,46 +0,0 @@
-# Лабораторная работа №7
-
-## Рекуррентная нейронная сеть и задача генерации текста
-
-#### ПИбд-41 Арзамаскина Милана
-#### Вариант №2
-
-### Какие технологии использовались:
-
-Используемые библиотеки:
-* numpy
-* keras
-* tensorflow
-
-### Как запустить:
-
-* установить python, numpy, keras, tensorflow
-* запустить проект (стартовая точка - main.py)
-
-### Что делает программа:
-
-На основе выбранных художественных текстов происходит обучение рекуррентной нейронной сети для решения задачи генерации.
-Необходимо подобрать архитектуру и параметры так, чтобы приблизиться к максимально осмысленному результату.
-
-* Читает текст из файлов (english.txt, russian.txt)
-* Получает входные, выходные данные (X, y), размер словаря и токенайзер. Используем Tokenizer с настройкой char_level=True
-* Создаёт объект Sequential (последовательная рекуррентная нейронная сеть) и добавление двух слоёв LSTM. Dropout — это метод регуляризации для нейронных сетей и моделей глубокого обучения, решение проблемы переобучения. Слой Dense с функцией активации softmax используется для предсказания следующего слова
-* Компилирует модель
-* Обучает модель
-* Генерирует текст
-
-
-#### Сгенерированные тексты:
-
-Генерация на русском языке:
-
-![Result](img1.png)
-
-Генерация на английском языке:
-
-![Result](img2.png)
-
-
-### Вывод:
-
-Программа способна сгенерировать осмысленный текст в каждом из случаев.

arzamaskina_milana_lab_7/english.txt

@@ -1,8 +0,0 @@
-The cloud shuddered with blue flame. Thunder rumbled slowly.
-It either intensified or almost died down. And the rain, obeying the thunder, began to fall harder at times and rustle widely through the leaves, then stopped.
-Soon the sun broke through the clouds. The old Pushkin Park in Mikhailovskoye and the steep banks of Soroti were ablaze with red clay and wet grass.
-A slender rainbow lit up across the cloudy distance. It sparkled and smoked, surrounded by wisps of ashen clouds.
-The rainbow looked like an arch erected on the border of a protected land. Here, in Pushkin’s places, thoughts about the Russian language arose with particular force.
-Here Pushkin wandered with his head uncovered, with his cold hair tangled by the autumn wind, listening to the wet hum of the pine tops, looking, squinting,
-from where the autumn clouds rush, I rushed around the fairs. Here wonderful words overwhelmed him, oppressed his soul and, finally, were composed, one by one, with the stub of a goose feather, into ringing stanzas.
-​

arzamaskina_milana_lab_7/main.py

@@ -1,62 +0,0 @@
-import numpy as np
-from keras.layers import LSTM, Dense
-from keras.models import Sequential
-from keras.preprocessing.sequence import pad_sequences
-from keras.preprocessing.text import Tokenizer
-
-# Чтение текста из файла
-# with open('russian.txt', 'r', encoding='utf-8') as file:
-#     text = file.read()
-with open('english.txt', 'r', encoding='utf-8') as file:
-    text = file.read()
-
-# Обучение Tokenizer на тексте
-tokenizer = Tokenizer(char_level=True)
-tokenizer.fit_on_texts([text])
-sequences = tokenizer.texts_to_sequences([text])[0]
-
-# Создание x, y последовательностей
-X_data, y_data = [], []
-seq_length = 10
-for i in range(seq_length, len(sequences)):
-    sequence = sequences[i - seq_length:i]
-    target = sequences[i]
-    X_data.append(sequence)
-    y_data.append(target)
-
-# Преобразование в массивы
-X_mass = pad_sequences(X_data, maxlen=seq_length)
-y_mass = np.array(y_data)
-
-# Создание модели
-vocab_size = len(tokenizer.word_index) + 1
-model = Sequential()
-model.add(LSTM(256, input_shape=(seq_length, 1), return_sequences=True))
-model.add(LSTM(128, input_shape=(seq_length, 1)))
-model.add(Dense(vocab_size, activation='softmax'))
-
-# Компиляция
-model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
-
-# Обучение
-model.fit(X_mass, y_mass, epochs=100, verbose=1)
-
-# Функция генерации
-def generate_text(_text, gen_length):
-    generated_text = _text
-    for _ in range(gen_length):
-        seq = tokenizer.texts_to_sequences([_text])[0]
-        seq = pad_sequences([seq], maxlen=seq_length)
-        prediction = model.predict(seq)[0]
-        predicted_index = np.argmax(prediction)
-        predicted_char = tokenizer.index_word[predicted_index]
-        generated_text += predicted_char
-        _text += predicted_char
-        _text = _text[1:]
-    return generated_text
-
-# Генерация текста
-# _text = "Она сверкала"
-_text = "It sparkled and smoked"
-generate_text = generate_text(_text, 250)
-print(generate_text)

arzamaskina_milana_lab_7/russian.txt

@@ -1,7 +0,0 @@
-Тучу передернуло синим пламенем. Медленно загремел гром. 
-Он то усиливался, то почти затихал. И дождь, подчиняясь грому, начал временами идти сильнее и широко шуметь по листве, потом останавливался. 
-Вскоре сквозь тучи пробилось солнце. Старый пушкинский парк в Михайловском и крутые берега Сороти запылали рыжей глиной и мокрой травой. 
-Стройная радуга зажглась нал пасмурной далью. Она сверкала и дымилась, окруженная космами пепельных туч. 
-Радуга была похожа на арку, воздвигнутую на границе заповедной земли. С особенной силой здесь, в пушкинских местах, возникали мысли о русском языке. 
-Здесь Пушкин бродил с непокрытой головой, со спутанными осенним ветром холодными волосами, слушал влажный гул сосновых вершин, смотрел, прищурившись, 
-откуда несутся осенние тучи, толкался по ярмаркам. Здесь чудесные слова переполняли его, стесняли его душу и, наконец, слагались по огрызком гусиного пера в звенящие строфы.

basharin_sevastyan_lab_3/README.md

@@ -1,8 +1,8 @@
 ## Лабораторная работа 3. Вариант 4.
 ### Задание 
-По данным из таблицы реши задачу классификации (с помощью дерева решений) на 99% ваших данных. 
-Задачу классификации определить необходимо самостоятельно. 
-Проверьте работу модели на оставшемся проценте, сделайте вывод.
+Выполнить ранжирование признаков и решить с помощью библиотечной реализации дерева решений 
+задачу классификации на 99% данных из курсовой работы. Проверить 
+работу модели на оставшемся проценте, сделать вывод.
 
 Модель:
 - Дерево решений `DecisionTreeClassifier`.
@@ -65,8 +65,21 @@ data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'
 data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
 ```
 
-#### Формулировка задачи
-Предсказать статус регистрации автомобиля (Registration Status) на основе других параметров.
+#### Выявление значимых параметров
+```python
+# Оценка важности признаков
+feature_importances = clf.feature_importances_
+feature_importance_df = pd.DataFrame({'Feature': X_train.columns, 'Importance': feature_importances})
+feature_importance_df = feature_importance_df.sort_values(by='Importance', ascending=False)
+```
+
+#### Решение задачи кластеризации на полном наборе признаков 
+Чтобы решить задачу кластеризации моделью `DecisionTreeClassifier`, воспользуемся методом `.predict()`.
+```python
+clf = DecisionTreeClassifier(max_depth=5, random_state=42)
+clf.fit(X_train, y_train)
+y_pred = clf.predict(X_test)
+```
 
 #### Оценка эффективности
 Для оценки точности модели будем использовать встроенный инструмент `accuracy_score`:
@@ -75,7 +88,6 @@ accuracy = accuracy_score(y_test, y_pred)
 ```
 
 #### Результаты
-![](res.png "Точность")
+![](accuracy.png "Точность")
 
-### Вывод
-Алгоритм показал высокую точность. Считаем, что алгоритм успешен.
+![](important.png "Важность признаков")

basharin_sevastyan_lab_3/main.py

@@ -40,29 +40,39 @@ data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
 data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
 data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
 
-# Определение целевой переменной и признаков
-X = data.drop('Registration Status', axis=1)  # Признаки
-y = data['Registration Status']  # Целевая переменная
+# Разделение данных на обучающий набор и тестовый набор. Мы будем использовать 99% данных для обучения.
+train_data, test_data = train_test_split(data, test_size=0.01, random_state=42)
 
-# Разделение данных на обучающий и тестовый наборы
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01, random_state=42)
+# Определите целевую переменную (то, что вы пытаетесь предсказать, например, 'Price').
+X_train = train_data.drop(columns=['Price'])
+y_train = train_data['Price']
+X_test = test_data.drop(columns=['Price'])
+y_test = test_data['Price']
 
-# Создание и обучение модели дерева решений
-model = DecisionTreeClassifier(random_state=42)
-model.fit(X_train, y_train)
+# Создание и обучение модели DecisionTreeClassifier
+clf = DecisionTreeClassifier(random_state=42)
+clf.fit(X_train, y_train)
 
-# Предсказание на тестовом наборе
-y_pred = model.predict(X_test)
+# Оценка важности признаков
+feature_importances = clf.feature_importances_
 
-# Оценка точности модели
+# Создание DataFrame с именами признаков и их важностью
+feature_importance_df = pd.DataFrame({'Feature': X_train.columns, 'Importance': feature_importances})
+
+# Сортировка признаков по убыванию важности
+feature_importance_df = feature_importance_df.sort_values(by='Importance', ascending=False)
+
+# Вывод ранжированных признаков
+print(feature_importance_df)
+
+clf = DecisionTreeClassifier(max_depth=5, random_state=42)
+
+# Обучите модель на обучающем наборе данных
+clf.fit(X_train, y_train)
+
+# Предсказание целевой переменной на тестовом наборе данных
+y_pred = clf.predict(X_test)
+
+# Оцените производительность модели с помощью различных метрик
 accuracy = accuracy_score(y_test, y_pred)
-print(f'Accuracy: {accuracy * 100:.2f}%')
-
-# Можете также провести анализ других метрик, таких как precision, recall, F1-score и т.д.
-
-# Проверка работы модели на оставшемся проценте данных (1%)
-y_remaining = model.predict(X_test)  # Предполагаем, что X_test представляет оставшиеся 99% данных
-
-# Вывод результата
-print('Результат предсказания на оставшемся проценте данных:')
-print(y_remaining)
+print(f'Точность модели: {accuracy}')

basharin_sevastyan_lab_4/README.md

@@ -1,110 +0,0 @@
-## Лабораторная работа 4. Вариант 5.
-### Задание 
-Использовать метод кластеризации по варианту для набора данных, самостоятельно сформулировав задачу. 
-Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вами задачи.
-Алгоритм кластеризации: K-means
-
-### Как запустить
-Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
-``` python
-python main.py
-```
-
-### Используемые технологии
-- Библиотека `pandas`, используемая для работы с данными для анализа scv формата.
-- `sklearn` (scikit-learn): Scikit-learn - это библиотека для машинного обучения и анализа данных в Python. Из данной библиотеки были использованы следующие модули:
- - `KMeans` - реализация алгоритма K-means для кластеризации данных.
- - `LabelEncoder` - это класс из scikit-learn, используемый для преобразования категориальных признаков (например, строки) в числовые значения.
- - `matplotlib.pyplot` - библиотека для визуализации данных, используется для построения графика метода локтя и визуализации результатов кластеризации.
-
-### Описание работы
-#### Описание набора данных
-Набор данных: набор данных о цене автомобиля в автопарке.
-
-Названия столбцов набора данных и их описание:
-
-- Id: Уникальный идентификатор для каждого автомобиля в списке.
-- Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
-- Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
-- Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
-- Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
-- Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
-- Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
-- Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
-- Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
-- Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
-- Assembly: Импорт или местный рынок.
-- Body Type: Тип кузова.
-- Transmission Type: Тип трансмиссии.
-- Registration Status: Статус регистрации.
-
-Ссылка на страницу набора на kuggle: [Ultimate Car Price Prediction Dataset](https://www.kaggle.com/datasets/mohidabdulrehman/ultimate-car-price-prediction-dataset/data)
-
-#### Оцифровка и нормализация данных
-Для нормальной работы с данными, необходимо исключить из них все нечисловые значения. 
-После этого, представить все строковые значения параметров как числовые и очистить датасет от "мусора". 
-Для удаления нечисловых значений воспользуемся функцией `.dropna()`.
-Так же мы удаляем первый столбец `Id`, так как при открытии файла в `pd` он сам нумерует строки.
-
-Все нечисловые значения мы преобразуем в числовые с помощью `LabelEncoder`:
-```python
-label_encoder = LabelEncoder()
-data['Location'] = label_encoder.fit_transform(data['Location'])
-data['Company Name'] = label_encoder.fit_transform(data['Company Name'])
-data['Model Name'] = label_encoder.fit_transform(data['Model Name'])
-data['Engine Type'] = label_encoder.fit_transform(data['Engine Type'])
-data['Color'] = label_encoder.fit_transform(data['Color'])
-data['Assembly'] = label_encoder.fit_transform(data['Assembly'])
-data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
-data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
-data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
-```
-
-#### Выбор признаков для кластеризации:
-```python
-features = ['Price', 'Model Year', 'Mileage', 'Engine Capacity']
-```
-Данный набор признаков был выбран, так как многие из них показали высокую важность в предыдущей лабораторной работе.
-
-#### Метод локтя 
-Алгоритм K-средних требует четкого задание количества кластеров. Выберем количество кластеров, используя метод локтя.
-```python
-from sklearn.cluster import KMeans
-
-inertia = []
-for n_clusters in range(1, 11):
-    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
-    kmeans.fit(data[features])
-    inertia.append(kmeans.inertia_)
-```
-В результате мы получим следующий график:
-![](elbow.png "Точность")
-Анализирую этот график, видим, что примерно на 5-6 шаге инерция меняется уже не значительно. 
-Задаем значение кластеров равным 5.
-```python
-optimal_clusters = 5
-```
-
-#### Применение K-means
-K-means применяется с оптимальным числом кластеров, вычисленным на предыдущем этапе.
-```python
-from sklearn.cluster import KMeans
-
-kmeans = KMeans(n_clusters=optimal_clusters, random_state=42)
-data['Cluster'] = kmeans.fit_predict(data[features])
-```
-
-#### Интерпретация результатов
-Для каждого кластера выводятся статистические характеристики выбранных признаков.
-![](clust1.png "Точность")
-![](clust2.png "Точность")
-
-#### Визуализация результатов
-Результаты кластеризации визуализируются на графике рассеяния, например, по двум признакам.
-![](engine_clust.png "Точность")
-![](mileage_clust.png "Точность")
-
-### Вывод
-На основе графиков и интерпретированных результатов можно сделать вывод, что кластеризация проведена
-верно. Коэффициент силуэта: `0.62`. Коэффициент может варьироваться от -1 до 1, можно сказать, что оценка высокая и 
-метод K-means подходит для решения поставленной задачи.

basharin_sevastyan_lab_4/main.py

@@ -1,92 +0,0 @@
-import pandas as pd
-from sklearn.preprocessing import LabelEncoder
-from sklearn.cluster import KMeans
-from sklearn.metrics import silhouette_score
-import matplotlib.pyplot as plt
-
-''' Названия столбцов набора данных и их описание:
-Id: Уникальный идентификатор для каждого автомобиля в списке.
-Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
-Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
-Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
-Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
-Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
-Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
-Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
-Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
-Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
-'''
-
-
-# Загрузите данные из вашей курсовой работы, предположим, что у вас есть файл CSV.
-data = pd.read_csv('Data_pakwheels.csv')
-data.pop("Id")
-
-data.dropna(inplace=True)  # Удаление строки с пропущенными значениями.
-
-# Преобразуйте категориальные признаки в числовые. Используйте, например, one-hot encoding.
-# data = pd.get_dummies(data, columns=['Company Name', 'Model Name', 'Location', 'Engine Type', 'Color'])
-
-# Создайте объект LabelEncoder
-label_encoder = LabelEncoder()
-
-data['Location'] = label_encoder.fit_transform(data['Location'])
-data['Company Name'] = label_encoder.fit_transform(data['Company Name'])
-data['Model Name'] = label_encoder.fit_transform(data['Model Name'])
-data['Engine Type'] = label_encoder.fit_transform(data['Engine Type'])
-data['Color'] = label_encoder.fit_transform(data['Color'])
-data['Assembly'] = label_encoder.fit_transform(data['Assembly'])
-data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
-data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
-data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
-
-# Выбор признаков для кластеризации
-features = ['Price', 'Model Year', 'Mileage', 'Engine Capacity']
-
-# Выбор числа кластеров с использованием метода локтя
-inertia = []
-for n_clusters in range(1, 11):
-    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
-    kmeans.fit(data[features])
-    inertia.append(kmeans.inertia_)
-
-# Визуализация метода локтя
-plt.plot(range(1, 11), inertia, marker='o')
-plt.xlabel('Number of clusters')
-plt.ylabel('Inertia')
-plt.title('Elbow Method for Optimal k')
-plt.show()
-
-# Выбор оптимального числа кластеров (пример, если "локоть" находится при k=3)
-optimal_clusters = 5
-
-# Применение K-means
-kmeans = KMeans(n_clusters=optimal_clusters, random_state=42)
-data['Cluster'] = kmeans.fit_predict(data[features])
-
-# получение меток кластеров
-labels = kmeans.labels_
-data['Cluster'] = labels
-# оценка качества с помощью коэффициента силуэта
-silhouette = silhouette_score(data[features].values, labels)
-print(f"Коэффициент силуэта: {silhouette:.2f}")
-
-# Интерпретация результатов
-for cluster_num in range(optimal_clusters):
-    cluster_data = data[data['Cluster'] == cluster_num]
-    print(f"\nCluster {cluster_num + 1} characteristics:")
-    print(cluster_data[features].describe())
-
-# Дополнительная визуализация, например, по двум признакам
-plt.scatter(data['Price'], data['Mileage'], c=data['Cluster'], cmap='viridis')
-plt.xlabel('Price')
-plt.ylabel('Mileage')
-plt.title('Clustering Results')
-plt.show()
-
-# получение меток кластеров
-labels = kmeans.labels_
-data['Cluster'] = labels
-# оценка качества с помощью коэффициента силуэта
-silhouette = silhouette_score(data[features].values, labels)
-print(f"Коэффициент силуэта: {silhouette:.2f}")

basharin_sevastyan_lab_5/README.md

@@ -1,56 +0,0 @@
-Линейная регрессия
-## Лабораторная работа 3. Вариант 5.
-### Задание 
-Использовать регрессию по варианту для данных из курсовой работы. Самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для 
-решения сформулированной задачи.
-
-Модель регрессии:
-- Линейная регрессия 
-
-### Как запустить
-Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
-``` python
-python main.py
-```
-
-### Используемые технологии
-- Библиотека `pandas`, используемая для работы с данными для анализа scv формата.
-- `sklearn` (scikit-learn): Scikit-learn - это библиотека для машинного обучения и анализа данных в Python. Из данной библиотеки были использованы следующие модули:
-  - `metrics` - набор инструменов для оценки моделей
-  - `DecisionTreeClassifier` - классификатор, реализующий алгоритм дерева решений. Дерево решений - это модель машинного обучения, которая разбивает данные на рекурсивные решения на основе значений признаков. Она используется для задач классификации и регрессии.
-  - `accuracy_score` -функция из scikit-learn, которая используется для оценки производительности модели классификации путем вычисления доли правильно классифицированных примеров (точности) на тестовом наборе данных.
-  - `train_test_split` - это функция из scikit-learn, используемая для разделения набора данных на обучающий и тестовый наборы.
-  - `LabelEncoder` - это класс из scikit-learn, используемый для преобразования категориальных признаков (например, строки) в числовые значения.
-
-### Описание работы
-#### Описание набора данных
-Набор данных: набор данных о цене автомобиля в автопарке.
-
-Названия столбцов набора данных и их описание:
-
-- Id: Уникальный идентификатор для каждого автомобиля в списке.
-- Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
-- Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
-- Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
-- Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
-- Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
-- Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
-- Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
-- Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
-- Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
-- Assembly: Импорт или местный рынок.
-- Body Type: Тип кузова.
-- Transmission Type: Тип трансмиссии.
-- Registration Status: Статус регистрации.
-
-Ссылка на страницу набора на kuggle: [Ultimate Car Price Prediction Dataset](https://www.kaggle.com/datasets/mohidabdulrehman/ultimate-car-price-prediction-dataset/data)
-
-### Формулировка задачи
-Предсказание цены автомобиля на основе различных характеристик.
-
-### Результат
-![](res.png)
-
-### Вывод
-Коэффициент детерминации полученной модели равен примерно 0.53, что можно считать приемлемым результатом. Напомню, что 
-чем ближе значение коэффициент детерминации к 1, тем лучше модель объясняет изменчивость целевой переменной.

basharin_sevastyan_lab_5/main.py

@@ -1,62 +0,0 @@
-from sklearn.linear_model import LinearRegression
-import pandas as pd
-from sklearn.metrics import r2_score
-from sklearn.model_selection import train_test_split
-from sklearn.preprocessing import LabelEncoder
-
-''' Названия столбцов набора данных и их описание:
-Id: Уникальный идентификатор для каждого автомобиля в списке.
-Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
-Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
-Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
-Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
-Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
-Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
-Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
-Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
-Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
-'''
-
-
-# Загрузите данные из вашей курсовой работы, предположим, что у вас есть файл CSV.
-data = pd.read_csv('Data_pakwheels.csv')
-data.pop("Id")
-
-data.dropna(inplace=True)  # Удаление строки с пропущенными значениями.
-
-# Преобразуйте категориальные признаки в числовые. Используйте, например, one-hot encoding.
-# data = pd.get_dummies(data, columns=['Company Name', 'Model Name', 'Location', 'Engine Type', 'Color'])
-
-# Создайте объект LabelEncoder
-label_encoder = LabelEncoder()
-
-data['Location'] = label_encoder.fit_transform(data['Location'])
-data['Company Name'] = label_encoder.fit_transform(data['Company Name'])
-data['Model Name'] = label_encoder.fit_transform(data['Model Name'])
-data['Engine Type'] = label_encoder.fit_transform(data['Engine Type'])
-data['Color'] = label_encoder.fit_transform(data['Color'])
-data['Assembly'] = label_encoder.fit_transform(data['Assembly'])
-data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
-data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
-data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
-
-# Выбор признаков
-selected_features = ['Model Year', 'Mileage', 'Engine Capacity', 'Engine Type', 'Body Type']
-
-# Разделение данных на признаки (X) и целевую переменную (y)
-X = data[selected_features]
-y = data['Price']
-
-# Разделение на обучающую и тестовую выборки
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
-
-# Создание и обучение модели
-model = LinearRegression()
-model.fit(X_train, y_train)
-
-# Предсказание на тестовой выборке
-y_pred = model.predict(X_test)
-
-# Оценка модели
-r2 = r2_score(y_test, y_pred)
-print(f'R-squared: {r2}')

basharin_sevastyan_lab_6/README.md

@@ -1,63 +0,0 @@
-## Лабораторная работа 6. Вариант 5.
-### Задание 
-С использованием нейронной сети (MLPRegressor) предсказать стоимость автомобилей на основе предоставленных данных.
-
-### Как запустить
-Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
-``` python
-python main.py
-```
-
-### Используемые технологии
-- Библиотека `pandas`, используемая для работы с данными для анализа scv формата.
-- `sklearn` (scikit-learn): Scikit-learn - это библиотека для машинного обучения и анализа данных в Python. Из данной библиотеки были использованы следующие модули:
-  - `metrics` - набор инструменов для оценки моделей.
-  - `MLPClassifier` - является реализацией многослойной нейронной сети для задачи классификации.
-  - `accuracy_score` -функция из scikit-learn, которая используется для оценки производительности модели классификации путем вычисления доли правильно классифицированных примеров (точности) на тестовом наборе данных.
-  - `train_test_split` - это функция из scikit-learn, используемая для разделения набора данных на обучающий и тестовый наборы.
-  - `LabelEncoder` - это класс из scikit-learn, используемый для преобразования категориальных признаков (например, строки) в числовые значения.
-
-### Описание работы
-#### Описание набора данных
-Набор данных: набор данных о цене автомобиля в автопарке.
-
-Названия столбцов набора данных и их описание:
-
-- Id: Уникальный идентификатор для каждого автомобиля в списке.
-- Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
-- Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
-- Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
-- Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
-- Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
-- Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
-- Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
-- Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
-- Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
-- Assembly: Импорт или местный рынок.
-- Body Type: Тип кузова.
-- Transmission Type: Тип трансмиссии.
-- Registration Status: Статус регистрации.
-
-Ссылка на страницу набора на kuggle: [Ultimate Car Price Prediction Dataset](https://www.kaggle.com/datasets/mohidabdulrehman/ultimate-car-price-prediction-dataset/data)
-
-#### Оценка эффективности
-Для оценки точности модели будем использовать встроенный инструмент `accuracy_score`:
-```python
-from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
-
-accuracy = accuracy_score(y_test, y_pred)
-conf_matrix = confusion_matrix(y_test, y_pred)
-classification_rep = classification_report(y_test, y_pred)
-```
-
-#### Результаты
-![](res.png "Точность")
-
-### Вывод
-Алгоритм показал высокую точность. Считаем, что алгоритм успешен.
-Но если обратить внимание на результаты алгоритма 3-й лабораторной работы, выполняющего ту же задачу, окажется, что 
-многослойная нейронная сеть справляется хуже:
-![](res_lab_3.png "Точность")
-Точность MLP (0.91) меньше дерева решений (0.93) (без приведения в проценты). Получается, что MLP показала хороший 
-результат, но обычная регрессия с поставленной задачей справилась лучше - нет смысла использовать более "тяжелый"
-алгоритм, если он не дает значительного выигрыша в качестве.

basharin_sevastyan_lab_6/main.py

@@ -1,65 +0,0 @@
-import pandas as pd
-from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
-from sklearn.model_selection import train_test_split
-from sklearn.preprocessing import LabelEncoder
-from sklearn.neural_network import MLPClassifier
-
-''' Названия столбцов набора данных и их описание:
-Id: Уникальный идентификатор для каждого автомобиля в списке.
-Price: Ценовой диапазон автомобилей с конкретными ценниками и подсчетами. (111000 - 77500000)
-Company Name: Название компании-производителя автомобилей с указанием процентной доли представительства каждой компании.
-Model Name: Название модели автомобилей с указанием процентного соотношения каждой модели.
-Model Year: Диапазон лет выпуска автомобилей с указанием количества и процентных соотношений. (1990 - 2019)
-Location: Местоположение автомобилей с указанием регионов, где они доступны для покупки, а также их процентное соотношение.
-Mileage: Информация о пробеге автомобилей с указанием диапазонов пробега, количества и процентов. (1 - 999999)
-Engine Type: Описания типов двигателей с процентными соотношениями для каждого типа.
-Engine Capacity: Мощность двигателя варьируется в зависимости от количества и процентов. (16 - 6600)
-Color: Цветовое распределение автомобилей с указанием процентных соотношений для каждого цвета.
-'''
-
-
-# Загрузите данные из вашей курсовой работы, предположим, что у вас есть файл CSV.
-data = pd.read_csv('Data_pakwheels.csv')
-data.pop("Id")
-
-data.dropna(inplace=True)  # Удаление строки с пропущенными значениями.
-
-# Преобразуйте категориальные признаки в числовые. Используйте, например, one-hot encoding.
-# data = pd.get_dummies(data, columns=['Company Name', 'Model Name', 'Location', 'Engine Type', 'Color'])
-
-# Создайте объект LabelEncoder
-label_encoder = LabelEncoder()
-
-data['Location'] = label_encoder.fit_transform(data['Location'])
-data['Company Name'] = label_encoder.fit_transform(data['Company Name'])
-data['Model Name'] = label_encoder.fit_transform(data['Model Name'])
-data['Engine Type'] = label_encoder.fit_transform(data['Engine Type'])
-data['Color'] = label_encoder.fit_transform(data['Color'])
-data['Assembly'] = label_encoder.fit_transform(data['Assembly'])
-data['Body Type'] = label_encoder.fit_transform(data['Body Type'])
-data['Transmission Type'] = label_encoder.fit_transform(data['Transmission Type'])
-data['Registration Status'] = label_encoder.fit_transform(data['Registration Status'])
-
-# Определите признаки (X) и целевую переменную (y)
-X = data.drop('Registration Status', axis=1)
-y = data['Registration Status']
-
-# Разделите данные на обучающий и тестовый наборы
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
-
-# Инициализируйте и обучите MLPClassifier
-mlp_classifier = MLPClassifier(hidden_layer_sizes=(100,), max_iter=1000, random_state=42)
-mlp_classifier.fit(X_train, y_train)
-
-# Сделайте предсказания на тестовом наборе
-y_pred = mlp_classifier.predict(X_test)
-
-# Оцените производительность модели
-accuracy = accuracy_score(y_test, y_pred)
-conf_matrix = confusion_matrix(y_test, y_pred)
-classification_rep = classification_report(y_test, y_pred)
-
-# Выведите результаты
-print(f'Accuracy: {accuracy}')
-print(f'Confusion Matrix:\n{conf_matrix}')
-print(f'Classification Report:\n{classification_rep}')

basharin_sevastyan_lab_7/69209.txt

@@ -1,136 +0,0 @@
-Annotation
-
-The Fellowship of the Ring is the first part of J.R.R.Tolkien's epic adventure, The Lord Of The Rings.
-Sauron, the Dark Lord, has gathered to him all the Rings of Power - the means by which he intends to rule Middle-earth. All he lacks in his plans for dominion is the One Ring - the ring that rules them all - which has fallen into the hands of the hobbit Bilbo Baggins.
-In a sleepy village in the Shire, young Frodo Baggins finds himself faced with an immense task, as his elderly cousin Bilbo entrusts the Ring to his care. Frodo must leave his home and make a perilous journey across Middle-earh to the Cracks of Doom, there to destroy the Ring and foil the Dark Lord in his evil purpose.
-* * *
-JRR Tolkien The Lord of the Ring 1 - The Fellowship of the Ring
-Table of Contents
-
-Foreward
-
-This tale grew in the telling, until it became a history of the Great War of the Ring and included many glimpses of the yet more ancient history that preceded it. It was begun soon afterThe Hobbit was written and before its publication in 1937; but I did not go on with this sequel, for I wished first to complete and set in order the mythology and legends of the Elder Days, which had then been taking shape for some years. I desired to do this for my own satisfaction, and I had little hope that other people would be interested in this work, especially since it was primarily linguistic in inspiration and was begun in order to provide the necessary background of 'history' for Elvish tongues.
-
-When those whose advice and opinion I sought correctedlittle hope tono hope, I went back to the sequel, encouraged by requests from readers for more information concerning hobbits and their adventures. But the story was drawn irresistibly towards the older world, and became an account, as it were, of its end and passing away before its beginning and middle had been told. The process had begun in the writing ofThe Hobbit, in which there were already some references to the older matter: Elrond, Gondolin, the High-elves, and the orcs, as well as glimpses that had arisen unbidden of things higher or deeper or darker than its surface: Durin, Moria, Gandalf, the Necromancer, the Ring. The discovery of the significance of these glimpses and of their relation to the ancient histories revealed the Third Age and its culmination in the War of the Ring.
-
-Those who had asked for more information about hobbits eventually got it, but they had to wait a long time; for the composition ofThe Lord of the Rings went on at intervals during the years 1936 to 1949, a period in which I had many duties that I did not neglect, and many other interests as a learner and teacher that often absorbed me. The delay was, of course, also increased by the outbreak of war in 1939, by the end of which year the tale had not yet reached the end of Book One. In spite of the darkness of the next five years I found that the story could not now be wholly abandoned, and I plodded on, mostly by night, till I stood by Balin's tomb in Moria. There I halted for a long while. It was almost a year later when I went on and so came to Lothlorien and the Great River late in 1941. In the next year I wrote the first drafts of the matter that now stands as Book Three, and the beginnings of chapters I and III of Book Five; and there as the beacons flared in Anorien and Theoden came to Harrowdale I stopped. Foresight had failed and there was no time for thought.
-
-It was during 1944 that, leaving the loose ends and perplexities of a war which it was my task to conduct, or at least to report, 1 forced myself to tackle the journey of Frodo to Mordor. These chapters, eventually to become Book Four, were written and sent out as a serial to my son, Christopher, then in South Africa with the RAF. Nonetheless it took another five years before the tale was brought to its present end; in that time I changed my house, my chair, and my college, and the days though less dark were no less laborious. Then when the 'end' had at last been reached the whole story had to be revised, and indeed largely re-written backwards. And it had to be typed, and re-typed: by me; the cost of professional typing by the ten-fingered was beyond my means.
-
-The Lord of the Ringshas been read by many people since it finally appeared in print; and I should like to say something here with reference to the many opinions or guesses that I have received or have read concerning the motives and meaning of the tale. The prime motive was the desire of a tale-teller to try his hand at a really long story that would hold the attention of readers, amuse them, delight them, and at times maybe excite them or deeply move them. As a guide I had only my own feelings for what is appealing or moving, and for many the guide was inevitably often at fault. Some who have read the book, or at any rate have reviewed it, have found it boring, absurd, or contemptible; and I have no cause to complain, since I have similar opinions of their works, or of the kinds of writing that they evidently prefer. But even from the points of view of many who have enjoyed my story there is much that fails to please. It is perhaps not possible in a long tale to please everybody at all points, nor to displease everybody at the same points; for I find from the letters that I have received that the passages or chapters that are to some a blemish are all by others specially approved. The most critical reader of all, myself, now finds many defects, minor and major, but being fortunately under no obligation either to review the book or to write it again, he will pass over these in silence, except one that has been noted by others: the book is too short.
-
-As for any inner meaning or 'message', it has in the intention of the author none. It is neither allegorical nor topical. As the story grew it put down roots (into the past) and threw out unexpected branches: but its main theme was settled from the outset by the inevitable choice of the Ring as the link between it andThe Hobbit. The crucial chapter, "The Shadow of the Past', is one of the oldest parts of the tale. It was written long before the foreshadow of 1939 had yet become a threat of inevitable disaster, and from that point the story would have developed along essentially the same lines, if that disaster had been averted. Its sources are things long before in mind, or in some cases already written, and little or nothing in it was modified by the war that began in 1939 or its sequels.
-
-The real war does not resemble the legendary war in its process or its conclusion. If it had inspired or directed the development of the legend, then certainly the Ring would have been seized and used against Sauron; he would not have been annihilated but enslaved, and Barad-dur would not have been destroyed but occupied. Saruman, failing to get possession of the Ring, would m the confusion and treacheries of the time have found in Mordor the missing links in his own researches into Ring-lore, and before long he would have made a Great Ring of his own with which to challenge the self-styled Ruler of Middle-earth. In that conflict both sides would have held hobbits in hatred and contempt: they would not long have survived even as slaves.
-
-Other arrangements could be devised according to the tastes or views of those who like allegory or topical reference. But I cordially dislike allegory in all its manifestations, and always have done so since I grew old and wary enough to detect its presence. I much prefer history, true or feigned, with its varied applicability to the thought and experience of readers. I think that many confuse 'applicability' with 'allegory'; but the one resides in the freedom of the reader, and the other in the purposed domination of the author.
-
-An author cannot of course remain wholly unaffected by his experience, but the ways in which a story-germ uses the soil of experience are extremely complex, and attempts to define the process are at best guesses from evidence that is inadequate and ambiguous. It is also false, though naturally attractive, when the lives of an author and critic have overlapped, to suppose that the movements of thought or the events of times common to both were necessarily the most powerful influences. One has indeed personally to come under the shadow of war to feel fully its oppression; but as the years go by it seems now often forgotten that to be caught in youth by 1914 was no less hideous an experience than to be involved in 1939 and the following years. By 1918 all but one of my close friends were dead. Or to take a less grievous matter: it has been supposed by some that "The Scouring of the Shire' reflects the situation in England at the time when I was finishing my tale. It does not. It is an essential part of the plot, foreseen from the outset, though in the event modified by the character of Saruman as developed in the story without, need I say, any allegorical significance or contemporary political reference whatsoever. It has indeed some basis in experience, though slender (for the economic situation was entirely different), and much further back. The country in which I lived in childhood was being shabbily destroyed before I was ten, in days when motor-cars were rare objects (I had never seen one) and men were still building suburban railways. Recently I saw in a paper a picture of the last decrepitude of the once thriving corn-mill beside its pool that long ago seemed to me so important. I never liked the looks of the Young miller, but his father, the Old miller, had a black beard, and he was not named Sandyman.
-
-The Lord of the Ringsis now issued in a new edition, and the opportunity has been taken of revising it. A number of errors and inconsistencies that still remained in the text have been corrected, and an attempt has been made to provide information on a few points which attentive readers have raised. I have considered all their comments and enquiries, and if some seem to have been passed over that may be because I have failed to keep my notes in order; but many enquiries could only be answered by additional appendices, or indeed by the production of an accessory volume containing much of the material that I did not include in the original edition, in particular more detailed linguistic information. In the meantime this edition offers this Foreword, an addition to the Prologue, some notes, and an index of the names of persons and places. This index is in intention complete in items but not in references, since for the present purpose it has been necessary to reduce its bulk. A complete index, making full use of the material prepared for me by Mrs. N. Smith, belongs rather to the accessory volume.
-
-Prologue
-
-This book is largely concerned with Hobbits, and from its pages a reader may discover much of their character and a little of their history. Further information will also be found in the selection from the Red Book of Westmarch that has already been published, under the title ofThe Hobbit . That story was derived from the earlier chapters of the Red Book, composed by Bilbo himself, the first Hobbit to become famous in the world at large, and called by himThere and Back Again, since they told of his journey into the East and his return: an adventure which later involved all the Hobbits in the great events of that Age that are here related.
-
-Many, however, may wish to know more about this remarkable people from the outset, while some may not possess the earlier book. For such readers a few notes on the more important points are here collected from Hobbit-lore, and the first adventure is briefly recalled.
-
-Hobbits are an unobtrusive but very ancient people, more numerous formerly than they are today; for they love peace and quiet and good tilled earth: a well-ordered and well-farmed countryside was their favourite haunt. They do not and did not understand or like machines more complicated than a forge-bellows, a water-mill, or a hand-loom, though they were skilful with tools. Even in ancient days they were, as a rule, shy of 'the Big Folk', as they call us, and now they avoid us with dismay and are becoming hard to find. They are quick of hearing and sharp-eyed, and though they are inclined to be fat and do not hurry unnecessarily, they are nonetheless nimble and deft in their movements. They possessed from the first the art of disappearing swiftly and silently, when large folk whom they do not wish to meet come blundering by; and this an they have developed until to Men it may seem magical. But Hobbits have never, in fact, studied magic of any kind, and their elusiveness is due solely to a professional skill that heredity and practice, and a close friendship with the earth, have rendered inimitable by bigger and clumsier races.
-
-For they are a little people, smaller than Dwarves: less tout and stocky, that is, even when they are not actually much shorter. Their height is variable, ranging between two and four feet of our measure. They seldom now reach three feet; but they hive dwindled, they say, and in ancient days they were taller. According to the Red Book, Bandobras Took (Bullroarer), son of Isengrim the Second, was four foot five and able to ride a horse. He was surpassed in all Hobbit records only by two famous characters of old; but that curious matter is dealt with in this book.
-
-As for the Hobbits of the Shire, with whom these tales are concerned, in the days of their peace and prosperity they were a merry folk. They dressed in bright colours, being notably fond of yellow and green; but they seldom wore shoes, since their feet had tough leathery soles and were clad in a thick curling hair, much like the hair of their heads, which was commonly brown. Thus, the only craft little practised among them was shoe-making; but they had long and skilful fingers and could make many other useful and comely things. Their faces were as a rule good-natured rather than beautiful, broad, bright-eyed, red-cheeked, with mouths apt to laughter, and to eating and drinking. And laugh they did, and eat, and drink, often and heartily, being fond of simple jests at all times, and of six meals a day (when they could get them). They were hospitable and delighted in parties, and in presents, which they gave away freely and eagerly accepted.
-
-It is plain indeed that in spite of later estrangement Hobbits are relatives of ours: far nearer to us than Elves, or even than Dwarves. Of old they spoke the languages of Men, after their own fashion, and liked and disliked much the same things as Men did. But what exactly our relationship is can no longer be discovered. The beginning of Hobbits lies far back in the Elder Days that are now lost and forgotten. Only the Elves still preserve any records of that vanished time, and their traditions are concerned almost entirely with their own history, in which Men appear seldom and Hobbits are not mentioned at all. Yet it is clear that Hobbits had, in fact, lived quietly in Middle-earth for many long years before other folk became even aware of them. And the world being after all full of strange creatures beyond count, these little people seemed of very little importance. But in the days of Bilbo, and of Frodo his heir, they suddenly became, by no wish of their own, both important and renowned, and troubled the counsels of the Wise and the Great.
-
-Those days, the Third Age of Middle-earth, are now long past, and the shape of all lands has been changed; but the regions in which Hobbits then lived were doubtless the same as those in which they still linger: the North-West of the Old World, east of the Sea. Of their original home the Hobbits in Bilbo's time preserved no knowledge. A love of learning (other than genealogical lore) was far from general among them, but there remained still a few in the older families who studied their own books, and even gathered reports of old times and distant lands from Elves, Dwarves, and Men. Their own records began only after the settlement of the Shire, and their most ancient legends hardly looked further back than their Wandering Days. It is clear, nonetheless, from these legends, and from the evidence of their peculiar words and customs, that like many other folk Hobbits had in the distant past moved westward. Their earliest tales seem to glimpse a time when they dwelt in the upper vales of Anduin, between the eaves of Greenwood the Great and the Misty Mountains. Why they later undertook the hard and perilous crossing of the mountains into Eriador is no longer certain. Their own accounts speak of the multiplying of Men in the land, and of a shadow that fell on the forest, so that it became darkened and its new name was Mirkwood.
-
-Before the crossing of the mountains the Hobbits had already become divided into three somewhat different breeds: Harfoots, Stoors, and Fallohides. The Harfoots were browner of skin, smaller, and shorter, and they were beardless and bootless; their hands and feet were neat and nimble; and they preferred highlands and hillsides. The Stoors were broader, heavier in build; their feet and hands were larger, and they preferred flat lands and riversides. The Fallohides were fairer of skin and also of hair, and they were taller and slimmer than the others; they were lovers of trees and of woodlands.
-
-The Harfoots had much to do with Dwarves in ancient times, and long lived in the foothills of the mountains. They moved westward early, and roamed over Eriador as far as Weathertop while the others were still in the Wilderland. They were the most normal and representative variety of Hobbit, and far the most numerous. They were the most inclined to settle in one place, and longest preserved their ancestral habit of living in tunnels and holes.
-
-The Stoors lingered long by the banks of the Great River Anduin, and were less shy of Men. They came west after the Harfoots and followed the course of the Loudwater southwards; and there many of them long dwelt between Tharbad and the borders of Dunland before they moved north again.
-
-The Fallohides, the least numerous, were a northerly branch. They were more friendly with Elves than the other Hobbits were, and had more skill in language and song than in handicrafts; and of old they preferred hunting to tilling. They crossed the mountains north of Rivendell and came down the River Hoarwell. In Eriador they soon mingled with the other kinds that had preceded them, but being somewhat bolder and more adventurous, they were often found as leaders or chieftains among clans of Harfoots or Stoors. Even in Bilbo's time the strong Fallohidish strain could still be noted among the greater families, such as the Tooks and the Masters of Buckland.
-
-In the westlands of Eriador, between the Misty Mountains and the Mountains of Lune, the Hobbits found both Men and Elves. Indeed, a remnant still dwelt there of the Dunedain, the kings of Men that came over the Sea out of Westernesse; but they were dwindling fast and the lands of their North Kingdom were falling far and wide into waste. There was room and to spare for incomers, and ere long the Hobbits began to settle in ordered communities. Most of their earlier settlements had long disappeared and been forgotten in Bilbo's time; but one of the first to become important still endured, though reduced in size; this was at Bree and in the Chetwood that lay round about, some forty miles east of the Shire.
-
-It was in these early days, doubtless, that the Hobbits learned their letters and began to write after the manner of the Dunedain, who had in their turn long before learned the art from the Elves. And in those days also they forgot whatever languages they had used before, and spoke ever after the Common Speech, the Westron as it was named, that was current through all the lands of the kings from Arnor to Gondor, and about all the coasts of the Sea from Belfalas to Lune. Yet they kept a few words of their own, as well as their own names of months and days, and a great store of personal names out of the past.
-
-About this time legend among the Hobbits first becomes history with a reckoning of years. For it was in the one thousand six hundred and first year of the Third Age that the Fallohide brothers, Marcho and Blanco, set out from Bree; and having obtained permission from the high king at Fornost, they crossed the brown river Baranduin with a great following of Hobbits. They passed over the Bridge of Stonebows, that had been built in the days of the power of the North Kingdom, and they took ail the land beyond to dwell in, between the river and the Far Downs. All that was demanded of them was that they should keep the Great Bridge in repair, and all other bridges and roads, speed the king's messengers, and acknowledge his lordship.
-
-Thus began theShire-reckoning, for the year of the crossing of the Brandywine (as the Hobbits turned the name) became Year One of the Shire, and all later dates were reckoned from it. At once the western Hobbits fell in love with their new land, and they remained there, and soon passed once more out of the history of Men and of Elves. While there was still a king they were in name his subjects, but they were, in fact, ruled by their own chieftains and meddled not at all with events in the world outside. To the last battle at Fornost with the Witch-lord of Angmar they sent some bowmen to the aid of the king, or so they maintained, though no tales of Men record it. But in that war the North Kingdom ended; and then the Hobbits took the land for their own, and they chose from their own chiefs a Thain to hold the authority of the king that was gone. There for a thousand years they were little troubled by wars, and they prospered and multiplied after the Dark Plague (S.R. 37) until the disaster of the Long Winter and the famine that followed it. Many thousands then perished, but the Days of Dearth (1158-60) were at the time of this tale long past and the Hobbits had again become accustomed to plenty. The land was rich and kindly, and though it had long been deserted when they entered it, it had before been well tilled, and there the king had once had many farms, cornlands, vineyards, and woods.
-
-Forty leagues it stretched from the Far Downs to the Brandywine Bridge, and fifty from the northern moors to the marshes in the south. The Hobbits named it the Shire, as the region of the authority of their Thain, and a district of well-ordered business; and there in that pleasant comer of the world they plied their well-ordered business of living, and they heeded less and less the world outside where dark things moved, until they came to think that peace and plenty were the rule in Middle-earth and the right of all sensible folk. They forgot or ignored what little they had ever known of the Guardians, and of the labours of those that made possible the long peace of the Shire. They were, in fact, sheltered, but they had ceased to remember it.
-
-At no time had Hobbits of any kind been warlike, and they had never fought among themselves. In olden days they had, of course, been often obliged to fight to maintain themselves in a hard world; but in Bilbo's time that was very ancient history. The last battle, before this story opens, and indeed the only one that had ever been fought within the borders of the Shire, was beyond living memory: the Battle of Greenfields, S.R. 1147, in which Bandobras Took routed an invasion of Orcs. Even the weathers had grown milder, and the wolves that had once come ravening out of the North in bitter white winters were now only a grandfather's tale. So, though there was still some store of weapons in the Shire, these were used mostly as trophies, hanging above hearths or on walls, or gathered into the museum at Michel Delving. The Mathom-house it was called; for anything that Hobbits had no immediate use for, but were unwilling to throw away, they called amathom . Their dwellings were apt to become rather crowded with mathoms, and many of the presents that passed from hand to hand were of that son.
-
-Nonetheless, ease and peace had left this people still curiously tough. They were, if it came to it, difficult to daunt or to kill; and they were, perhaps, so unwearyingly fond of good things not least because they could, when put to it, do without them, and could survive rough handling by grief, foe, or weather in a way that astonished those who did not know them well and looked no further than their bellies and their well-fed faces. Though slow to quarrel, and for sport killing nothing that lived, they were doughty at bay, and at need could still handle arms. They shot well with the bow, for they were keen-eyed and sure at the mark. Not only with bows and arrows. If any Hobbit stooped for a stone, it was well to get quickly under cover, as all trespassing beasts knew very well.
-
-All Hobbits had originally lived in holes in the ground, or so they believed, and in such dwellings they still felt most at home; but in the course of time they had been obliged to adopt other forms of abode. Actually in the Shire in Bilbo's days it was, as a rule, only the richest and the poorest Hobbits that maintained the old custom. The poorest went on living in burrows of the most primitive kind, mere holes indeed, with only one window or none; while the well-to-do still constructed more luxurious versions of the simple diggings of old. But suitable sites for these large and ramifying tunnels (orsmials as they called them) were not everywhere to be found; and in the flats and the low-lying districts the Hobbits, as they multiplied, began to build above ground. Indeed, even in the hilly regions and the older villages, such as Hobbiton or Tuckborough, or in the chief township of the Shire, Michel Delving on the White Downs, there were now many houses of wood, brick, or stone. These were specially favoured by millers, smiths, ropers, and cartwrights, and others of that sort; for even when they had holes to live in. Hobbits had long been accustomed to build sheds and workshops.
-
-The habit of building farmhouses and barns was said to have begun among the inhabitants of the Marish down by the Brandywine. The Hobbits of that quarter, the Eastfarthing, were rather large and heavy-legged, and they wore dwarf-boots in muddy weather. But they were well known to be Stoors in a large part of their blood, as indeed was shown by the down that many grew on their chins. No Harfoot or Fallohide had any trace of a beard. Indeed, the folk of the Marish, and of Buckland, east of the River, which they afterwards occupied, came for the most part later into the Shire up from south-away; and they still had many peculiar names and strange words not found elsewhere in the Shire.
-
-It is probable that the craft of building, as many other crafts beside, was derived from the Dunedain. But the Hobbits may have learned it direct from the Elves, the teachers of Men in their youth. For the Elves of the High Kindred had not yet forsaken Middle-earth, and they dwelt still at that time at the Grey Havens away to the west, and in other places within reach of the Shire. Three Elf-towers of immemorial age were still to be seen on the Tower Hills beyond the western marches. They shone far off in the moonlight. The tallest was furthest away, standing alone upon a green mound. The Hobbits of the Westfarthing said that one could see the Sea from the lop of that tower; but no Hobbit had ever been known to climb it. Indeed, few Hobbits had ever seen or sailed upon the Sea, and fewer still had ever returned to report it. Most Hobbits regarded even rivers and small boats with deep misgivings, and not many of them could swim. And as the days of the Shire lengthened they spoke less and less with the Elves, and grew afraid of them, and distrustful of those that had dealings with them; and the Sea became a word of fear among them, and a token of death, and they turned their faces away from the hills in the west.
-
-The craft of building may have come from Elves or Men, but the Hobbits used it in their own fashion. They did not go in for towers. Their houses were usually long, low, and comfortable. The oldest kind were, indeed, no more than built imitations ofsmials, thatched with dry grass or straw, or roofed with turves, and having walls somewhat bulged. That stage, however, belonged to the early days of the Shire, and hobbit-building had long since been altered, improved by devices, learned from Dwarves, or discovered by themselves. A preference for round windows, and even round doors, was the chief remaining peculiarity of hobbit-architecture.
-
-The houses and the holes of Shire-hobbits were often large, and inhabited by large families. (Bilbo and Frodo Baggins were as bachelors very exceptional, as they were also in many other ways, such as their friendship with the Elves.) Sometimes, as in the case of the Tooks of Great Smials, or the Brandybucks of Brandy Hall, many generations of relatives lived in (comparative) peace together in one ancestral and many-tunnelled mansion. All Hobbits were, in any case, clannish and reckoned up their relationships with great care. They drew long and elaborate family-trees with innumerable branches. In dealing with Hobbits it is important to remember who is related to whom, and in what degree. It would be impossible in this book to set out a family-tree that included even the more important members of the more important families at the time which these tales tell of. The genealogical trees at the end of the Red Book of Westmarch are a small book in themselves, and all but Hobbits would find them exceedingly dull. Hobbits delighted in such things, if they were accurate: they liked to have books filled with things that they already knew, set out fair and square with no contradictions.
-
-There is another astonishing thing about Hobbits of old that must be mentioned, an astonishing habit: they imbibed or inhaled, through pipes of clay or wood, the smoke of the burning leaves of a herb, which they calledpipe-weed orleaf, a variety probably ofNicotiana. A great deal of mystery surrounds the origin of this peculiar custom, or 'art' as the Hobbits preferred to call it. All that could be discovered about it in antiquity was put together by Meriadoc Brandybuck (later Master of Buckland), and since he and the tobacco of the Southfarthing play a part in the history that follows, his remarks in the introduction to hisHerblore of the Shire may be quoted.
-
-"This," he says, 'is the one art that we can certainly claim to be our own invention. When Hobbits first began to smoke is not known, all the legends and family histories take it for granted; for ages folk in the Shire smoked various herbs, some fouler, some sweeter. But all accounts agree that Tobold Hornblower of Longbottom in the Southfarthing first grew the true pipe-weed in his gardens in the days of Isengrim the Second, about the year 1070 of Shire-reckoning. The best home-grown still comes from that district, especially the varieties now known as Longbottom Leaf, Old Toby, and Southern Star.
-
-"How Old Toby came by the plant is not recorded, for to his dying day he would not tell. He knew much about herbs, but he was no traveller. It is said that in his youth he went often to Bree, though he certainly never went further from the Shire than that. It is thus quite possible that he learned of this plant in Bree, where now, at any rate, it grows well on the south slopes of the hill. The Bree-hobbits claim to have been the first actual smokers of the pipe-weed. They claim, of course, to have done everything before the people of the Shire, whom they refer to as "colonists"; but in this case their claim is, I think, likely to be true. And certainly it was from Bree that the art of smoking the genuine weed spread in the recent centuries among Dwarves and such other folk, Rangers, Wizards, or wanderers, as still passed to and fro through that ancient road-meeting. The home and centre of the an is thus to be found in the old inn of Bree,The Prancing Pony, that has been kept by the family of Butterbur from time beyond record.
-
-"All the same, observations that I have made on my own many journeys south have convinced me that the weed itself is not native to our parts of the world, but came northward from the lower Anduin, whither it was, I suspect, originally brought over Sea by the Men of Westernesse. It grows abundantly in Gondor, and there is richer and larger than in the North, where it is never found wild, and flourishes only in warm sheltered places like Longbottom. The Men of Gondor call itsweet galenas, and esteem it only for the fragrance of its flowers. From that land it must have been carried up the Greenway during the long centuries between the coming of Elendil and our own day. But even the Dunedain of Gondor allow us this credit: Hobbits first put it into pipes. Not even the Wizards first thought of that before we did. Though one Wizard that I knew took up the art long ago, and became as skilful in it as in all other things that he put his mind to."
-
-The Shire was divided into four quarters, the Farthings already referred to. North, South, East, and West; and these again each into a number of folklands, which still bore the names of some of the old leading families, although by the time of this history these names were no longer found only in their proper folklands. Nearly all Tooks still lived in the Tookland, but that was not true of many other families, such as the Bagginses or the Boffins. Outside the Farthings were the East and West Marches: the Buckland (see beginning of Chapter V, Book I); and the Westmarch added to the Shire in S.R. 1462.
-
-The Shire at this time had hardly any 'government'. Families for the most part managed their own affairs. Growing food and eating it occupied most of their time. In other matters they were, as a rule, generous and not greedy, but contented and moderate, so that estates, farms, workshops, and small trades tended to remain unchanged for generations.
-
-There remained, of course, the ancient tradition concerning the high king at Fornost, or Norbury as they called it, away north of the Shire. But there had been no king for nearly a thousand years, and even the ruins of Kings' Norbury were covered with grass. Yet the Hobbits still said of wild folk and wicked things (such as trolls) that they had not heard of the king. For they attributed to the king of old all their essential laws; and usually they kept the laws of free will, because they were The Rules (as they said), both ancient and just.
-
-It is true that the Took family had long been pre-eminent; for the office of Thain had passed to them (from the Oldbucks) some centuries before, and the chief Took had borne that title ever since. The Thain was the master of the Shire-moot, and captain of the Shire-muster and the Hobbitry-in-arms, but as muster and moot were only held in times of emergency, which no longer occurred, the Thainship had ceased to be more than a nominal dignity. The Took family was still, indeed, accorded a special respect, for it remained both numerous and exceedingly wealthy, and was liable to produce in every generation strong characters of peculiar habits and even adventurous temperament. The latter qualities, however, were now rather tolerated (in the rich) than generally approved. The custom endured, nonetheless, of referring to the head of the family as The Took, and of adding to his name, if required, a number: such as Isengrim the Second, for instance.
-
-The only real official in the Shire at this date was the Mayor of Michel Delving (or of the Shire), who was elected every seven years at the Free Fair on the White Downs at the Lithe, that is at Midsummer. As mayor almost his only duty was to preside at banquets, given on the Shire-holidays, which occurred at frequent intervals. But the offices of Postmaster and First Shirriff were attached to the mayoralty, so that he managed both the Messenger Service and the Watch. These were the only Shire-services, and the Messengers were the most numerous, and much the busier of the two. By no means all Hobbits were lettered, but those who were wrote constantly to all their friends (and a selection of their relations) who lived further off than an afternoon's walk.
-
-The Shirriffs was the name that the Hobbits gave to their police, or the nearest equivalent that they possessed. They had, of course, no uniforms (such things being quite unknown), only a feather in their caps; and they were in practice rather haywards than policemen, more concerned with the strayings of beasts than of people. There were in all the Shire only twelve of them, three in each Farthing, for Inside Work. A rather larger body, varying at need, was employed to 'beat the bounds', and to see that Outsiders of any kind, great or small, did not make themselves a nuisance.
-
-At the time when this story begins the Bounders, as they were called, had been greatly increased. There were many reports and complaints of strange persons and creatures prowling about the borders, or over them: the first sign that all was not quite as it should be, and always had been except in tales and legends of long ago. Few heeded the sign, and not even Bilbo yet had any notion of what it portended. Sixty years had passed since he set out on his memorable journey, and he was old even for Hobbits, who reached a hundred as often as not; but much evidently still remained of the considerable wealth that he had brought back. How much or how little he revealed to no one, not even to Frodo his favourite 'nephew'. And he still kept secret the ring that he bad found.
-
-As is told in The Hobbit, there came one day to Bilbo's door the great Wizard, Gandalf the Grey, and thirteen dwarves with him: none other, indeed, than Thorin Oakenshield, descendant of kings, and his twelve companions in exile. With them he set out, to his own lasting astonishment, on a morning of April, it being then the year 1341 Shire-reckoning, on a quest of great treasure, the dwarf-hoards of the Kings under the Mountain, beneath Erebor in Dale, far off in the East. The quest was successful, and the Dragon that guarded the hoard was destroyed. Yet, though before all was won the Battle of Five Armies was fought, and Thorin was slain, and many deeds of renown were done, the matter would scarcely have concerned later history, or earned more than a note in the long annals of the Third Age, but for an 'accident' by the way. The party was assailed by Orcs in a high pass of the Misty Mountains as they went towards Wilderland; and so it happened that Bilbo was lost for a while in the black orc-mines deep under the mountains, and there, as he groped in vain in the dark, he put his hand on a ring, lying on the floor of a tunnel. He put it in his pocket. It seemed then like mere luck.
-
-Trying to find his way out. Bilbo went on down to the roots of the mountains, until he could go no further. At the bottom of the tunnel lay a cold lake far from the light, and on an island of rock in the water lived Gollum. He was a loathsome little creature: he paddled a small boat with his large flat feet, peering with pale luminous eyes and catching blind fish with his long fingers, and eating them raw. He ate any living thing, even orc, if he could catch it and strangle it without a struggle. He possessed a secret treasure that had come to him long ages ago, when he still lived in the light: a ring of gold that made its wearer invisible. It was the one thing he loved, his 'precious', and he talked to it, even when it was not with him. For he kept it hidden safe in a hole on his island, except when he was hunting or spying on the ores of the mines.
-
-Maybe he would have attacked Bilbo at once, if the ring had been on him when they met; but it was not, and the hobbit held in his hand an Elvish knife, which served him as a sword. So to gain time Gollum challenged Bilbo to the Riddle-game, saying that if he asked a riddle which Bilbo could not guess, then he would kill him and eat him; but if Bilbo defeated him, then he would do as Bilbo wished: he would lead him to a way out of the tunnels.
-
-Since he was lost in the dark without hope, and could neither go on nor back. Bilbo accepted the challenge; and they asked one another many riddles. In the end Bilbo won the game, more by luck (as it seemed) than by wits; for he was stumped at last for a riddle to ask, and cried out, as his hand came upon the ring he lad picked up and forgotten:What haw I got in my pocket? This Gollum failed to answer, though he demanded three guesses.
-
-The Authorities, it is true, differ whether this last question was a mere 'question' and not a 'riddle' according to the strict rules of the Game; but all agree that, after accepting it and trying to guess the answer, Gollum was bound by his promise. And Bilbo pressed him to keep his word; for the thought came to him that this slimy creature might prove false, even though such promises were held sacred, and of old all but the wickedest things feared to break them. But after ages alone in the dark Gollum's heart was black, and treachery was in it. He slipped away, and returned to the island, of which Bilbo knew nothing, not far off in the dark water. There, he thought, lay his ring. He was hungry now, and angry, and once his 'precious' was with him he would not fear any weapon at all.
-
-But the ring was not on the island; he had lost it, it was gone. His screech sent a shiver down Bilbo's back, though he did not yet understand what had happened. But Gollum had at last leaped to a guess, too late.What has it got in its pocketses? he cried. The light in his eyes was like a green flame as he sped back to murder the hobbit and recover his 'precious'. Just in time Bilbo saw his peril, and he fled blindly up the passage away from the water; and once more he was saved by his luck. For just as he ran he put his hand in his pocket, and the ring slipped quietly on to his finger. So it was that Gollum passed him without seeing him, and went to guard the way out, lest the 'thief' should escape. Warily Bilbo followed him, as he went along, cursing, and talking to himself about his 'precious'; from which talk at last even Bilbo guessed the truth, and hope came to him in the darkness: he himself had found the marvellous ring and a chance of escape from the orcs and from Gollum.
-
-At length they came to a halt before an unseen opening that led to the lower gates of the mines, on the eastward side of the mountains. There Gollum crouched at bay, smelling and listening; and Bilbo was tempted to slay him with his sword. But pity stayed him, and though he kept the ring, in which his only hope lay, he would not use it to help him kill the wretched creature at a disadvantage. In the end, gathering his courage, he leaped over Gollum in the dark, and fled away down the passage, pursued by his enemy's cries of hate and despair:Thief, thief! Baggins! We hates it for ever!
-
-Now it is a curious fact that this is not the story as Bilbo first told it to his companions. To them his account was that Gollum had promised to give him apresent, if he won the game; but when Gollum went to fetch it from his island he found the treasure was gone: a magic ring, which had been given to him long ago on his birthday. Bilbo guessed that this was the very ring that he had found, and as he had won the game, it was already his by right. But being in a tight place, he said nothing about it, and made Gollum show him the way out, as a reward instead of a present. This account Bilbo set down in his memoirs, and he seems never to have altered it himself, not even after the Council of Elrond. Evidently it still appeared in the original Red Book, as it did in several of the copies and abstracts. But many copies contain the true account (as an alternative), derived no doubt from notes by Frodo or Samwise, both of whom learned the truth, though they seem to have been unwilling to delete anything actually written by the old hobbit himself.
-
-Gandalf, however, disbelieved Bilbo's first story, as soon as he heard it, and he continued to be very curious about the ring. Eventually he got the true tale out of Bilbo after much questioning, which for a while strained their friendship; but the wizard seemed to think the truth important. Though he did not say so to Bilbo, he also thought it important, and disturbing, to find that the good hobbit had not told the truth from the first: quite contrary to his habit. The idea of a 'present' was not mere hobbitlike invention, all the same. It was suggested to Bilbo, as he confessed, by Gollum's talk that he overheard; for Gollum did, in fact, call the ring his 'birthday present', many times. That also Gandalf thought strange and suspicious; but he did not discover the truth in this point for many more years, as will be seen in this book.
-
-Of Bilbo's later adventures little more need be said here. With the help of the ring he escaped from the orc-guards at the gate and rejoined his companions. He used the ring many times on his quest, chiefly for the help of his friends; but he kept it secret from them as long as he could. After his return to his home he never spoke of it again to anyone, save Gandalf and Frodo; and no one else in the Shire knew of its existence, or so he believed. Only to Frodo did he show the account of his Journey that he was writing.
-
-His sword, Sting, Bilbo hung over his fireplace, and his coat of marvellous mail, the gift of the Dwarves from the Dragon-hoard, he lent to a museum, to the Michel Delving Mathom-house in fact. But he kept in a drawer at Bag End the old cloak and hood that he had worn on his travels; and the ring, secured by a fine chain, remained in his pocket.
-
-He returned to his home at Bag End on June the 22nd in his fifty-second year (S.R. 1342), and nothing very notable occurred in the Shire until Mr. Baggins began the preparations for the celebration of his hundred-and-eleventh birthday (S.R. 1401). At this point this History begins.
-
-At the end of the Third Age the part played by the Hobbits in the great events that led to the inclusion of the Shire in the Reunited Kingdom awakened among them a more widespread interest in their own history; and many of their traditions, up to that time still mainly oral, were collected and Written down. The greater families were also concerned with events in the Kingdom at large, and many of their members studied its ancient histories and legends. By the end of the first century of the Fourth Age there were already to be found in the Shire several libraries that contained many historical books and records.
-
-The largest of these collections were probably at Undertowers, at Great Smials, and at Brandy Hall. This account of the end of the Third Age is drawn mainly from the Red Book of Westmarch. That most important source for the history of the War of the Ring was so called because it was long preserved at Undertowers, the home of the Fairbairns, Wardens of the Westmarch. It was in origin Bilbo's private diary, which he took with him to Rivendell. Frodo brought it back to the Shire, together with many loose leaves of notes, and during S.R. 1420-1 he nearly filled its pages with his account of the War. But annexed to it and preserved with it, probably m a single red case, were the three large volumes, bound in red leather, that Bilbo gave to him as a parting gift. To these four volumes there was added in Westmarch a fifth containing commentaries, genealogies, and various other matter concerning the hobbit members of the Fellowship.
-
-The original Red Book has not been preserved, but many copies were made, especially of the first volume, for the use of the descendants of the children of Master Samwise. The most important copy, however, has a different history. It was kept at Great Smials, but it was written in Condor, probably at the request of the great-grandson of Peregrin, and completed in S.R. 1592 (F.A. 172). Its southern scribe appended this note: Findegil, King's Writer, finished this work in IV 172. It is an exact copy in all details of the Thain's Book m Minas Tirith. That book was a copy, made at the request of King Elessar, of the Red Book of the Periannath, and was brought to him by the Thain Peregrin when he retired to Gondor in IV 64.
-
-The Thain's Book was thus the first copy made of the Red Book and contained much that was later omitted or lost. In Minas Tirith it received much annotation, and many corrections, especially of names, words, and quotations in the Elvish languages; and there was added to it an abbreviated version of those parts ofThe Tale of Aragorn and Arwen which lie outside the account of the War. The full tale is stated to have been written by Barahir, grandson of the Steward Faramir, some time after the passing of the King. But the chief importance of Findegil's copy is that it alone contains the whole of Bilbo's "Translations from the Elvish'. These three volumes were found to be a work of great skill and learning in which, between 1403 and 1418, he had used all the sources available to him in Rivendell, both living and written. But since they were little used by Frodo, being almost entirely concerned with the Elder Days, no more is said of them here.
-
-Since Meriadoc and Peregrin became the heads of their great families, and at the same time kept up their connexions with Rohan and Gondor, the libraries at Bucklebury and Tuckborough contained much that did not appear in the Red Book. In Brandy Hall there were many works dealing with Eriador and the history of Rohan. Some of these were composed or begun by Meriadoc himself, though in the Shire he was chiefly remembered for hisHerblore of the Shire, and for hisReckoning of Years m which he discussed the relation of the calendars of the Shire and Bree to those of Rivendell, Gondor, and Rohan. He also wrote a short treatise onOld Words and Names in the Shire, having special interest in discovering the kinship with the language of the Rohirrim of such 'shire-words' asmathom and old elements in place names.
-
-At Great Smials the books were of less interest to Shire-folk, though more important for larger history. None of them was written by Peregrin, but he and his successors collected many manuscripts written by scribes of Gondor: mainly copies or summaries of histories or legends relating to Elendil and his heirs. Only here in the Shire were to be found extensive materials for the history of Numenor and the arising of Sauron. It was probably at Great Smials thatThe Tale of Years was put together, with the assistance of material collected by Meriadoc. Though the dates given are often conjectural, especially for the Second Age, they deserve attention. It is probable that Meriadoc obtained assistance and information from Rivendell, which he visited more than once. There, though Elrond had departed, his sons long remained, together with some of the High-elven folk. It is said that Celeborn went to dwell there after the departure of Galadriel; but there is no record of the day when at last he sought the Grey Havens, and with him went the last living memory of the Elder Days in Middle-earth.

basharin_sevastyan_lab_7/README.md

@@ -1,21 +0,0 @@
-## Лабораторная работа 7. Вариант 5.
-### Задание 
-Выбрать художественный текст(четные варианты –русскоязычный, нечетные –англоязычный)и обучить на нем рекуррентную 
-нейронную сеть для решения задачи генерации. Подобрать архитектуру и параметры так, чтобы приблизиться к максимально 
-осмысленному результату.
-
-В завершении подобрать компромиссную архитектуру, справляющуюся достаточно хорошо с обоими видами текстов.
-
-### Ход работы
-Для английской модели был взят пролог Властелина колец. Модель хоть им получилась удачнее, чем на русском, но время 
-обучение составило чуть больше часа.
-
-#### Результат rus
-здесь был человек прежде всего всего обманывает самого себя ибо он думает что успешно соврал а люди поняли и из 
-деликатности промолчали промолчали промолчали промолчали промолчали какие его неудачи могут его постигнуть не тому 
-помочь много ли людей не нуждаются в помощи помощи было врать врать врать молчания молчания а внести то
-
-#### Результат eng
-the harfoots were browner of skin smaller and shorter and they were beardless and bootless their hands and feet were 
-neat and nimble and they preferred highlands and hillsides the stoors were broader heavier in build their feet and 
-hands were larger and they preferred flat lands and riversides

basharin_sevastyan_lab_7/main.py

@@ -1,70 +0,0 @@
-import numpy as np
-from keras.preprocessing.sequence import pad_sequences
-from keras.preprocessing.text import Tokenizer
-from keras.models import Sequential
-from keras.layers import Embedding, LSTM, Dense
-from keras.utils import to_categorical
-
-with open('ru.txt', "r", encoding='utf-8') as file:
-    text = file.read()
-
-# Предварительная обработка текста (в зависимости от вашей задачи)
-
-# Создание словаря для отображения слов в индексы и обратно
-tokenizer = Tokenizer()
-tokenizer.fit_on_texts([text])
-total_words = len(tokenizer.word_index) + 1
-
-# Подготовка данных для обучения (в зависимости от вашей задачи)
-
-input_sequences = []
-for line in text.split('\n'):
-    token_list = tokenizer.texts_to_sequences([line])[0]
-    for i in range(1, len(token_list)):
-        n_gram_sequence = token_list[:i+1]
-        input_sequences.append(n_gram_sequence)
-
-max_sequence_length = max([len(x) for x in input_sequences])
-input_sequences = pad_sequences(input_sequences, maxlen=max_sequence_length, padding='pre')
-X, y = input_sequences[:,:-1],input_sequences[:,-1]
-y = to_categorical(y, num_classes=total_words)
-
-# Определение архитектуры модели
-
-model = Sequential()
-model.add(Embedding(total_words, 50, input_length=max_sequence_length-1))
-model.add(LSTM(100))
-model.add(Dense(total_words, activation='softmax'))
-
-# Компиляция модели
-
-model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
-
-# Обучение модели
-
-model.fit(X, y, epochs=100, verbose=2)
-
-# Генерация текста с использованием обученной модели
-
-def generate_text(seed_text, next_words, model_, max_sequence_length):
-    for _ in range(next_words):
-        token_list = tokenizer.texts_to_sequences([seed_text])[0]
-        token_list = pad_sequences([token_list], maxlen=max_sequence_length - 1, padding='pre')
-        predicted_probs = model.predict(token_list, verbose=0)[0]
-        predicted_index = np.argmax(predicted_probs)
-        output_word = ""
-        for word, index in tokenizer.word_index.items():
-            if index == predicted_index:
-                output_word = word
-                break
-        seed_text += " " + output_word
-
-    return seed_text
-
-
-# Пример генерации текста (замените seed_text и next_words на свои значения)
-seed_text = "здесь был"
-next_words = 50
-generated_text = generate_text(seed_text, next_words, model, max_sequence_length)
-
-print(generated_text)

basharin_sevastyan_lab_7/ru.txt

@@ -1,9 +0,0 @@
-Когда человек сознательно или интуитивно выбирает себе в жизни какую-то цель, жизненную задачу, он невольно дает себе оценку. По тому, ради чего человек живет, можно судить и о его самооценке - низкой или высокой.
-Если человек живет, чтобы приносить людям добро, облегчать их страдания, давать людям радость, то он оценивает себя на уровне этой своей человечности. Он ставит себе цель, достойную человека.
-Только такая цель позволяет человеку прожить свою жизнь с достоинством и получить настоящую радость. Да, радость! Подумайте: если человек ставит себе задачей увеличивать в жизни добро, приносить людям счастье, какие неудачи могут его постигнуть? Не тому помочь? Но много ли людей не нуждаются в помощи?
-Если жить только для себя, своими мелкими заботами о собственном благополучии, то от прожитого не останется и следа. Если же жить для других, то другие сберегут то, чему служил, чему отдавал силы.
-Можно по-разному определять цель своего существования, но цель должна быть. Надо иметь и принципы в жизни. Одно правило в жизни должно быть у каждого человека, в его цели жизни, в его принципах жизни, в его поведении: надо прожить жизнь с достоинством, чтобы не стыдно было вспоминать.
-Достоинство требует доброты, великодушия, умения не быть эгоистом, быть правдивым, хорошим другом, находить радость в помощи другим.
-Ради достоинства жизни надо уметь отказываться от мелких удовольствий и немалых тоже… Уметь извиняться, признавать перед другими ошибку - лучше, чем врать.
-Обманывая, человек прежде всего обманывает самого себя, ибо он думает, что успешно соврал, а люди поняли и из деликатности промолчали.
-Жизнь - прежде всего творчество, но это не значит, что каждый человек, чтобы жить, должен родиться художником, балериной или ученым. Можно творить просто добрую атмосферу вокруг себя. Человек может принести с собой атмосферу подозрительности, какого-то тягостного молчания, а может внести сразу радость, свет. Вот это и есть творчество.

degtyarev_mikhail_lab_1/Readme.md

@@ -1,57 +0,0 @@
-# Лабораторная 1
-
-## Задание
-Сгенерируйте определенный тип данных и сравнить  на  нем  3  модели  (по  варианту 9). Построить графики, отобразить качество моделей, объяснить полученные результаты
-
-## Данные
-
-make_classification (n_samples=500, n_features=2, n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
-- Модели:
-- - Персептрон
-- - Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
-- - Многослойный персептрон со 100-а нейронами в скрытом слое (alpha =0.01)
-
-## Описание Программы
-
-
-### Используемые библиотеки
-- scikit-learn
-- numpy
-- matplotlib
-
-### Шаги программы
-
-1. **Генерация данных:**
-   - Используется функция `make_classification` из библиотеки scikit-learn.
-   - Создаются два признака, и данные разделяются на два класса.
-   - Используется 500 сэмплов.
-
-2. **Разделение данных:**
-   - Данные разделяются на обучающий и тестовый наборы с использованием `train_test_split` из scikit-learn.
-   - Размер тестового набора установлен в 20% от общего размера.
-
-3. **Создание моделей:**
-   - Три модели создаются с использованием библиотеки scikit-learn:
-     - Персептрон
-     - Многослойный персептрон с 10 нейронами в скрытом слое
-     - Многослойный персептрон с 100 нейронами в скрытом слое
-
-4. **Обучение и Оценка:**
-   - Каждая модель обучается на обучающем наборе данных.
-   - Производится оценка каждой модели на тестовом наборе с использованием метрики точности (`accuracy`).
-
-5. **Визуализация данных и Границ Решения:**
-   - Для каждой модели строится график, на котором отображаются точки тестового набора и граница решения модели.
-   - Каждый график снабжен названием, указывающим на модель и ее точность.
-
-### Запуск программы
-- Склонировать или скачать код `main.py`.
-- Запустите файл в среде, поддерживающей выполнение Python.
-
-### Результаты
-- Можно проанализировать точность на графиках и понять,
-что самая точная из 3 моделей оказалась Многослойный персептрон со 100-а нейронами в скрытом слое.
-- Многослойный персептрон со 100-а нейронами: 0.96
-- Многослойный персептрон с 10-ю нейронами: 0.90
-- Персептрон: 0.86
-

degtyarev_mikhail_lab_1/main.py

@@ -1,54 +0,0 @@
-import matplotlib.pyplot as plt
-import numpy as np
-from sklearn.datasets import make_classification
-from sklearn.model_selection import train_test_split
-from sklearn.linear_model import Perceptron
-from sklearn.neural_network import MLPClassifier
-from sklearn.metrics import accuracy_score
-
-# Установите random_state, чтобы результаты были воспроизводимыми
-rs = 42
-
-# Генерация данных
-X, y = make_classification(
-    n_samples=500, n_features=2, n_redundant=0, n_informative=2,
-    random_state=rs, n_clusters_per_class=1
-)
-
-# Разделение данных на обучающий и тестовый наборы
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=rs)
-
-# Создание моделей
-models = [
-    ('Perceptron', Perceptron(random_state=rs)),
-    ('MLP (10 neurons)', MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs)),
-    ('MLP (100 neurons)', MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs))
-]
-
-# Обучение и оценка моделей
-results = {}
-
-plt.figure(figsize=(15, 5))
-
-for i, (name, model) in enumerate(models, 1):
-    plt.subplot(1, 3, i)
-    model.fit(X_train, y_train)
-    y_pred = model.predict(X_test)
-    accuracy = accuracy_score(y_test, y_pred)
-    results[name] = accuracy
-
-    # Разбиение точек на классы
-    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=plt.cm.Paired, edgecolors='k')
-
-    # Построение границы решения для каждой модели
-    h = .02  # Шаг сетки
-    x_min, x_max = X_test[:, 0].min() - 1, X_test[:, 0].max() + 1
-    y_min, y_max = X_test[:, 1].min() - 1, X_test[:, 1].max() + 1
-    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
-    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
-    Z = Z.reshape(xx.shape)
-    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)
-
-    plt.title(f'{name}\nAccuracy: {accuracy:.2f}')
-
-plt.show()

degtyarev_mikhail_lab_2/Readme.md

@@ -1,60 +0,0 @@
-# Лабораторная 2
-## Вариант 9
-
-## Задание
-Выполните  ранжирование  признаков  с  помощью  указанных  по вариантумоделей.  Отобразите  получившиеся  значения\оценки  каждого признака  каждым  методом\моделью  и  среднюю  оценку. Проведите анализ получившихся результатов.
-## Модели
-
-- Лассо (Lasso)
-- Сокращение признаков Случайными деревьями (Random Forest Regressor)
-- Линейная корреляция (f_regression)
-
-## Описание Программы
-Данная программа решает задачу ранжирования признаков в задаче регрессии, используя три различные модели: Lasso, случайные деревья (Random Forest) и линейную корреляцию (f_regression). Каждая модель ранжирует признаки в соответствии с их важностью, а затем производится вычисление среднего ранжирования для каждого признака на основе результатов всех моделей.
-
-
-### Используемые библиотеки
-- `numpy`: Для работы с массивами и вычислений.
-- `scikit-learn`: Библиотека машинного обучения для реализации моделей регрессии и методов ранжирования признаков.
-
-### Шаги программы
-
-Исходные данные: Генерация случайных данных для задачи регрессии, состоящей из 750 строк и 14 признаков.
-
-Модели:
-
-Lasso: Применение линейной модели Lasso с параметром альфа равным 0.05.
-Random Forest: Использование ансамбля случайных деревьев с 100 деревьями.
-Линейная корреляция (f_regression): Расчет коэффициентов корреляции между признаками и целевой переменной.
-Ранжирование признаков:
-
-Каждая модель ранжирует признаки в соответствии с их важностью.
-Используется MinMaxScaler для нормализации значений рангов.
-Среднее ранжирование:
-
-Для каждого признака рассчитывается среднее значение его ранга по всем моделям.
-Вывод результатов:
-
-Выводится среднее ранжирование для каждого признака.
-Показываются результаты ранжирования для каждой модели.
-Выводится топ-4 признака с их значениями на основе среднего ранжирования.
-
-### Запуск программы
-- Склонировать или скачать код `main.py`.
-- Запустите файл в среде, поддерживающей выполнение Python. `python main.py`
-
-### Результаты
-- Lasso
-{'x1': 0.69, 'x2': 0.72, 'x3': 0.0, 'x4': 1.0, 'x5': 0.29, 'x6': 0.0, 'x7': 0.0, 'x8': 0.0, 'x9': 0.0, 'x10': 0.0, 'x11': 0.0, 'x12': 0.0, 'x13': 0.0, 'x14': 0.0}
-- Random Forest
-{'x1': 0.66, 'x2': 0.76, 'x3': 0.1, 'x4': 0.55, 'x5': 0.23, 'x6': 0.0, 'x7': 0.01, 'x8': 0.0, 'x9': 0.0, 'x10': 0.0, 'x11': 0.29, 'x12': 0.28, 'x13': 0.09, 'x14': 1.0}
-- Correlation
-{'x1': 0.3, 'x2': 0.45, 'x3': 0.0, 'x4': 1.0, 'x5': 0.04, 'x6': 0.0, 'x7': 0.01, 'x8': 0.02, 'x9': 0.01, 'x10': 0.0, 'x11': 0.29, 'x12': 0.44, 'x13': 0.0, 'x14': 0.98}
-- Среднее
-{'x1': 0.55, 'x2': 0.64, 'x3': 0.03, 'x4': 0.85, 'x5': 0.19, 'x6': 0.0, 'x7': 0.01, 'x8': 0.01, 'x9': 0.0, 'x10': 0.0, 'x11': 0.19, 'x12': 0.24, 'x13': 0.03, 'x14': 0.66}
-- Топ 4 признака с их значениями на основе среднего ранжирования:
-1. **x4:** 0.85
-2. **x14:** 0.66
-3. **x2:** 0.64
-4. **x1:** 0.55
-

degtyarev_mikhail_lab_2/main.py

@@ -1,71 +0,0 @@
-from sklearn.linear_model import Lasso
-from sklearn.ensemble import RandomForestRegressor
-from sklearn.feature_selection import f_regression
-from sklearn.preprocessing import MinMaxScaler
-import numpy as np
-
-# Генерация исходных данных
-np.random.seed(0)
-size = 750
-X = np.random.uniform(0, 1, (size, 14))
-Y = (10 * np.sin(np.pi*X[:, 0]*X[:, 1]) + 20*(X[:, 2] - .5)**2 +
-     10*X[:, 3] + 5*X[:, 4]**5 + np.random.normal(0, 1))
-X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
-
-# Лассо
-lasso = Lasso(alpha=0.05)
-lasso.fit(X, Y)
-
-# Случайные деревья
-rf = RandomForestRegressor(n_estimators=100, random_state=0)
-rf.fit(X, Y)
-
-# Линейная корреляция (f_regression)
-correlation_coeffs, _ = f_regression(X, Y)
-
-# Ранжирование с использованием MinMaxScaler
-def rank_to_dict(ranks, names):
-    ranks = np.abs(ranks)
-    minmax = MinMaxScaler()
-    ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
-    ranks = map(lambda x: round(x, 2), ranks)
-    return dict(zip(names, ranks))
-
-# Ранжирование для каждой модели
-ranks = {}
-names = ["x%s" % i for i in range(1, 15)]
-
-ranks["Lasso"] = rank_to_dict(lasso.coef_, names)
-ranks["Random Forest"] = rank_to_dict(rf.feature_importances_, names)
-ranks["Correlation"] = rank_to_dict(correlation_coeffs, names)
-
-# Создание пустого словаря для данных
-mean = {}
-
-# Обработка словаря ranks
-for key, value in ranks.items():
-    for item in value.items():
-        if item[0] not in mean:
-            mean[item[0]] = 0
-        mean[item[0]] += item[1]
-
-# Нахождение среднего по каждому признаку
-for key, value in mean.items():
-    res = value / len(ranks)
-    mean[key] = round(res, 2)
-
-# Сортировка и вывод списка средних значений
-mean_dict = dict(mean)
-print("MEAN")
-print(mean_dict)
-
-# Вывод результатов ранжирования для каждой модели
-for key, value in ranks.items():
-    print(key)
-    print(value)
-
-# Вывод топ-4 признаков с их значениями
-top_features = sorted(mean.items(), key=lambda x: x[1], reverse=True)[:4]
-print("Top 4 features with values:")
-for feature, value in top_features:
-    print(f"{feature}: {value}")

degtyarev_mikhail_lab_3/Readme.md

@@ -1,71 +0,0 @@
-# Лабораторная 3
-## Вариант 9
-
-## Задание
-Решите с помощью библиотечной реализации дерева решений задачу из лабораторной работы «Веб-сервис «Дерево решений» по предмету «Методы  искусственного  интеллекта»на  99%  ваших  данных.
-Проверьте работу модели на оставшемся проценте, сделайте вывод.
-
-## Описание Программы
-Данная программа предназначена для построения и оценки модели дерева решений с использованием данных о зарплатах в области Data Science.
-1) Задача, решаемая деревом решений:
-Можно использовать дерево решений для классификации должностей на основе опыта работы (experience_level), типа занятости (employment_type), местоположения компании (company_location) и размера компании (company_size). Например, можно предсказать категории должностей, такие как "Junior Data Scientist," "Senior Data Analyst," и т.д.
-
-### Используемые библиотеки
-- `pandas`: Библиотека для обработки и анализа данных, используется для загрузки и предобработки данных.
-- `scikit-learn`: Библиотека для машинного обучения, включает в себя реализацию дерева решений (DecisionTreeClassifier), метрики оценки модели (accuracy_score, mean_squared_error) и кодировщик категориальных переменных (LabelEncoder).
-
-### Шаги программы
-
-**Загрузка данных:**
-
-Данные о зарплатах в области Data Science загружаются из файла 'ds_salaries.csv'.
-Столбец 'Unnamed: 0', предположительно, содержащий индекс или идентификатор, удаляется.
-
-**Предобработка данных:**
-
-Определены признаки (features) и целевая переменная (target).
-Категориальные признаки преобразованы в числовой формат с использованием LabelEncoder.
-Целевая переменная также преобразована в числовой формат.
-
-**Разделение данных:**
-
-Данные разделены на обучающий (99%) и тестовый (1%) наборы с использованием train_test_split.
-
-**Построение и обучение модели:**
-
-Создана и обучена модель дерева решений с использованием DecisionTreeClassifier.
-
-**Предсказание и оценка:**
-
-Выполнено предсказание категорий должностей на тестовом наборе данных.
-Оценена точность модели с использованием accuracy_score.
-Рассчитана средняя квадратичная ошибка в процентах с использованием mean_squared_error.
-
-**Анализ важности признаков:**
-
-Выведена важность каждого признака в модели.
-Вывод первых 5 строк тестового набора данных:
-
-Выведены первые 5 строк тестового набора данных для ознакомления с фактическими и предсказанными значениями.
-
-### Запуск программы
-- Склонировать или скачать код `main.py`.
-- Запустите файл в среде, поддерживающей выполнение Python. `python main.py`
-
-### Результаты
-![](img.png)
-
-На основе результатов, предоставленных моделью дерева решений, можно сделать вывод, что текущая модель не идеально подходит для задачи классификации должностей на основе предоставленных данных. 
-
-**Точность модели 14.29%**
-
-Низкая точность может свидетельствовать о том, что модель недостаточно эффективна в предсказании категорий должностей. Возможные причины низкой точности могут включать в себя неоптимальный выбор признаков, недостаточную обработку данных или неоптимальную настройку параметров модели.
-
-**Средняя квадратичная ошибка: 165.86%**
-
-Высокая средняя квадратичная ошибка также указывает на значительное отклонение предсказанных значений от фактических значений. Это говорит о том, что модель недостаточно точно предсказывает категории должностей.
-
-**Важность признаков**
-
-'company_location' оказывает наибольшее влияние на модель, тогда как 'employment_type' - наименьшее.
-

degtyarev_mikhail_lab_3/ds_salaries.csv

@@ -1,608 +0,0 @@
-,work_year,experience_level,employment_type,job_title,salary,salary_currency,salary_in_usd,employee_residence,remote_ratio,company_location,company_size
-0,2020,MI,FT,Data Scientist,70000,EUR,79833,DE,0,DE,L
-1,2020,SE,FT,Machine Learning Scientist,260000,USD,260000,JP,0,JP,S
-2,2020,SE,FT,Big Data Engineer,85000,GBP,109024,GB,50,GB,M
-3,2020,MI,FT,Product Data Analyst,20000,USD,20000,HN,0,HN,S
-4,2020,SE,FT,Machine Learning Engineer,150000,USD,150000,US,50,US,L
-5,2020,EN,FT,Data Analyst,72000,USD,72000,US,100,US,L
-6,2020,SE,FT,Lead Data Scientist,190000,USD,190000,US,100,US,S
-7,2020,MI,FT,Data Scientist,11000000,HUF,35735,HU,50,HU,L
-8,2020,MI,FT,Business Data Analyst,135000,USD,135000,US,100,US,L
-9,2020,SE,FT,Lead Data Engineer,125000,USD,125000,NZ,50,NZ,S
-10,2020,EN,FT,Data Scientist,45000,EUR,51321,FR,0,FR,S
-11,2020,MI,FT,Data Scientist,3000000,INR,40481,IN,0,IN,L
-12,2020,EN,FT,Data Scientist,35000,EUR,39916,FR,0,FR,M
-13,2020,MI,FT,Lead Data Analyst,87000,USD,87000,US,100,US,L
-14,2020,MI,FT,Data Analyst,85000,USD,85000,US,100,US,L
-15,2020,MI,FT,Data Analyst,8000,USD,8000,PK,50,PK,L
-16,2020,EN,FT,Data Engineer,4450000,JPY,41689,JP,100,JP,S
-17,2020,SE,FT,Big Data Engineer,100000,EUR,114047,PL,100,GB,S
-18,2020,EN,FT,Data Science Consultant,423000,INR,5707,IN,50,IN,M
-19,2020,MI,FT,Lead Data Engineer,56000,USD,56000,PT,100,US,M
-20,2020,MI,FT,Machine Learning Engineer,299000,CNY,43331,CN,0,CN,M
-21,2020,MI,FT,Product Data Analyst,450000,INR,6072,IN,100,IN,L
-22,2020,SE,FT,Data Engineer,42000,EUR,47899,GR,50,GR,L
-23,2020,MI,FT,BI Data Analyst,98000,USD,98000,US,0,US,M
-24,2020,MI,FT,Lead Data Scientist,115000,USD,115000,AE,0,AE,L
-25,2020,EX,FT,Director of Data Science,325000,USD,325000,US,100,US,L
-26,2020,EN,FT,Research Scientist,42000,USD,42000,NL,50,NL,L
-27,2020,SE,FT,Data Engineer,720000,MXN,33511,MX,0,MX,S
-28,2020,EN,CT,Business Data Analyst,100000,USD,100000,US,100,US,L
-29,2020,SE,FT,Machine Learning Manager,157000,CAD,117104,CA,50,CA,L
-30,2020,MI,FT,Data Engineering Manager,51999,EUR,59303,DE,100,DE,S
-31,2020,EN,FT,Big Data Engineer,70000,USD,70000,US,100,US,L
-32,2020,SE,FT,Data Scientist,60000,EUR,68428,GR,100,US,L
-33,2020,MI,FT,Research Scientist,450000,USD,450000,US,0,US,M
-34,2020,MI,FT,Data Analyst,41000,EUR,46759,FR,50,FR,L
-35,2020,MI,FT,Data Engineer,65000,EUR,74130,AT,50,AT,L
-36,2020,MI,FT,Data Science Consultant,103000,USD,103000,US,100,US,L
-37,2020,EN,FT,Machine Learning Engineer,250000,USD,250000,US,50,US,L
-38,2020,EN,FT,Data Analyst,10000,USD,10000,NG,100,NG,S
-39,2020,EN,FT,Machine Learning Engineer,138000,USD,138000,US,100,US,S
-40,2020,MI,FT,Data Scientist,45760,USD,45760,PH,100,US,S
-41,2020,EX,FT,Data Engineering Manager,70000,EUR,79833,ES,50,ES,L
-42,2020,MI,FT,Machine Learning Infrastructure Engineer,44000,EUR,50180,PT,0,PT,M
-43,2020,MI,FT,Data Engineer,106000,USD,106000,US,100,US,L
-44,2020,MI,FT,Data Engineer,88000,GBP,112872,GB,50,GB,L
-45,2020,EN,PT,ML Engineer,14000,EUR,15966,DE,100,DE,S
-46,2020,MI,FT,Data Scientist,60000,GBP,76958,GB,100,GB,S
-47,2020,SE,FT,Data Engineer,188000,USD,188000,US,100,US,L
-48,2020,MI,FT,Data Scientist,105000,USD,105000,US,100,US,L
-49,2020,MI,FT,Data Engineer,61500,EUR,70139,FR,50,FR,L
-50,2020,EN,FT,Data Analyst,450000,INR,6072,IN,0,IN,S
-51,2020,EN,FT,Data Analyst,91000,USD,91000,US,100,US,L
-52,2020,EN,FT,AI Scientist,300000,DKK,45896,DK,50,DK,S
-53,2020,EN,FT,Data Engineer,48000,EUR,54742,PK,100,DE,L
-54,2020,SE,FL,Computer Vision Engineer,60000,USD,60000,RU,100,US,S
-55,2020,SE,FT,Principal Data Scientist,130000,EUR,148261,DE,100,DE,M
-56,2020,MI,FT,Data Scientist,34000,EUR,38776,ES,100,ES,M
-57,2020,MI,FT,Data Scientist,118000,USD,118000,US,100,US,M
-58,2020,SE,FT,Data Scientist,120000,USD,120000,US,50,US,L
-59,2020,MI,FT,Data Scientist,138350,USD,138350,US,100,US,M
-60,2020,MI,FT,Data Engineer,110000,USD,110000,US,100,US,L
-61,2020,MI,FT,Data Engineer,130800,USD,130800,ES,100,US,M
-62,2020,EN,PT,Data Scientist,19000,EUR,21669,IT,50,IT,S
-63,2020,SE,FT,Data Scientist,412000,USD,412000,US,100,US,L
-64,2020,SE,FT,Machine Learning Engineer,40000,EUR,45618,HR,100,HR,S
-65,2020,EN,FT,Data Scientist,55000,EUR,62726,DE,50,DE,S
-66,2020,EN,FT,Data Scientist,43200,EUR,49268,DE,0,DE,S
-67,2020,SE,FT,Data Science Manager,190200,USD,190200,US,100,US,M
-68,2020,EN,FT,Data Scientist,105000,USD,105000,US,100,US,S
-69,2020,SE,FT,Data Scientist,80000,EUR,91237,AT,0,AT,S
-70,2020,MI,FT,Data Scientist,55000,EUR,62726,FR,50,LU,S
-71,2020,MI,FT,Data Scientist,37000,EUR,42197,FR,50,FR,S
-72,2021,EN,FT,Research Scientist,60000,GBP,82528,GB,50,GB,L
-73,2021,EX,FT,BI Data Analyst,150000,USD,150000,IN,100,US,L
-74,2021,EX,FT,Head of Data,235000,USD,235000,US,100,US,L
-75,2021,SE,FT,Data Scientist,45000,EUR,53192,FR,50,FR,L
-76,2021,MI,FT,BI Data Analyst,100000,USD,100000,US,100,US,M
-77,2021,MI,PT,3D Computer Vision Researcher,400000,INR,5409,IN,50,IN,M
-78,2021,MI,CT,ML Engineer,270000,USD,270000,US,100,US,L
-79,2021,EN,FT,Data Analyst,80000,USD,80000,US,100,US,M
-80,2021,SE,FT,Data Analytics Engineer,67000,EUR,79197,DE,100,DE,L
-81,2021,MI,FT,Data Engineer,140000,USD,140000,US,100,US,L
-82,2021,MI,FT,Applied Data Scientist,68000,CAD,54238,GB,50,CA,L
-83,2021,MI,FT,Machine Learning Engineer,40000,EUR,47282,ES,100,ES,S
-84,2021,EX,FT,Director of Data Science,130000,EUR,153667,IT,100,PL,L
-85,2021,MI,FT,Data Engineer,110000,PLN,28476,PL,100,PL,L
-86,2021,EN,FT,Data Analyst,50000,EUR,59102,FR,50,FR,M
-87,2021,MI,FT,Data Analytics Engineer,110000,USD,110000,US,100,US,L
-88,2021,SE,FT,Lead Data Analyst,170000,USD,170000,US,100,US,L
-89,2021,SE,FT,Data Analyst,80000,USD,80000,BG,100,US,S
-90,2021,SE,FT,Marketing Data Analyst,75000,EUR,88654,GR,100,DK,L
-91,2021,EN,FT,Data Science Consultant,65000,EUR,76833,DE,100,DE,S
-92,2021,MI,FT,Lead Data Analyst,1450000,INR,19609,IN,100,IN,L
-93,2021,SE,FT,Lead Data Engineer,276000,USD,276000,US,0,US,L
-94,2021,EN,FT,Data Scientist,2200000,INR,29751,IN,50,IN,L
-95,2021,MI,FT,Cloud Data Engineer,120000,SGD,89294,SG,50,SG,L
-96,2021,EN,PT,AI Scientist,12000,USD,12000,BR,100,US,S
-97,2021,MI,FT,Financial Data Analyst,450000,USD,450000,US,100,US,L
-98,2021,EN,FT,Computer Vision Software Engineer,70000,USD,70000,US,100,US,M
-99,2021,MI,FT,Computer Vision Software Engineer,81000,EUR,95746,DE,100,US,S
-100,2021,MI,FT,Data Analyst,75000,USD,75000,US,0,US,L
-101,2021,SE,FT,Data Engineer,150000,USD,150000,US,100,US,L
-102,2021,MI,FT,BI Data Analyst,11000000,HUF,36259,HU,50,US,L
-103,2021,MI,FT,Data Analyst,62000,USD,62000,US,0,US,L
-104,2021,MI,FT,Data Scientist,73000,USD,73000,US,0,US,L
-105,2021,MI,FT,Data Analyst,37456,GBP,51519,GB,50,GB,L
-106,2021,MI,FT,Research Scientist,235000,CAD,187442,CA,100,CA,L
-107,2021,SE,FT,Data Engineer,115000,USD,115000,US,100,US,S
-108,2021,SE,FT,Data Engineer,150000,USD,150000,US,100,US,M
-109,2021,EN,FT,Data Engineer,2250000,INR,30428,IN,100,IN,L
-110,2021,SE,FT,Machine Learning Engineer,80000,EUR,94564,DE,50,DE,L
-111,2021,SE,FT,Director of Data Engineering,82500,GBP,113476,GB,100,GB,M
-112,2021,SE,FT,Lead Data Engineer,75000,GBP,103160,GB,100,GB,S
-113,2021,EN,PT,AI Scientist,12000,USD,12000,PK,100,US,M
-114,2021,MI,FT,Data Engineer,38400,EUR,45391,NL,100,NL,L
-115,2021,EN,FT,Machine Learning Scientist,225000,USD,225000,US,100,US,L
-116,2021,MI,FT,Data Scientist,50000,USD,50000,NG,100,NG,L
-117,2021,MI,FT,Data Science Engineer,34000,EUR,40189,GR,100,GR,M
-118,2021,EN,FT,Data Analyst,90000,USD,90000,US,100,US,S
-119,2021,MI,FT,Data Engineer,200000,USD,200000,US,100,US,L
-120,2021,MI,FT,Big Data Engineer,60000,USD,60000,ES,50,RO,M
-121,2021,SE,FT,Principal Data Engineer,200000,USD,200000,US,100,US,M
-122,2021,EN,FT,Data Analyst,50000,USD,50000,US,100,US,M
-123,2021,EN,FT,Applied Data Scientist,80000,GBP,110037,GB,0,GB,L
-124,2021,EN,PT,Data Analyst,8760,EUR,10354,ES,50,ES,M
-125,2021,MI,FT,Principal Data Scientist,151000,USD,151000,US,100,US,L
-126,2021,SE,FT,Machine Learning Scientist,120000,USD,120000,US,50,US,S
-127,2021,MI,FT,Data Scientist,700000,INR,9466,IN,0,IN,S
-128,2021,EN,FT,Machine Learning Engineer,20000,USD,20000,IN,100,IN,S
-129,2021,SE,FT,Lead Data Scientist,3000000,INR,40570,IN,50,IN,L
-130,2021,EN,FT,Machine Learning Developer,100000,USD,100000,IQ,50,IQ,S
-131,2021,EN,FT,Data Scientist,42000,EUR,49646,FR,50,FR,M
-132,2021,MI,FT,Applied Machine Learning Scientist,38400,USD,38400,VN,100,US,M
-133,2021,SE,FT,Computer Vision Engineer,24000,USD,24000,BR,100,BR,M
-134,2021,EN,FT,Data Scientist,100000,USD,100000,US,0,US,S
-135,2021,MI,FT,Data Analyst,90000,USD,90000,US,100,US,M
-136,2021,MI,FT,ML Engineer,7000000,JPY,63711,JP,50,JP,S
-137,2021,MI,FT,ML Engineer,8500000,JPY,77364,JP,50,JP,S
-138,2021,SE,FT,Principal Data Scientist,220000,USD,220000,US,0,US,L
-139,2021,EN,FT,Data Scientist,80000,USD,80000,US,100,US,M
-140,2021,MI,FT,Data Analyst,135000,USD,135000,US,100,US,L
-141,2021,SE,FT,Data Science Manager,240000,USD,240000,US,0,US,L
-142,2021,SE,FT,Data Engineering Manager,150000,USD,150000,US,0,US,L
-143,2021,MI,FT,Data Scientist,82500,USD,82500,US,100,US,S
-144,2021,MI,FT,Data Engineer,100000,USD,100000,US,100,US,L
-145,2021,SE,FT,Machine Learning Engineer,70000,EUR,82744,BE,50,BE,M
-146,2021,MI,FT,Research Scientist,53000,EUR,62649,FR,50,FR,M
-147,2021,MI,FT,Data Engineer,90000,USD,90000,US,100,US,L
-148,2021,SE,FT,Data Engineering Manager,153000,USD,153000,US,100,US,L
-149,2021,SE,FT,Cloud Data Engineer,160000,USD,160000,BR,100,US,S
-150,2021,SE,FT,Director of Data Science,168000,USD,168000,JP,0,JP,S
-151,2021,MI,FT,Data Scientist,150000,USD,150000,US,100,US,M
-152,2021,MI,FT,Data Scientist,95000,CAD,75774,CA,100,CA,L
-153,2021,EN,FT,Data Scientist,13400,USD,13400,UA,100,UA,L
-154,2021,SE,FT,Data Science Manager,144000,USD,144000,US,100,US,L
-155,2021,SE,FT,Data Science Engineer,159500,CAD,127221,CA,50,CA,L
-156,2021,MI,FT,Data Scientist,160000,SGD,119059,SG,100,IL,M
-157,2021,MI,FT,Applied Machine Learning Scientist,423000,USD,423000,US,50,US,L
-158,2021,SE,FT,Data Analytics Manager,120000,USD,120000,US,100,US,M
-159,2021,EN,FT,Machine Learning Engineer,125000,USD,125000,US,100,US,S
-160,2021,EX,FT,Head of Data,230000,USD,230000,RU,50,RU,L
-161,2021,EX,FT,Head of Data Science,85000,USD,85000,RU,0,RU,M
-162,2021,MI,FT,Data Engineer,24000,EUR,28369,MT,50,MT,L
-163,2021,EN,FT,Data Science Consultant,54000,EUR,63831,DE,50,DE,L
-164,2021,EX,FT,Director of Data Science,110000,EUR,130026,DE,50,DE,M
-165,2021,SE,FT,Data Specialist,165000,USD,165000,US,100,US,L
-166,2021,EN,FT,Data Engineer,80000,USD,80000,US,100,US,L
-167,2021,EX,FT,Director of Data Science,250000,USD,250000,US,0,US,L
-168,2021,EN,FT,BI Data Analyst,55000,USD,55000,US,50,US,S
-169,2021,MI,FT,Data Architect,150000,USD,150000,US,100,US,L
-170,2021,MI,FT,Data Architect,170000,USD,170000,US,100,US,L
-171,2021,MI,FT,Data Engineer,60000,GBP,82528,GB,100,GB,L
-172,2021,EN,FT,Data Analyst,60000,USD,60000,US,100,US,S
-173,2021,SE,FT,Principal Data Scientist,235000,USD,235000,US,100,US,L
-174,2021,SE,FT,Research Scientist,51400,EUR,60757,PT,50,PT,L
-175,2021,SE,FT,Data Engineering Manager,174000,USD,174000,US,100,US,L
-176,2021,MI,FT,Data Scientist,58000,MXN,2859,MX,0,MX,S
-177,2021,MI,FT,Data Scientist,30400000,CLP,40038,CL,100,CL,L
-178,2021,EN,FT,Machine Learning Engineer,81000,USD,81000,US,50,US,S
-179,2021,MI,FT,Data Scientist,420000,INR,5679,IN,100,US,S
-180,2021,MI,FT,Big Data Engineer,1672000,INR,22611,IN,0,IN,L
-181,2021,MI,FT,Data Scientist,76760,EUR,90734,DE,50,DE,L
-182,2021,MI,FT,Data Engineer,22000,EUR,26005,RO,0,US,L
-183,2021,SE,FT,Finance Data Analyst,45000,GBP,61896,GB,50,GB,L
-184,2021,MI,FL,Machine Learning Scientist,12000,USD,12000,PK,50,PK,M
-185,2021,MI,FT,Data Engineer,4000,USD,4000,IR,100,IR,M
-186,2021,SE,FT,Data Analytics Engineer,50000,USD,50000,VN,100,GB,M
-187,2021,EX,FT,Data Science Consultant,59000,EUR,69741,FR,100,ES,S
-188,2021,SE,FT,Data Engineer,65000,EUR,76833,RO,50,GB,S
-189,2021,MI,FT,Machine Learning Engineer,74000,USD,74000,JP,50,JP,S
-190,2021,SE,FT,Data Science Manager,152000,USD,152000,US,100,FR,L
-191,2021,EN,FT,Machine Learning Engineer,21844,USD,21844,CO,50,CO,M
-192,2021,MI,FT,Big Data Engineer,18000,USD,18000,MD,0,MD,S
-193,2021,SE,FT,Data Science Manager,174000,USD,174000,US,100,US,L
-194,2021,SE,FT,Research Scientist,120500,CAD,96113,CA,50,CA,L
-195,2021,MI,FT,Data Scientist,147000,USD,147000,US,50,US,L
-196,2021,EN,FT,BI Data Analyst,9272,USD,9272,KE,100,KE,S
-197,2021,SE,FT,Machine Learning Engineer,1799997,INR,24342,IN,100,IN,L
-198,2021,SE,FT,Data Science Manager,4000000,INR,54094,IN,50,US,L
-199,2021,EN,FT,Data Science Consultant,90000,USD,90000,US,100,US,S
-200,2021,MI,FT,Data Scientist,52000,EUR,61467,DE,50,AT,M
-201,2021,SE,FT,Machine Learning Infrastructure Engineer,195000,USD,195000,US,100,US,M
-202,2021,MI,FT,Data Scientist,32000,EUR,37825,ES,100,ES,L
-203,2021,SE,FT,Research Scientist,50000,USD,50000,FR,100,US,S
-204,2021,MI,FT,Data Scientist,160000,USD,160000,US,100,US,L
-205,2021,MI,FT,Data Scientist,69600,BRL,12901,BR,0,BR,S
-206,2021,SE,FT,Machine Learning Engineer,200000,USD,200000,US,100,US,L
-207,2021,SE,FT,Data Engineer,165000,USD,165000,US,0,US,M
-208,2021,MI,FL,Data Engineer,20000,USD,20000,IT,0,US,L
-209,2021,SE,FT,Data Analytics Manager,120000,USD,120000,US,0,US,L
-210,2021,MI,FT,Machine Learning Engineer,21000,EUR,24823,SI,50,SI,L
-211,2021,MI,FT,Research Scientist,48000,EUR,56738,FR,50,FR,S
-212,2021,MI,FT,Data Engineer,48000,GBP,66022,HK,50,GB,S
-213,2021,EN,FT,Big Data Engineer,435000,INR,5882,IN,0,CH,L
-214,2021,EN,FT,Machine Learning Engineer,21000,EUR,24823,DE,50,DE,M
-215,2021,SE,FT,Principal Data Engineer,185000,USD,185000,US,100,US,L
-216,2021,EN,PT,Computer Vision Engineer,180000,DKK,28609,DK,50,DK,S
-217,2021,MI,FT,Data Scientist,76760,EUR,90734,DE,50,DE,L
-218,2021,MI,FT,Machine Learning Engineer,75000,EUR,88654,BE,100,BE,M
-219,2021,SE,FT,Data Analytics Manager,140000,USD,140000,US,100,US,L
-220,2021,MI,FT,Machine Learning Engineer,180000,PLN,46597,PL,100,PL,L
-221,2021,MI,FT,Data Scientist,85000,GBP,116914,GB,50,GB,L
-222,2021,MI,FT,Data Scientist,2500000,INR,33808,IN,0,IN,M
-223,2021,MI,FT,Data Scientist,40900,GBP,56256,GB,50,GB,L
-224,2021,SE,FT,Machine Learning Scientist,225000,USD,225000,US,100,CA,L
-225,2021,EX,CT,Principal Data Scientist,416000,USD,416000,US,100,US,S
-226,2021,SE,FT,Data Scientist,110000,CAD,87738,CA,100,CA,S
-227,2021,MI,FT,Data Scientist,75000,EUR,88654,DE,50,DE,L
-228,2021,SE,FT,Data Scientist,135000,USD,135000,US,0,US,L
-229,2021,SE,FT,Data Analyst,90000,CAD,71786,CA,100,CA,M
-230,2021,EN,FT,Big Data Engineer,1200000,INR,16228,IN,100,IN,L
-231,2021,SE,FT,ML Engineer,256000,USD,256000,US,100,US,S
-232,2021,SE,FT,Director of Data Engineering,200000,USD,200000,US,100,US,L
-233,2021,SE,FT,Data Analyst,200000,USD,200000,US,100,US,L
-234,2021,MI,FT,Data Architect,180000,USD,180000,US,100,US,L
-235,2021,MI,FT,Head of Data Science,110000,USD,110000,US,0,US,S
-236,2021,MI,FT,Research Scientist,80000,CAD,63810,CA,100,CA,M
-237,2021,MI,FT,Data Scientist,39600,EUR,46809,ES,100,ES,M
-238,2021,EN,FT,Data Scientist,4000,USD,4000,VN,0,VN,M
-239,2021,EN,FT,Data Engineer,1600000,INR,21637,IN,50,IN,M
-240,2021,SE,FT,Data Scientist,130000,CAD,103691,CA,100,CA,L
-241,2021,MI,FT,Data Analyst,80000,USD,80000,US,100,US,L
-242,2021,MI,FT,Data Engineer,110000,USD,110000,US,100,US,L
-243,2021,SE,FT,Data Scientist,165000,USD,165000,US,100,US,L
-244,2021,EN,FT,AI Scientist,1335000,INR,18053,IN,100,AS,S
-245,2021,MI,FT,Data Engineer,52500,GBP,72212,GB,50,GB,L
-246,2021,EN,FT,Data Scientist,31000,EUR,36643,FR,50,FR,L
-247,2021,MI,FT,Data Engineer,108000,TRY,12103,TR,0,TR,M
-248,2021,SE,FT,Data Engineer,70000,GBP,96282,GB,50,GB,L
-249,2021,SE,FT,Principal Data Analyst,170000,USD,170000,US,100,US,M
-250,2021,MI,FT,Data Scientist,115000,USD,115000,US,50,US,L
-251,2021,EN,FT,Data Scientist,90000,USD,90000,US,100,US,S
-252,2021,EX,FT,Principal Data Engineer,600000,USD,600000,US,100,US,L
-253,2021,EN,FT,Data Scientist,2100000,INR,28399,IN,100,IN,M
-254,2021,MI,FT,Data Analyst,93000,USD,93000,US,100,US,L
-255,2021,SE,FT,Big Data Architect,125000,CAD,99703,CA,50,CA,M
-256,2021,MI,FT,Data Engineer,200000,USD,200000,US,100,US,L
-257,2021,SE,FT,Principal Data Scientist,147000,EUR,173762,DE,100,DE,M
-258,2021,SE,FT,Machine Learning Engineer,185000,USD,185000,US,50,US,L
-259,2021,EX,FT,Director of Data Science,120000,EUR,141846,DE,0,DE,L
-260,2021,MI,FT,Data Scientist,130000,USD,130000,US,50,US,L
-261,2021,SE,FT,Data Analyst,54000,EUR,63831,DE,50,DE,L
-262,2021,MI,FT,Data Scientist,1250000,INR,16904,IN,100,IN,S
-263,2021,SE,FT,Machine Learning Engineer,4900000,INR,66265,IN,0,IN,L
-264,2021,MI,FT,Data Scientist,21600,EUR,25532,RS,100,DE,S
-265,2021,SE,FT,Lead Data Engineer,160000,USD,160000,PR,50,US,S
-266,2021,MI,FT,Data Engineer,93150,USD,93150,US,0,US,M
-267,2021,MI,FT,Data Engineer,111775,USD,111775,US,0,US,M
-268,2021,MI,FT,Data Engineer,250000,TRY,28016,TR,100,TR,M
-269,2021,EN,FT,Data Engineer,55000,EUR,65013,DE,50,DE,M
-270,2021,EN,FT,Data Engineer,72500,USD,72500,US,100,US,L
-271,2021,SE,FT,Computer Vision Engineer,102000,BRL,18907,BR,0,BR,M
-272,2021,EN,FT,Data Science Consultant,65000,EUR,76833,DE,0,DE,L
-273,2021,EN,FT,Machine Learning Engineer,85000,USD,85000,NL,100,DE,S
-274,2021,SE,FT,Data Scientist,65720,EUR,77684,FR,50,FR,M
-275,2021,EN,FT,Data Scientist,100000,USD,100000,US,100,US,M
-276,2021,EN,FT,Data Scientist,58000,USD,58000,US,50,US,L
-277,2021,SE,FT,AI Scientist,55000,USD,55000,ES,100,ES,L
-278,2021,SE,FT,Data Scientist,180000,TRY,20171,TR,50,TR,L
-279,2021,EN,FT,Business Data Analyst,50000,EUR,59102,LU,100,LU,L
-280,2021,MI,FT,Data Engineer,112000,USD,112000,US,100,US,L
-281,2021,EN,FT,Research Scientist,100000,USD,100000,JE,0,CN,L
-282,2021,MI,PT,Data Engineer,59000,EUR,69741,NL,100,NL,L
-283,2021,SE,CT,Staff Data Scientist,105000,USD,105000,US,100,US,M
-284,2021,MI,FT,Research Scientist,69999,USD,69999,CZ,50,CZ,L
-285,2021,SE,FT,Data Science Manager,7000000,INR,94665,IN,50,IN,L
-286,2021,SE,FT,Head of Data,87000,EUR,102839,SI,100,SI,L
-287,2021,MI,FT,Data Scientist,109000,USD,109000,US,50,US,L
-288,2021,MI,FT,Machine Learning Engineer,43200,EUR,51064,IT,50,IT,L
-289,2022,SE,FT,Data Engineer,135000,USD,135000,US,100,US,M
-290,2022,SE,FT,Data Analyst,155000,USD,155000,US,100,US,M
-291,2022,SE,FT,Data Analyst,120600,USD,120600,US,100,US,M
-292,2022,MI,FT,Data Scientist,130000,USD,130000,US,0,US,M
-293,2022,MI,FT,Data Scientist,90000,USD,90000,US,0,US,M
-294,2022,MI,FT,Data Engineer,170000,USD,170000,US,100,US,M
-295,2022,MI,FT,Data Engineer,150000,USD,150000,US,100,US,M
-296,2022,SE,FT,Data Analyst,102100,USD,102100,US,100,US,M
-297,2022,SE,FT,Data Analyst,84900,USD,84900,US,100,US,M
-298,2022,SE,FT,Data Scientist,136620,USD,136620,US,100,US,M
-299,2022,SE,FT,Data Scientist,99360,USD,99360,US,100,US,M
-300,2022,SE,FT,Data Scientist,90000,GBP,117789,GB,0,GB,M
-301,2022,SE,FT,Data Scientist,80000,GBP,104702,GB,0,GB,M
-302,2022,SE,FT,Data Scientist,146000,USD,146000,US,100,US,M
-303,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-304,2022,EN,FT,Data Engineer,40000,GBP,52351,GB,100,GB,M
-305,2022,SE,FT,Data Analyst,99000,USD,99000,US,0,US,M
-306,2022,SE,FT,Data Analyst,116000,USD,116000,US,0,US,M
-307,2022,MI,FT,Data Analyst,106260,USD,106260,US,0,US,M
-308,2022,MI,FT,Data Analyst,126500,USD,126500,US,0,US,M
-309,2022,EX,FT,Data Engineer,242000,USD,242000,US,100,US,M
-310,2022,EX,FT,Data Engineer,200000,USD,200000,US,100,US,M
-311,2022,MI,FT,Data Scientist,50000,GBP,65438,GB,0,GB,M
-312,2022,MI,FT,Data Scientist,30000,GBP,39263,GB,0,GB,M
-313,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,0,GB,M
-314,2022,MI,FT,Data Engineer,40000,GBP,52351,GB,0,GB,M
-315,2022,SE,FT,Data Scientist,165220,USD,165220,US,100,US,M
-316,2022,EN,FT,Data Engineer,35000,GBP,45807,GB,100,GB,M
-317,2022,SE,FT,Data Scientist,120160,USD,120160,US,100,US,M
-318,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-319,2022,SE,FT,Data Engineer,181940,USD,181940,US,0,US,M
-320,2022,SE,FT,Data Engineer,132320,USD,132320,US,0,US,M
-321,2022,SE,FT,Data Engineer,220110,USD,220110,US,0,US,M
-322,2022,SE,FT,Data Engineer,160080,USD,160080,US,0,US,M
-323,2022,SE,FT,Data Scientist,180000,USD,180000,US,0,US,L
-324,2022,SE,FT,Data Scientist,120000,USD,120000,US,0,US,L
-325,2022,SE,FT,Data Analyst,124190,USD,124190,US,100,US,M
-326,2022,EX,FT,Data Analyst,130000,USD,130000,US,100,US,M
-327,2022,EX,FT,Data Analyst,110000,USD,110000,US,100,US,M
-328,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-329,2022,MI,FT,Data Analyst,115500,USD,115500,US,100,US,M
-330,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-331,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-332,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-333,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-334,2022,SE,FT,Data Engineer,165400,USD,165400,US,100,US,M
-335,2022,SE,FT,Data Engineer,132320,USD,132320,US,100,US,M
-336,2022,MI,FT,Data Analyst,167000,USD,167000,US,100,US,M
-337,2022,SE,FT,Data Engineer,243900,USD,243900,US,100,US,M
-338,2022,SE,FT,Data Analyst,136600,USD,136600,US,100,US,M
-339,2022,SE,FT,Data Analyst,109280,USD,109280,US,100,US,M
-340,2022,SE,FT,Data Engineer,128875,USD,128875,US,100,US,M
-341,2022,SE,FT,Data Engineer,93700,USD,93700,US,100,US,M
-342,2022,EX,FT,Head of Data Science,224000,USD,224000,US,100,US,M
-343,2022,EX,FT,Head of Data Science,167875,USD,167875,US,100,US,M
-344,2022,EX,FT,Analytics Engineer,175000,USD,175000,US,100,US,M
-345,2022,SE,FT,Data Engineer,156600,USD,156600,US,100,US,M
-346,2022,SE,FT,Data Engineer,108800,USD,108800,US,0,US,M
-347,2022,SE,FT,Data Scientist,95550,USD,95550,US,0,US,M
-348,2022,SE,FT,Data Engineer,113000,USD,113000,US,0,US,L
-349,2022,SE,FT,Data Analyst,135000,USD,135000,US,100,US,M
-350,2022,SE,FT,Data Science Manager,161342,USD,161342,US,100,US,M
-351,2022,SE,FT,Data Science Manager,137141,USD,137141,US,100,US,M
-352,2022,SE,FT,Data Scientist,167000,USD,167000,US,100,US,M
-353,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-354,2022,SE,FT,Data Engineer,60000,GBP,78526,GB,0,GB,M
-355,2022,SE,FT,Data Engineer,50000,GBP,65438,GB,0,GB,M
-356,2022,SE,FT,Data Scientist,150000,USD,150000,US,0,US,M
-357,2022,SE,FT,Data Scientist,211500,USD,211500,US,100,US,M
-358,2022,SE,FT,Data Architect,192400,USD,192400,CA,100,CA,M
-359,2022,SE,FT,Data Architect,90700,USD,90700,CA,100,CA,M
-360,2022,SE,FT,Data Analyst,130000,USD,130000,CA,100,CA,M
-361,2022,SE,FT,Data Analyst,61300,USD,61300,CA,100,CA,M
-362,2022,SE,FT,Data Analyst,130000,USD,130000,CA,100,CA,M
-363,2022,SE,FT,Data Analyst,61300,USD,61300,CA,100,CA,M
-364,2022,SE,FT,Data Engineer,160000,USD,160000,US,0,US,L
-365,2022,SE,FT,Data Scientist,138600,USD,138600,US,100,US,M
-366,2022,SE,FT,Data Engineer,136000,USD,136000,US,0,US,M
-367,2022,MI,FT,Data Analyst,58000,USD,58000,US,0,US,S
-368,2022,EX,FT,Analytics Engineer,135000,USD,135000,US,100,US,M
-369,2022,SE,FT,Data Scientist,170000,USD,170000,US,100,US,M
-370,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-371,2022,SE,FT,Machine Learning Engineer,189650,USD,189650,US,0,US,M
-372,2022,SE,FT,Machine Learning Engineer,164996,USD,164996,US,0,US,M
-373,2022,MI,FT,ETL Developer,50000,EUR,54957,GR,0,GR,M
-374,2022,MI,FT,ETL Developer,50000,EUR,54957,GR,0,GR,M
-375,2022,EX,FT,Lead Data Engineer,150000,CAD,118187,CA,100,CA,S
-376,2022,SE,FT,Data Analyst,132000,USD,132000,US,0,US,M
-377,2022,SE,FT,Data Engineer,165400,USD,165400,US,100,US,M
-378,2022,SE,FT,Data Architect,208775,USD,208775,US,100,US,M
-379,2022,SE,FT,Data Architect,147800,USD,147800,US,100,US,M
-380,2022,SE,FT,Data Engineer,136994,USD,136994,US,100,US,M
-381,2022,SE,FT,Data Engineer,101570,USD,101570,US,100,US,M
-382,2022,SE,FT,Data Analyst,128875,USD,128875,US,100,US,M
-383,2022,SE,FT,Data Analyst,93700,USD,93700,US,100,US,M
-384,2022,EX,FT,Head of Machine Learning,6000000,INR,79039,IN,50,IN,L
-385,2022,SE,FT,Data Engineer,132320,USD,132320,US,100,US,M
-386,2022,EN,FT,Machine Learning Engineer,28500,GBP,37300,GB,100,GB,L
-387,2022,SE,FT,Data Analyst,164000,USD,164000,US,0,US,M
-388,2022,SE,FT,Data Engineer,155000,USD,155000,US,100,US,M
-389,2022,MI,FT,Machine Learning Engineer,95000,GBP,124333,GB,0,GB,M
-390,2022,MI,FT,Machine Learning Engineer,75000,GBP,98158,GB,0,GB,M
-391,2022,MI,FT,AI Scientist,120000,USD,120000,US,0,US,M
-392,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-393,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-394,2022,SE,FT,Data Analytics Manager,145000,USD,145000,US,100,US,M
-395,2022,SE,FT,Data Analytics Manager,105400,USD,105400,US,100,US,M
-396,2022,MI,FT,Machine Learning Engineer,80000,EUR,87932,FR,100,DE,M
-397,2022,MI,FT,Data Engineer,90000,GBP,117789,GB,0,GB,M
-398,2022,SE,FT,Data Scientist,215300,USD,215300,US,100,US,L
-399,2022,SE,FT,Data Scientist,158200,USD,158200,US,100,US,L
-400,2022,SE,FT,Data Engineer,209100,USD,209100,US,100,US,L
-401,2022,SE,FT,Data Engineer,154600,USD,154600,US,100,US,L
-402,2022,SE,FT,Data Analyst,115934,USD,115934,US,0,US,M
-403,2022,SE,FT,Data Analyst,81666,USD,81666,US,0,US,M
-404,2022,SE,FT,Data Engineer,175000,USD,175000,US,100,US,M
-405,2022,MI,FT,Data Engineer,75000,GBP,98158,GB,0,GB,M
-406,2022,MI,FT,Data Analyst,58000,USD,58000,US,0,US,S
-407,2022,SE,FT,Data Engineer,183600,USD,183600,US,100,US,L
-408,2022,MI,FT,Data Analyst,40000,GBP,52351,GB,100,GB,M
-409,2022,SE,FT,Data Scientist,180000,USD,180000,US,100,US,M
-410,2022,MI,FT,Data Scientist,55000,GBP,71982,GB,0,GB,M
-411,2022,MI,FT,Data Scientist,35000,GBP,45807,GB,0,GB,M
-412,2022,MI,FT,Data Engineer,60000,EUR,65949,GR,100,GR,M
-413,2022,MI,FT,Data Engineer,45000,EUR,49461,GR,100,GR,M
-414,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,100,GB,M
-415,2022,MI,FT,Data Engineer,45000,GBP,58894,GB,100,GB,M
-416,2022,SE,FT,Data Scientist,260000,USD,260000,US,100,US,M
-417,2022,SE,FT,Data Science Engineer,60000,USD,60000,AR,100,MX,L
-418,2022,MI,FT,Data Engineer,63900,USD,63900,US,0,US,M
-419,2022,MI,FT,Machine Learning Scientist,160000,USD,160000,US,100,US,L
-420,2022,MI,FT,Machine Learning Scientist,112300,USD,112300,US,100,US,L
-421,2022,MI,FT,Data Science Manager,241000,USD,241000,US,100,US,M
-422,2022,MI,FT,Data Science Manager,159000,USD,159000,US,100,US,M
-423,2022,SE,FT,Data Scientist,180000,USD,180000,US,0,US,M
-424,2022,SE,FT,Data Scientist,80000,USD,80000,US,0,US,M
-425,2022,MI,FT,Data Engineer,82900,USD,82900,US,0,US,M
-426,2022,SE,FT,Data Engineer,100800,USD,100800,US,100,US,L
-427,2022,MI,FT,Data Engineer,45000,EUR,49461,ES,100,ES,M
-428,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,L
-429,2022,MI,FT,Data Analyst,30000,GBP,39263,GB,100,GB,M
-430,2022,MI,FT,Data Analyst,40000,EUR,43966,ES,100,ES,M
-431,2022,MI,FT,Data Analyst,30000,EUR,32974,ES,100,ES,M
-432,2022,MI,FT,Data Engineer,80000,EUR,87932,ES,100,ES,M
-433,2022,MI,FT,Data Engineer,70000,EUR,76940,ES,100,ES,M
-434,2022,MI,FT,Data Engineer,80000,GBP,104702,GB,100,GB,M
-435,2022,MI,FT,Data Engineer,70000,GBP,91614,GB,100,GB,M
-436,2022,MI,FT,Data Engineer,60000,EUR,65949,ES,100,ES,M
-437,2022,MI,FT,Data Engineer,80000,EUR,87932,GR,100,GR,M
-438,2022,SE,FT,Machine Learning Engineer,189650,USD,189650,US,0,US,M
-439,2022,SE,FT,Machine Learning Engineer,164996,USD,164996,US,0,US,M
-440,2022,MI,FT,Data Analyst,40000,EUR,43966,GR,100,GR,M
-441,2022,MI,FT,Data Analyst,30000,EUR,32974,GR,100,GR,M
-442,2022,MI,FT,Data Engineer,75000,GBP,98158,GB,100,GB,M
-443,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,100,GB,M
-444,2022,SE,FT,Data Scientist,215300,USD,215300,US,0,US,L
-445,2022,MI,FT,Data Engineer,70000,EUR,76940,GR,100,GR,M
-446,2022,SE,FT,Data Engineer,209100,USD,209100,US,100,US,L
-447,2022,SE,FT,Data Engineer,154600,USD,154600,US,100,US,L
-448,2022,SE,FT,Data Engineer,180000,USD,180000,US,100,US,M
-449,2022,EN,FT,ML Engineer,20000,EUR,21983,PT,100,PT,L
-450,2022,SE,FT,Data Engineer,80000,USD,80000,US,100,US,M
-451,2022,MI,FT,Machine Learning Developer,100000,CAD,78791,CA,100,CA,M
-452,2022,EX,FT,Director of Data Science,250000,CAD,196979,CA,50,CA,L
-453,2022,MI,FT,Machine Learning Engineer,120000,USD,120000,US,100,US,S
-454,2022,EN,FT,Computer Vision Engineer,125000,USD,125000,US,0,US,M
-455,2022,MI,FT,NLP Engineer,240000,CNY,37236,US,50,US,L
-456,2022,SE,FT,Data Engineer,105000,USD,105000,US,100,US,M
-457,2022,SE,FT,Lead Machine Learning Engineer,80000,EUR,87932,DE,0,DE,M
-458,2022,MI,FT,Business Data Analyst,1400000,INR,18442,IN,100,IN,M
-459,2022,MI,FT,Data Scientist,2400000,INR,31615,IN,100,IN,L
-460,2022,MI,FT,Machine Learning Infrastructure Engineer,53000,EUR,58255,PT,50,PT,L
-461,2022,EN,FT,Financial Data Analyst,100000,USD,100000,US,50,US,L
-462,2022,MI,PT,Data Engineer,50000,EUR,54957,DE,50,DE,L
-463,2022,EN,FT,Data Scientist,1400000,INR,18442,IN,100,IN,M
-464,2022,SE,FT,Principal Data Scientist,148000,EUR,162674,DE,100,DE,M
-465,2022,EN,FT,Data Engineer,120000,USD,120000,US,100,US,M
-466,2022,SE,FT,Research Scientist,144000,USD,144000,US,50,US,L
-467,2022,SE,FT,Data Scientist,104890,USD,104890,US,100,US,M
-468,2022,SE,FT,Data Engineer,100000,USD,100000,US,100,US,M
-469,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-470,2022,MI,FT,Data Analyst,135000,USD,135000,US,100,US,M
-471,2022,MI,FT,Data Analyst,50000,USD,50000,US,100,US,M
-472,2022,SE,FT,Data Scientist,220000,USD,220000,US,100,US,M
-473,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-474,2022,MI,FT,Data Scientist,140000,GBP,183228,GB,0,GB,M
-475,2022,MI,FT,Data Scientist,70000,GBP,91614,GB,0,GB,M
-476,2022,SE,FT,Data Scientist,185100,USD,185100,US,100,US,M
-477,2022,SE,FT,Machine Learning Engineer,220000,USD,220000,US,100,US,M
-478,2022,MI,FT,Data Scientist,200000,USD,200000,US,100,US,M
-479,2022,MI,FT,Data Scientist,120000,USD,120000,US,100,US,M
-480,2022,SE,FT,Machine Learning Engineer,120000,USD,120000,AE,100,AE,S
-481,2022,SE,FT,Machine Learning Engineer,65000,USD,65000,AE,100,AE,S
-482,2022,EX,FT,Data Engineer,324000,USD,324000,US,100,US,M
-483,2022,EX,FT,Data Engineer,216000,USD,216000,US,100,US,M
-484,2022,SE,FT,Data Engineer,210000,USD,210000,US,100,US,M
-485,2022,SE,FT,Machine Learning Engineer,120000,USD,120000,US,100,US,M
-486,2022,SE,FT,Data Scientist,230000,USD,230000,US,100,US,M
-487,2022,EN,PT,Data Scientist,100000,USD,100000,DZ,50,DZ,M
-488,2022,MI,FL,Data Scientist,100000,USD,100000,CA,100,US,M
-489,2022,EN,CT,Applied Machine Learning Scientist,29000,EUR,31875,TN,100,CZ,M
-490,2022,SE,FT,Head of Data,200000,USD,200000,MY,100,US,M
-491,2022,MI,FT,Principal Data Analyst,75000,USD,75000,CA,100,CA,S
-492,2022,MI,FT,Data Scientist,150000,PLN,35590,PL,100,PL,L
-493,2022,SE,FT,Machine Learning Developer,100000,CAD,78791,CA,100,CA,M
-494,2022,SE,FT,Data Scientist,100000,USD,100000,BR,100,US,M
-495,2022,MI,FT,Machine Learning Scientist,153000,USD,153000,US,50,US,M
-496,2022,EN,FT,Data Engineer,52800,EUR,58035,PK,100,DE,M
-497,2022,SE,FT,Data Scientist,165000,USD,165000,US,100,US,M
-498,2022,SE,FT,Research Scientist,85000,EUR,93427,FR,50,FR,L
-499,2022,EN,FT,Data Scientist,66500,CAD,52396,CA,100,CA,L
-500,2022,SE,FT,Machine Learning Engineer,57000,EUR,62651,NL,100,NL,L
-501,2022,MI,FT,Head of Data,30000,EUR,32974,EE,100,EE,S
-502,2022,EN,FT,Data Scientist,40000,USD,40000,JP,100,MY,L
-503,2022,MI,FT,Machine Learning Engineer,121000,AUD,87425,AU,100,AU,L
-504,2022,SE,FT,Data Engineer,115000,USD,115000,US,100,US,M
-505,2022,EN,FT,Data Scientist,120000,AUD,86703,AU,50,AU,M
-506,2022,MI,FT,Applied Machine Learning Scientist,75000,USD,75000,BO,100,US,L
-507,2022,MI,FT,Research Scientist,59000,EUR,64849,AT,0,AT,L
-508,2022,EN,FT,Research Scientist,120000,USD,120000,US,100,US,L
-509,2022,MI,FT,Applied Data Scientist,157000,USD,157000,US,100,US,L
-510,2022,EN,FT,Computer Vision Software Engineer,150000,USD,150000,AU,100,AU,S
-511,2022,MI,FT,Business Data Analyst,90000,CAD,70912,CA,50,CA,L
-512,2022,EN,FT,Data Engineer,65000,USD,65000,US,100,US,S
-513,2022,SE,FT,Machine Learning Engineer,65000,EUR,71444,IE,100,IE,S
-514,2022,EN,FT,Data Analytics Engineer,20000,USD,20000,PK,0,PK,M
-515,2022,MI,FT,Data Scientist,48000,USD,48000,RU,100,US,S
-516,2022,SE,FT,Data Science Manager,152500,USD,152500,US,100,US,M
-517,2022,MI,FT,Data Engineer,62000,EUR,68147,FR,100,FR,M
-518,2022,MI,FT,Data Scientist,115000,CHF,122346,CH,0,CH,L
-519,2022,SE,FT,Applied Data Scientist,380000,USD,380000,US,100,US,L
-520,2022,MI,FT,Data Scientist,88000,CAD,69336,CA,100,CA,M
-521,2022,EN,FT,Computer Vision Engineer,10000,USD,10000,PT,100,LU,M
-522,2022,MI,FT,Data Analyst,20000,USD,20000,GR,100,GR,S
-523,2022,SE,FT,Data Analytics Lead,405000,USD,405000,US,100,US,L
-524,2022,MI,FT,Data Scientist,135000,USD,135000,US,100,US,L
-525,2022,SE,FT,Applied Data Scientist,177000,USD,177000,US,100,US,L
-526,2022,MI,FT,Data Scientist,78000,USD,78000,US,100,US,M
-527,2022,SE,FT,Data Analyst,135000,USD,135000,US,100,US,M
-528,2022,SE,FT,Data Analyst,100000,USD,100000,US,100,US,M
-529,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-530,2022,MI,FT,Data Analyst,85000,USD,85000,CA,0,CA,M
-531,2022,MI,FT,Data Analyst,75000,USD,75000,CA,0,CA,M
-532,2022,SE,FT,Machine Learning Engineer,214000,USD,214000,US,100,US,M
-533,2022,SE,FT,Machine Learning Engineer,192600,USD,192600,US,100,US,M
-534,2022,SE,FT,Data Architect,266400,USD,266400,US,100,US,M
-535,2022,SE,FT,Data Architect,213120,USD,213120,US,100,US,M
-536,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-537,2022,SE,FT,Data Engineer,155000,USD,155000,US,100,US,M
-538,2022,MI,FT,Data Scientist,141300,USD,141300,US,0,US,M
-539,2022,MI,FT,Data Scientist,102100,USD,102100,US,0,US,M
-540,2022,SE,FT,Data Analyst,115934,USD,115934,US,100,US,M
-541,2022,SE,FT,Data Analyst,81666,USD,81666,US,100,US,M
-542,2022,MI,FT,Data Engineer,206699,USD,206699,US,0,US,M
-543,2022,MI,FT,Data Engineer,99100,USD,99100,US,0,US,M
-544,2022,SE,FT,Data Engineer,130000,USD,130000,US,100,US,M
-545,2022,SE,FT,Data Engineer,115000,USD,115000,US,100,US,M
-546,2022,SE,FT,Data Engineer,110500,USD,110500,US,100,US,M
-547,2022,SE,FT,Data Engineer,130000,USD,130000,US,100,US,M
-548,2022,SE,FT,Data Analyst,99050,USD,99050,US,100,US,M
-549,2022,SE,FT,Data Engineer,160000,USD,160000,US,100,US,M
-550,2022,SE,FT,Data Scientist,205300,USD,205300,US,0,US,L
-551,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,L
-552,2022,SE,FT,Data Scientist,176000,USD,176000,US,100,US,M
-553,2022,SE,FT,Data Scientist,144000,USD,144000,US,100,US,M
-554,2022,SE,FT,Data Engineer,200100,USD,200100,US,100,US,M
-555,2022,SE,FT,Data Engineer,160000,USD,160000,US,100,US,M
-556,2022,SE,FT,Data Engineer,145000,USD,145000,US,100,US,M
-557,2022,SE,FT,Data Engineer,70500,USD,70500,US,0,US,M
-558,2022,SE,FT,Data Scientist,205300,USD,205300,US,0,US,M
-559,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,M
-560,2022,SE,FT,Analytics Engineer,205300,USD,205300,US,0,US,M
-561,2022,SE,FT,Analytics Engineer,184700,USD,184700,US,0,US,M
-562,2022,SE,FT,Data Engineer,175100,USD,175100,US,100,US,M
-563,2022,SE,FT,Data Engineer,140250,USD,140250,US,100,US,M
-564,2022,SE,FT,Data Analyst,116150,USD,116150,US,100,US,M
-565,2022,SE,FT,Data Engineer,54000,USD,54000,US,0,US,M
-566,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-567,2022,MI,FT,Data Analyst,50000,GBP,65438,GB,0,GB,M
-568,2022,SE,FT,Data Analyst,80000,USD,80000,US,100,US,M
-569,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-570,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-571,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-572,2022,SE,FT,Data Analyst,100000,USD,100000,US,100,US,M
-573,2022,SE,FT,Data Analyst,69000,USD,69000,US,100,US,M
-574,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-575,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-576,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-577,2022,SE,FT,Data Analyst,150075,USD,150075,US,100,US,M
-578,2022,SE,FT,Data Engineer,100000,USD,100000,US,100,US,M
-579,2022,SE,FT,Data Engineer,25000,USD,25000,US,100,US,M
-580,2022,SE,FT,Data Analyst,126500,USD,126500,US,100,US,M
-581,2022,SE,FT,Data Analyst,106260,USD,106260,US,100,US,M
-582,2022,SE,FT,Data Engineer,220110,USD,220110,US,100,US,M
-583,2022,SE,FT,Data Engineer,160080,USD,160080,US,100,US,M
-584,2022,SE,FT,Data Analyst,105000,USD,105000,US,100,US,M
-585,2022,SE,FT,Data Analyst,110925,USD,110925,US,100,US,M
-586,2022,MI,FT,Data Analyst,35000,GBP,45807,GB,0,GB,M
-587,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-588,2022,SE,FT,Data Analyst,99000,USD,99000,US,0,US,M
-589,2022,SE,FT,Data Analyst,60000,USD,60000,US,100,US,M
-590,2022,SE,FT,Data Architect,192564,USD,192564,US,100,US,M
-591,2022,SE,FT,Data Architect,144854,USD,144854,US,100,US,M
-592,2022,SE,FT,Data Scientist,230000,USD,230000,US,100,US,M
-593,2022,SE,FT,Data Scientist,150000,USD,150000,US,100,US,M
-594,2022,SE,FT,Data Analytics Manager,150260,USD,150260,US,100,US,M
-595,2022,SE,FT,Data Analytics Manager,109280,USD,109280,US,100,US,M
-596,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-597,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-598,2022,MI,FT,Data Scientist,160000,USD,160000,US,100,US,M
-599,2022,MI,FT,Data Scientist,130000,USD,130000,US,100,US,M
-600,2022,EN,FT,Data Analyst,67000,USD,67000,CA,0,CA,M
-601,2022,EN,FT,Data Analyst,52000,USD,52000,CA,0,CA,M
-602,2022,SE,FT,Data Engineer,154000,USD,154000,US,100,US,M
-603,2022,SE,FT,Data Engineer,126000,USD,126000,US,100,US,M
-604,2022,SE,FT,Data Analyst,129000,USD,129000,US,0,US,M
-605,2022,SE,FT,Data Analyst,150000,USD,150000,US,100,US,M
-606,2022,MI,FT,AI Scientist,200000,USD,200000,IN,100,US,L

degtyarev_mikhail_lab_3/main.py

@@ -1,53 +0,0 @@
-import pandas as pd
-from sklearn.model_selection import train_test_split
-from sklearn.tree import DecisionTreeClassifier
-from sklearn.metrics import accuracy_score, mean_squared_error
-from sklearn.preprocessing import LabelEncoder
-
-# Загрузка данных и удаление столбца 'Unnamed: 0'
-data = pd.read_csv('ds_salaries.csv').drop('Unnamed: 0', axis=1)
-
-# Определение признаков и целевой переменной
-features = ['experience_level', 'employment_type', 'company_location', 'company_size']
-target = 'job_title'
-
-# Преобразование категориальных признаков в числовые
-label_encoder = LabelEncoder()
-for feature in features:
-    data[feature] = label_encoder.fit_transform(data[feature])
-
-# Преобразование целевой переменной в числовой формат
-data[target] = label_encoder.fit_transform(data[target])
-
-# Разделение данных на обучающий (99%) и тестовый (1%) наборы
-train_data, test_data = train_test_split(data, test_size=0.01, random_state=42)
-
-# Создание модели дерева решений
-model = DecisionTreeClassifier(random_state=42)
-
-# Обучение модели
-model.fit(train_data[features], train_data[target])
-
-# Предсказание на тестовом наборе
-predictions = model.predict(test_data[features])
-
-# Обратное преобразование числовых предсказаний в строковый формат
-predictions_str = label_encoder.inverse_transform(predictions)
-
-# Оценка точности модели на тестовом наборе
-accuracy = accuracy_score(test_data[target], predictions)
-print(f'Accuracy: {accuracy * 100:.2f}%')
-
-# Средняя квадратичная ошибка в процентах
-mse = mean_squared_error(test_data[target], predictions)
-print(f'Mean Squared Error: {mse:.2f}%')
-
-feature_importance = model.feature_importances_
-feature_importance_dict = dict(zip(features, feature_importance))
-sorted_feature_importance = sorted(feature_importance_dict.items(), key=lambda x: x[1], reverse=True)
-print("Feature Importance:")
-for feature, importance in sorted_feature_importance:
-    print(f"{feature}: {importance}")
-
-print("First 5 rows of test data:")
-print(test_data.head())

degtyarev_mikhail_lab_4/Readme.md

@@ -1,74 +0,0 @@
-# Лабораторная 4
-## Вариант 9
-
-## Задание
-Использовать метод кластеризации t-SNE,самостоятельно  сформулировав  задачу. Интерпретировать результаты и оценить, насколько хорошо он подходит для решения сформулированной вамизадачи.
-
-Задача:
-- Можно использовать кластеризацию для группировки компаний на основе их местоположения (company_location) и размера (company_size). Это поможет выделить группы компаний с похожими характеристиками.
-
-## Описание Программы
-Программа выполняет кластеризацию компаний на основе их местоположения (company_location) и размера (company_size) с использованием методов t-SNE и KMeans. 
-
-### Используемые библиотеки
-`pandas:`
-
-Используется для загрузки данных из CSV-файла и работы с ними в виде датафрейма (pd.read_csv, pd.DataFrame).
-
-`LabelEncoder (из scikit-learn):`
-
-Применяется для преобразования категориальных переменных (company_location и company_size) в числовые значения (le.fit_transform).
-
-`TSNE (из scikit-learn):`
-
-Используется для выполнения уменьшения размерности данных с помощью метода t-SNE (TSNE(n_components=2, random_state=42)).
-
-`KMeans (из scikit-learn):`
-
-Применяется для кластеризации данных методом KMeans (KMeans(n_clusters=3, random_state=42)).
-
-`matplotlib и seaborn:`
-
-Используются для визуализации данных и построения графика, который отображает результаты кластеризации (plt.figure, sns.scatterplot, plt.title, plt.show).
-
-### Шаги программы
-
-**Загрузка данных:**
-
-Данные о компаниях загружаются из CSV-файла "ds_salaries.csv" с использованием pandas.
-
-**Преобразование категориальных переменных:**
-
-Местоположение компаний (company_location) и их размер (company_size) преобразуются из категориальных в числовые значения с помощью LabelEncoder.
-
-**Выбор признаков:**
-
-Выбираются признаки для анализа, в данном случае, местоположение и размер компаний.
-
-**Уменьшение размерности с использованием t-SNE:**
-
-Применяется метод t-SNE для уменьшения размерности данных до двух компонент.
-
-**Кластеризация данных с использованием KMeans:**
-
-Кластеризация данных выполняется с помощью метода KMeans с 3 кластерами, определенными на основе результата t-SNE.
-
-**Создание и визуализация нового датафрейма:**
-
-Создается новый датафрейм (data_tsne_df), содержащий новые координаты компаний после применения t-SNE, а также метки кластеров.
-Добавляется номер кластера к исходным данным.
-
-**Визуализация кластеров:**
-
-Выполняется визуализация результатов кластеризации с использованием библиотеки seaborn.
-
-### Запуск программы
-- Склонировать или скачать код `main.py`.
-- Запустите файл в среде, поддерживающей выполнение Python. `python main.py`
-
-### Результаты
-![](img.png)
-
-На графике представлены компании в двумерном пространстве, где каждая точка относится к конкретному кластеру. Различные цвета точек обозначают принадлежность к разным кластерам.
-
-Кластеры можно рассматривать как группы компаний с схожими характеристиками местоположения и размера. Компании, находящиеся близко в двумерном пространстве, могут иметь схожие характеристики.

degtyarev_mikhail_lab_4/ds_salaries.csv

@@ -1,608 +0,0 @@
-,work_year,experience_level,employment_type,job_title,salary,salary_currency,salary_in_usd,employee_residence,remote_ratio,company_location,company_size
-0,2020,MI,FT,Data Scientist,70000,EUR,79833,DE,0,DE,L
-1,2020,SE,FT,Machine Learning Scientist,260000,USD,260000,JP,0,JP,S
-2,2020,SE,FT,Big Data Engineer,85000,GBP,109024,GB,50,GB,M
-3,2020,MI,FT,Product Data Analyst,20000,USD,20000,HN,0,HN,S
-4,2020,SE,FT,Machine Learning Engineer,150000,USD,150000,US,50,US,L
-5,2020,EN,FT,Data Analyst,72000,USD,72000,US,100,US,L
-6,2020,SE,FT,Lead Data Scientist,190000,USD,190000,US,100,US,S
-7,2020,MI,FT,Data Scientist,11000000,HUF,35735,HU,50,HU,L
-8,2020,MI,FT,Business Data Analyst,135000,USD,135000,US,100,US,L
-9,2020,SE,FT,Lead Data Engineer,125000,USD,125000,NZ,50,NZ,S
-10,2020,EN,FT,Data Scientist,45000,EUR,51321,FR,0,FR,S
-11,2020,MI,FT,Data Scientist,3000000,INR,40481,IN,0,IN,L
-12,2020,EN,FT,Data Scientist,35000,EUR,39916,FR,0,FR,M
-13,2020,MI,FT,Lead Data Analyst,87000,USD,87000,US,100,US,L
-14,2020,MI,FT,Data Analyst,85000,USD,85000,US,100,US,L
-15,2020,MI,FT,Data Analyst,8000,USD,8000,PK,50,PK,L
-16,2020,EN,FT,Data Engineer,4450000,JPY,41689,JP,100,JP,S
-17,2020,SE,FT,Big Data Engineer,100000,EUR,114047,PL,100,GB,S
-18,2020,EN,FT,Data Science Consultant,423000,INR,5707,IN,50,IN,M
-19,2020,MI,FT,Lead Data Engineer,56000,USD,56000,PT,100,US,M
-20,2020,MI,FT,Machine Learning Engineer,299000,CNY,43331,CN,0,CN,M
-21,2020,MI,FT,Product Data Analyst,450000,INR,6072,IN,100,IN,L
-22,2020,SE,FT,Data Engineer,42000,EUR,47899,GR,50,GR,L
-23,2020,MI,FT,BI Data Analyst,98000,USD,98000,US,0,US,M
-24,2020,MI,FT,Lead Data Scientist,115000,USD,115000,AE,0,AE,L
-25,2020,EX,FT,Director of Data Science,325000,USD,325000,US,100,US,L
-26,2020,EN,FT,Research Scientist,42000,USD,42000,NL,50,NL,L
-27,2020,SE,FT,Data Engineer,720000,MXN,33511,MX,0,MX,S
-28,2020,EN,CT,Business Data Analyst,100000,USD,100000,US,100,US,L
-29,2020,SE,FT,Machine Learning Manager,157000,CAD,117104,CA,50,CA,L
-30,2020,MI,FT,Data Engineering Manager,51999,EUR,59303,DE,100,DE,S
-31,2020,EN,FT,Big Data Engineer,70000,USD,70000,US,100,US,L
-32,2020,SE,FT,Data Scientist,60000,EUR,68428,GR,100,US,L
-33,2020,MI,FT,Research Scientist,450000,USD,450000,US,0,US,M
-34,2020,MI,FT,Data Analyst,41000,EUR,46759,FR,50,FR,L
-35,2020,MI,FT,Data Engineer,65000,EUR,74130,AT,50,AT,L
-36,2020,MI,FT,Data Science Consultant,103000,USD,103000,US,100,US,L
-37,2020,EN,FT,Machine Learning Engineer,250000,USD,250000,US,50,US,L
-38,2020,EN,FT,Data Analyst,10000,USD,10000,NG,100,NG,S
-39,2020,EN,FT,Machine Learning Engineer,138000,USD,138000,US,100,US,S
-40,2020,MI,FT,Data Scientist,45760,USD,45760,PH,100,US,S
-41,2020,EX,FT,Data Engineering Manager,70000,EUR,79833,ES,50,ES,L
-42,2020,MI,FT,Machine Learning Infrastructure Engineer,44000,EUR,50180,PT,0,PT,M
-43,2020,MI,FT,Data Engineer,106000,USD,106000,US,100,US,L
-44,2020,MI,FT,Data Engineer,88000,GBP,112872,GB,50,GB,L
-45,2020,EN,PT,ML Engineer,14000,EUR,15966,DE,100,DE,S
-46,2020,MI,FT,Data Scientist,60000,GBP,76958,GB,100,GB,S
-47,2020,SE,FT,Data Engineer,188000,USD,188000,US,100,US,L
-48,2020,MI,FT,Data Scientist,105000,USD,105000,US,100,US,L
-49,2020,MI,FT,Data Engineer,61500,EUR,70139,FR,50,FR,L
-50,2020,EN,FT,Data Analyst,450000,INR,6072,IN,0,IN,S
-51,2020,EN,FT,Data Analyst,91000,USD,91000,US,100,US,L
-52,2020,EN,FT,AI Scientist,300000,DKK,45896,DK,50,DK,S
-53,2020,EN,FT,Data Engineer,48000,EUR,54742,PK,100,DE,L
-54,2020,SE,FL,Computer Vision Engineer,60000,USD,60000,RU,100,US,S
-55,2020,SE,FT,Principal Data Scientist,130000,EUR,148261,DE,100,DE,M
-56,2020,MI,FT,Data Scientist,34000,EUR,38776,ES,100,ES,M
-57,2020,MI,FT,Data Scientist,118000,USD,118000,US,100,US,M
-58,2020,SE,FT,Data Scientist,120000,USD,120000,US,50,US,L
-59,2020,MI,FT,Data Scientist,138350,USD,138350,US,100,US,M
-60,2020,MI,FT,Data Engineer,110000,USD,110000,US,100,US,L
-61,2020,MI,FT,Data Engineer,130800,USD,130800,ES,100,US,M
-62,2020,EN,PT,Data Scientist,19000,EUR,21669,IT,50,IT,S
-63,2020,SE,FT,Data Scientist,412000,USD,412000,US,100,US,L
-64,2020,SE,FT,Machine Learning Engineer,40000,EUR,45618,HR,100,HR,S
-65,2020,EN,FT,Data Scientist,55000,EUR,62726,DE,50,DE,S
-66,2020,EN,FT,Data Scientist,43200,EUR,49268,DE,0,DE,S
-67,2020,SE,FT,Data Science Manager,190200,USD,190200,US,100,US,M
-68,2020,EN,FT,Data Scientist,105000,USD,105000,US,100,US,S
-69,2020,SE,FT,Data Scientist,80000,EUR,91237,AT,0,AT,S
-70,2020,MI,FT,Data Scientist,55000,EUR,62726,FR,50,LU,S
-71,2020,MI,FT,Data Scientist,37000,EUR,42197,FR,50,FR,S
-72,2021,EN,FT,Research Scientist,60000,GBP,82528,GB,50,GB,L
-73,2021,EX,FT,BI Data Analyst,150000,USD,150000,IN,100,US,L
-74,2021,EX,FT,Head of Data,235000,USD,235000,US,100,US,L
-75,2021,SE,FT,Data Scientist,45000,EUR,53192,FR,50,FR,L
-76,2021,MI,FT,BI Data Analyst,100000,USD,100000,US,100,US,M
-77,2021,MI,PT,3D Computer Vision Researcher,400000,INR,5409,IN,50,IN,M
-78,2021,MI,CT,ML Engineer,270000,USD,270000,US,100,US,L
-79,2021,EN,FT,Data Analyst,80000,USD,80000,US,100,US,M
-80,2021,SE,FT,Data Analytics Engineer,67000,EUR,79197,DE,100,DE,L
-81,2021,MI,FT,Data Engineer,140000,USD,140000,US,100,US,L
-82,2021,MI,FT,Applied Data Scientist,68000,CAD,54238,GB,50,CA,L
-83,2021,MI,FT,Machine Learning Engineer,40000,EUR,47282,ES,100,ES,S
-84,2021,EX,FT,Director of Data Science,130000,EUR,153667,IT,100,PL,L
-85,2021,MI,FT,Data Engineer,110000,PLN,28476,PL,100,PL,L
-86,2021,EN,FT,Data Analyst,50000,EUR,59102,FR,50,FR,M
-87,2021,MI,FT,Data Analytics Engineer,110000,USD,110000,US,100,US,L
-88,2021,SE,FT,Lead Data Analyst,170000,USD,170000,US,100,US,L
-89,2021,SE,FT,Data Analyst,80000,USD,80000,BG,100,US,S
-90,2021,SE,FT,Marketing Data Analyst,75000,EUR,88654,GR,100,DK,L
-91,2021,EN,FT,Data Science Consultant,65000,EUR,76833,DE,100,DE,S
-92,2021,MI,FT,Lead Data Analyst,1450000,INR,19609,IN,100,IN,L
-93,2021,SE,FT,Lead Data Engineer,276000,USD,276000,US,0,US,L
-94,2021,EN,FT,Data Scientist,2200000,INR,29751,IN,50,IN,L
-95,2021,MI,FT,Cloud Data Engineer,120000,SGD,89294,SG,50,SG,L
-96,2021,EN,PT,AI Scientist,12000,USD,12000,BR,100,US,S
-97,2021,MI,FT,Financial Data Analyst,450000,USD,450000,US,100,US,L
-98,2021,EN,FT,Computer Vision Software Engineer,70000,USD,70000,US,100,US,M
-99,2021,MI,FT,Computer Vision Software Engineer,81000,EUR,95746,DE,100,US,S
-100,2021,MI,FT,Data Analyst,75000,USD,75000,US,0,US,L
-101,2021,SE,FT,Data Engineer,150000,USD,150000,US,100,US,L
-102,2021,MI,FT,BI Data Analyst,11000000,HUF,36259,HU,50,US,L
-103,2021,MI,FT,Data Analyst,62000,USD,62000,US,0,US,L
-104,2021,MI,FT,Data Scientist,73000,USD,73000,US,0,US,L
-105,2021,MI,FT,Data Analyst,37456,GBP,51519,GB,50,GB,L
-106,2021,MI,FT,Research Scientist,235000,CAD,187442,CA,100,CA,L
-107,2021,SE,FT,Data Engineer,115000,USD,115000,US,100,US,S
-108,2021,SE,FT,Data Engineer,150000,USD,150000,US,100,US,M
-109,2021,EN,FT,Data Engineer,2250000,INR,30428,IN,100,IN,L
-110,2021,SE,FT,Machine Learning Engineer,80000,EUR,94564,DE,50,DE,L
-111,2021,SE,FT,Director of Data Engineering,82500,GBP,113476,GB,100,GB,M
-112,2021,SE,FT,Lead Data Engineer,75000,GBP,103160,GB,100,GB,S
-113,2021,EN,PT,AI Scientist,12000,USD,12000,PK,100,US,M
-114,2021,MI,FT,Data Engineer,38400,EUR,45391,NL,100,NL,L
-115,2021,EN,FT,Machine Learning Scientist,225000,USD,225000,US,100,US,L
-116,2021,MI,FT,Data Scientist,50000,USD,50000,NG,100,NG,L
-117,2021,MI,FT,Data Science Engineer,34000,EUR,40189,GR,100,GR,M
-118,2021,EN,FT,Data Analyst,90000,USD,90000,US,100,US,S
-119,2021,MI,FT,Data Engineer,200000,USD,200000,US,100,US,L
-120,2021,MI,FT,Big Data Engineer,60000,USD,60000,ES,50,RO,M
-121,2021,SE,FT,Principal Data Engineer,200000,USD,200000,US,100,US,M
-122,2021,EN,FT,Data Analyst,50000,USD,50000,US,100,US,M
-123,2021,EN,FT,Applied Data Scientist,80000,GBP,110037,GB,0,GB,L
-124,2021,EN,PT,Data Analyst,8760,EUR,10354,ES,50,ES,M
-125,2021,MI,FT,Principal Data Scientist,151000,USD,151000,US,100,US,L
-126,2021,SE,FT,Machine Learning Scientist,120000,USD,120000,US,50,US,S
-127,2021,MI,FT,Data Scientist,700000,INR,9466,IN,0,IN,S
-128,2021,EN,FT,Machine Learning Engineer,20000,USD,20000,IN,100,IN,S
-129,2021,SE,FT,Lead Data Scientist,3000000,INR,40570,IN,50,IN,L
-130,2021,EN,FT,Machine Learning Developer,100000,USD,100000,IQ,50,IQ,S
-131,2021,EN,FT,Data Scientist,42000,EUR,49646,FR,50,FR,M
-132,2021,MI,FT,Applied Machine Learning Scientist,38400,USD,38400,VN,100,US,M
-133,2021,SE,FT,Computer Vision Engineer,24000,USD,24000,BR,100,BR,M
-134,2021,EN,FT,Data Scientist,100000,USD,100000,US,0,US,S
-135,2021,MI,FT,Data Analyst,90000,USD,90000,US,100,US,M
-136,2021,MI,FT,ML Engineer,7000000,JPY,63711,JP,50,JP,S
-137,2021,MI,FT,ML Engineer,8500000,JPY,77364,JP,50,JP,S
-138,2021,SE,FT,Principal Data Scientist,220000,USD,220000,US,0,US,L
-139,2021,EN,FT,Data Scientist,80000,USD,80000,US,100,US,M
-140,2021,MI,FT,Data Analyst,135000,USD,135000,US,100,US,L
-141,2021,SE,FT,Data Science Manager,240000,USD,240000,US,0,US,L
-142,2021,SE,FT,Data Engineering Manager,150000,USD,150000,US,0,US,L
-143,2021,MI,FT,Data Scientist,82500,USD,82500,US,100,US,S
-144,2021,MI,FT,Data Engineer,100000,USD,100000,US,100,US,L
-145,2021,SE,FT,Machine Learning Engineer,70000,EUR,82744,BE,50,BE,M
-146,2021,MI,FT,Research Scientist,53000,EUR,62649,FR,50,FR,M
-147,2021,MI,FT,Data Engineer,90000,USD,90000,US,100,US,L
-148,2021,SE,FT,Data Engineering Manager,153000,USD,153000,US,100,US,L
-149,2021,SE,FT,Cloud Data Engineer,160000,USD,160000,BR,100,US,S
-150,2021,SE,FT,Director of Data Science,168000,USD,168000,JP,0,JP,S
-151,2021,MI,FT,Data Scientist,150000,USD,150000,US,100,US,M
-152,2021,MI,FT,Data Scientist,95000,CAD,75774,CA,100,CA,L
-153,2021,EN,FT,Data Scientist,13400,USD,13400,UA,100,UA,L
-154,2021,SE,FT,Data Science Manager,144000,USD,144000,US,100,US,L
-155,2021,SE,FT,Data Science Engineer,159500,CAD,127221,CA,50,CA,L
-156,2021,MI,FT,Data Scientist,160000,SGD,119059,SG,100,IL,M
-157,2021,MI,FT,Applied Machine Learning Scientist,423000,USD,423000,US,50,US,L
-158,2021,SE,FT,Data Analytics Manager,120000,USD,120000,US,100,US,M
-159,2021,EN,FT,Machine Learning Engineer,125000,USD,125000,US,100,US,S
-160,2021,EX,FT,Head of Data,230000,USD,230000,RU,50,RU,L
-161,2021,EX,FT,Head of Data Science,85000,USD,85000,RU,0,RU,M
-162,2021,MI,FT,Data Engineer,24000,EUR,28369,MT,50,MT,L
-163,2021,EN,FT,Data Science Consultant,54000,EUR,63831,DE,50,DE,L
-164,2021,EX,FT,Director of Data Science,110000,EUR,130026,DE,50,DE,M
-165,2021,SE,FT,Data Specialist,165000,USD,165000,US,100,US,L
-166,2021,EN,FT,Data Engineer,80000,USD,80000,US,100,US,L
-167,2021,EX,FT,Director of Data Science,250000,USD,250000,US,0,US,L
-168,2021,EN,FT,BI Data Analyst,55000,USD,55000,US,50,US,S
-169,2021,MI,FT,Data Architect,150000,USD,150000,US,100,US,L
-170,2021,MI,FT,Data Architect,170000,USD,170000,US,100,US,L
-171,2021,MI,FT,Data Engineer,60000,GBP,82528,GB,100,GB,L
-172,2021,EN,FT,Data Analyst,60000,USD,60000,US,100,US,S
-173,2021,SE,FT,Principal Data Scientist,235000,USD,235000,US,100,US,L
-174,2021,SE,FT,Research Scientist,51400,EUR,60757,PT,50,PT,L
-175,2021,SE,FT,Data Engineering Manager,174000,USD,174000,US,100,US,L
-176,2021,MI,FT,Data Scientist,58000,MXN,2859,MX,0,MX,S
-177,2021,MI,FT,Data Scientist,30400000,CLP,40038,CL,100,CL,L
-178,2021,EN,FT,Machine Learning Engineer,81000,USD,81000,US,50,US,S
-179,2021,MI,FT,Data Scientist,420000,INR,5679,IN,100,US,S
-180,2021,MI,FT,Big Data Engineer,1672000,INR,22611,IN,0,IN,L
-181,2021,MI,FT,Data Scientist,76760,EUR,90734,DE,50,DE,L
-182,2021,MI,FT,Data Engineer,22000,EUR,26005,RO,0,US,L
-183,2021,SE,FT,Finance Data Analyst,45000,GBP,61896,GB,50,GB,L
-184,2021,MI,FL,Machine Learning Scientist,12000,USD,12000,PK,50,PK,M
-185,2021,MI,FT,Data Engineer,4000,USD,4000,IR,100,IR,M
-186,2021,SE,FT,Data Analytics Engineer,50000,USD,50000,VN,100,GB,M
-187,2021,EX,FT,Data Science Consultant,59000,EUR,69741,FR,100,ES,S
-188,2021,SE,FT,Data Engineer,65000,EUR,76833,RO,50,GB,S
-189,2021,MI,FT,Machine Learning Engineer,74000,USD,74000,JP,50,JP,S
-190,2021,SE,FT,Data Science Manager,152000,USD,152000,US,100,FR,L
-191,2021,EN,FT,Machine Learning Engineer,21844,USD,21844,CO,50,CO,M
-192,2021,MI,FT,Big Data Engineer,18000,USD,18000,MD,0,MD,S
-193,2021,SE,FT,Data Science Manager,174000,USD,174000,US,100,US,L
-194,2021,SE,FT,Research Scientist,120500,CAD,96113,CA,50,CA,L
-195,2021,MI,FT,Data Scientist,147000,USD,147000,US,50,US,L
-196,2021,EN,FT,BI Data Analyst,9272,USD,9272,KE,100,KE,S
-197,2021,SE,FT,Machine Learning Engineer,1799997,INR,24342,IN,100,IN,L
-198,2021,SE,FT,Data Science Manager,4000000,INR,54094,IN,50,US,L
-199,2021,EN,FT,Data Science Consultant,90000,USD,90000,US,100,US,S
-200,2021,MI,FT,Data Scientist,52000,EUR,61467,DE,50,AT,M
-201,2021,SE,FT,Machine Learning Infrastructure Engineer,195000,USD,195000,US,100,US,M
-202,2021,MI,FT,Data Scientist,32000,EUR,37825,ES,100,ES,L
-203,2021,SE,FT,Research Scientist,50000,USD,50000,FR,100,US,S
-204,2021,MI,FT,Data Scientist,160000,USD,160000,US,100,US,L
-205,2021,MI,FT,Data Scientist,69600,BRL,12901,BR,0,BR,S
-206,2021,SE,FT,Machine Learning Engineer,200000,USD,200000,US,100,US,L
-207,2021,SE,FT,Data Engineer,165000,USD,165000,US,0,US,M
-208,2021,MI,FL,Data Engineer,20000,USD,20000,IT,0,US,L
-209,2021,SE,FT,Data Analytics Manager,120000,USD,120000,US,0,US,L
-210,2021,MI,FT,Machine Learning Engineer,21000,EUR,24823,SI,50,SI,L
-211,2021,MI,FT,Research Scientist,48000,EUR,56738,FR,50,FR,S
-212,2021,MI,FT,Data Engineer,48000,GBP,66022,HK,50,GB,S
-213,2021,EN,FT,Big Data Engineer,435000,INR,5882,IN,0,CH,L
-214,2021,EN,FT,Machine Learning Engineer,21000,EUR,24823,DE,50,DE,M
-215,2021,SE,FT,Principal Data Engineer,185000,USD,185000,US,100,US,L
-216,2021,EN,PT,Computer Vision Engineer,180000,DKK,28609,DK,50,DK,S
-217,2021,MI,FT,Data Scientist,76760,EUR,90734,DE,50,DE,L
-218,2021,MI,FT,Machine Learning Engineer,75000,EUR,88654,BE,100,BE,M
-219,2021,SE,FT,Data Analytics Manager,140000,USD,140000,US,100,US,L
-220,2021,MI,FT,Machine Learning Engineer,180000,PLN,46597,PL,100,PL,L
-221,2021,MI,FT,Data Scientist,85000,GBP,116914,GB,50,GB,L
-222,2021,MI,FT,Data Scientist,2500000,INR,33808,IN,0,IN,M
-223,2021,MI,FT,Data Scientist,40900,GBP,56256,GB,50,GB,L
-224,2021,SE,FT,Machine Learning Scientist,225000,USD,225000,US,100,CA,L
-225,2021,EX,CT,Principal Data Scientist,416000,USD,416000,US,100,US,S
-226,2021,SE,FT,Data Scientist,110000,CAD,87738,CA,100,CA,S
-227,2021,MI,FT,Data Scientist,75000,EUR,88654,DE,50,DE,L
-228,2021,SE,FT,Data Scientist,135000,USD,135000,US,0,US,L
-229,2021,SE,FT,Data Analyst,90000,CAD,71786,CA,100,CA,M
-230,2021,EN,FT,Big Data Engineer,1200000,INR,16228,IN,100,IN,L
-231,2021,SE,FT,ML Engineer,256000,USD,256000,US,100,US,S
-232,2021,SE,FT,Director of Data Engineering,200000,USD,200000,US,100,US,L
-233,2021,SE,FT,Data Analyst,200000,USD,200000,US,100,US,L
-234,2021,MI,FT,Data Architect,180000,USD,180000,US,100,US,L
-235,2021,MI,FT,Head of Data Science,110000,USD,110000,US,0,US,S
-236,2021,MI,FT,Research Scientist,80000,CAD,63810,CA,100,CA,M
-237,2021,MI,FT,Data Scientist,39600,EUR,46809,ES,100,ES,M
-238,2021,EN,FT,Data Scientist,4000,USD,4000,VN,0,VN,M
-239,2021,EN,FT,Data Engineer,1600000,INR,21637,IN,50,IN,M
-240,2021,SE,FT,Data Scientist,130000,CAD,103691,CA,100,CA,L
-241,2021,MI,FT,Data Analyst,80000,USD,80000,US,100,US,L
-242,2021,MI,FT,Data Engineer,110000,USD,110000,US,100,US,L
-243,2021,SE,FT,Data Scientist,165000,USD,165000,US,100,US,L
-244,2021,EN,FT,AI Scientist,1335000,INR,18053,IN,100,AS,S
-245,2021,MI,FT,Data Engineer,52500,GBP,72212,GB,50,GB,L
-246,2021,EN,FT,Data Scientist,31000,EUR,36643,FR,50,FR,L
-247,2021,MI,FT,Data Engineer,108000,TRY,12103,TR,0,TR,M
-248,2021,SE,FT,Data Engineer,70000,GBP,96282,GB,50,GB,L
-249,2021,SE,FT,Principal Data Analyst,170000,USD,170000,US,100,US,M
-250,2021,MI,FT,Data Scientist,115000,USD,115000,US,50,US,L
-251,2021,EN,FT,Data Scientist,90000,USD,90000,US,100,US,S
-252,2021,EX,FT,Principal Data Engineer,600000,USD,600000,US,100,US,L
-253,2021,EN,FT,Data Scientist,2100000,INR,28399,IN,100,IN,M
-254,2021,MI,FT,Data Analyst,93000,USD,93000,US,100,US,L
-255,2021,SE,FT,Big Data Architect,125000,CAD,99703,CA,50,CA,M
-256,2021,MI,FT,Data Engineer,200000,USD,200000,US,100,US,L
-257,2021,SE,FT,Principal Data Scientist,147000,EUR,173762,DE,100,DE,M
-258,2021,SE,FT,Machine Learning Engineer,185000,USD,185000,US,50,US,L
-259,2021,EX,FT,Director of Data Science,120000,EUR,141846,DE,0,DE,L
-260,2021,MI,FT,Data Scientist,130000,USD,130000,US,50,US,L
-261,2021,SE,FT,Data Analyst,54000,EUR,63831,DE,50,DE,L
-262,2021,MI,FT,Data Scientist,1250000,INR,16904,IN,100,IN,S
-263,2021,SE,FT,Machine Learning Engineer,4900000,INR,66265,IN,0,IN,L
-264,2021,MI,FT,Data Scientist,21600,EUR,25532,RS,100,DE,S
-265,2021,SE,FT,Lead Data Engineer,160000,USD,160000,PR,50,US,S
-266,2021,MI,FT,Data Engineer,93150,USD,93150,US,0,US,M
-267,2021,MI,FT,Data Engineer,111775,USD,111775,US,0,US,M
-268,2021,MI,FT,Data Engineer,250000,TRY,28016,TR,100,TR,M
-269,2021,EN,FT,Data Engineer,55000,EUR,65013,DE,50,DE,M
-270,2021,EN,FT,Data Engineer,72500,USD,72500,US,100,US,L
-271,2021,SE,FT,Computer Vision Engineer,102000,BRL,18907,BR,0,BR,M
-272,2021,EN,FT,Data Science Consultant,65000,EUR,76833,DE,0,DE,L
-273,2021,EN,FT,Machine Learning Engineer,85000,USD,85000,NL,100,DE,S
-274,2021,SE,FT,Data Scientist,65720,EUR,77684,FR,50,FR,M
-275,2021,EN,FT,Data Scientist,100000,USD,100000,US,100,US,M
-276,2021,EN,FT,Data Scientist,58000,USD,58000,US,50,US,L
-277,2021,SE,FT,AI Scientist,55000,USD,55000,ES,100,ES,L
-278,2021,SE,FT,Data Scientist,180000,TRY,20171,TR,50,TR,L
-279,2021,EN,FT,Business Data Analyst,50000,EUR,59102,LU,100,LU,L
-280,2021,MI,FT,Data Engineer,112000,USD,112000,US,100,US,L
-281,2021,EN,FT,Research Scientist,100000,USD,100000,JE,0,CN,L
-282,2021,MI,PT,Data Engineer,59000,EUR,69741,NL,100,NL,L
-283,2021,SE,CT,Staff Data Scientist,105000,USD,105000,US,100,US,M
-284,2021,MI,FT,Research Scientist,69999,USD,69999,CZ,50,CZ,L
-285,2021,SE,FT,Data Science Manager,7000000,INR,94665,IN,50,IN,L
-286,2021,SE,FT,Head of Data,87000,EUR,102839,SI,100,SI,L
-287,2021,MI,FT,Data Scientist,109000,USD,109000,US,50,US,L
-288,2021,MI,FT,Machine Learning Engineer,43200,EUR,51064,IT,50,IT,L
-289,2022,SE,FT,Data Engineer,135000,USD,135000,US,100,US,M
-290,2022,SE,FT,Data Analyst,155000,USD,155000,US,100,US,M
-291,2022,SE,FT,Data Analyst,120600,USD,120600,US,100,US,M
-292,2022,MI,FT,Data Scientist,130000,USD,130000,US,0,US,M
-293,2022,MI,FT,Data Scientist,90000,USD,90000,US,0,US,M
-294,2022,MI,FT,Data Engineer,170000,USD,170000,US,100,US,M
-295,2022,MI,FT,Data Engineer,150000,USD,150000,US,100,US,M
-296,2022,SE,FT,Data Analyst,102100,USD,102100,US,100,US,M
-297,2022,SE,FT,Data Analyst,84900,USD,84900,US,100,US,M
-298,2022,SE,FT,Data Scientist,136620,USD,136620,US,100,US,M
-299,2022,SE,FT,Data Scientist,99360,USD,99360,US,100,US,M
-300,2022,SE,FT,Data Scientist,90000,GBP,117789,GB,0,GB,M
-301,2022,SE,FT,Data Scientist,80000,GBP,104702,GB,0,GB,M
-302,2022,SE,FT,Data Scientist,146000,USD,146000,US,100,US,M
-303,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-304,2022,EN,FT,Data Engineer,40000,GBP,52351,GB,100,GB,M
-305,2022,SE,FT,Data Analyst,99000,USD,99000,US,0,US,M
-306,2022,SE,FT,Data Analyst,116000,USD,116000,US,0,US,M
-307,2022,MI,FT,Data Analyst,106260,USD,106260,US,0,US,M
-308,2022,MI,FT,Data Analyst,126500,USD,126500,US,0,US,M
-309,2022,EX,FT,Data Engineer,242000,USD,242000,US,100,US,M
-310,2022,EX,FT,Data Engineer,200000,USD,200000,US,100,US,M
-311,2022,MI,FT,Data Scientist,50000,GBP,65438,GB,0,GB,M
-312,2022,MI,FT,Data Scientist,30000,GBP,39263,GB,0,GB,M
-313,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,0,GB,M
-314,2022,MI,FT,Data Engineer,40000,GBP,52351,GB,0,GB,M
-315,2022,SE,FT,Data Scientist,165220,USD,165220,US,100,US,M
-316,2022,EN,FT,Data Engineer,35000,GBP,45807,GB,100,GB,M
-317,2022,SE,FT,Data Scientist,120160,USD,120160,US,100,US,M
-318,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-319,2022,SE,FT,Data Engineer,181940,USD,181940,US,0,US,M
-320,2022,SE,FT,Data Engineer,132320,USD,132320,US,0,US,M
-321,2022,SE,FT,Data Engineer,220110,USD,220110,US,0,US,M
-322,2022,SE,FT,Data Engineer,160080,USD,160080,US,0,US,M
-323,2022,SE,FT,Data Scientist,180000,USD,180000,US,0,US,L
-324,2022,SE,FT,Data Scientist,120000,USD,120000,US,0,US,L
-325,2022,SE,FT,Data Analyst,124190,USD,124190,US,100,US,M
-326,2022,EX,FT,Data Analyst,130000,USD,130000,US,100,US,M
-327,2022,EX,FT,Data Analyst,110000,USD,110000,US,100,US,M
-328,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-329,2022,MI,FT,Data Analyst,115500,USD,115500,US,100,US,M
-330,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-331,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-332,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-333,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-334,2022,SE,FT,Data Engineer,165400,USD,165400,US,100,US,M
-335,2022,SE,FT,Data Engineer,132320,USD,132320,US,100,US,M
-336,2022,MI,FT,Data Analyst,167000,USD,167000,US,100,US,M
-337,2022,SE,FT,Data Engineer,243900,USD,243900,US,100,US,M
-338,2022,SE,FT,Data Analyst,136600,USD,136600,US,100,US,M
-339,2022,SE,FT,Data Analyst,109280,USD,109280,US,100,US,M
-340,2022,SE,FT,Data Engineer,128875,USD,128875,US,100,US,M
-341,2022,SE,FT,Data Engineer,93700,USD,93700,US,100,US,M
-342,2022,EX,FT,Head of Data Science,224000,USD,224000,US,100,US,M
-343,2022,EX,FT,Head of Data Science,167875,USD,167875,US,100,US,M
-344,2022,EX,FT,Analytics Engineer,175000,USD,175000,US,100,US,M
-345,2022,SE,FT,Data Engineer,156600,USD,156600,US,100,US,M
-346,2022,SE,FT,Data Engineer,108800,USD,108800,US,0,US,M
-347,2022,SE,FT,Data Scientist,95550,USD,95550,US,0,US,M
-348,2022,SE,FT,Data Engineer,113000,USD,113000,US,0,US,L
-349,2022,SE,FT,Data Analyst,135000,USD,135000,US,100,US,M
-350,2022,SE,FT,Data Science Manager,161342,USD,161342,US,100,US,M
-351,2022,SE,FT,Data Science Manager,137141,USD,137141,US,100,US,M
-352,2022,SE,FT,Data Scientist,167000,USD,167000,US,100,US,M
-353,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-354,2022,SE,FT,Data Engineer,60000,GBP,78526,GB,0,GB,M
-355,2022,SE,FT,Data Engineer,50000,GBP,65438,GB,0,GB,M
-356,2022,SE,FT,Data Scientist,150000,USD,150000,US,0,US,M
-357,2022,SE,FT,Data Scientist,211500,USD,211500,US,100,US,M
-358,2022,SE,FT,Data Architect,192400,USD,192400,CA,100,CA,M
-359,2022,SE,FT,Data Architect,90700,USD,90700,CA,100,CA,M
-360,2022,SE,FT,Data Analyst,130000,USD,130000,CA,100,CA,M
-361,2022,SE,FT,Data Analyst,61300,USD,61300,CA,100,CA,M
-362,2022,SE,FT,Data Analyst,130000,USD,130000,CA,100,CA,M
-363,2022,SE,FT,Data Analyst,61300,USD,61300,CA,100,CA,M
-364,2022,SE,FT,Data Engineer,160000,USD,160000,US,0,US,L
-365,2022,SE,FT,Data Scientist,138600,USD,138600,US,100,US,M
-366,2022,SE,FT,Data Engineer,136000,USD,136000,US,0,US,M
-367,2022,MI,FT,Data Analyst,58000,USD,58000,US,0,US,S
-368,2022,EX,FT,Analytics Engineer,135000,USD,135000,US,100,US,M
-369,2022,SE,FT,Data Scientist,170000,USD,170000,US,100,US,M
-370,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-371,2022,SE,FT,Machine Learning Engineer,189650,USD,189650,US,0,US,M
-372,2022,SE,FT,Machine Learning Engineer,164996,USD,164996,US,0,US,M
-373,2022,MI,FT,ETL Developer,50000,EUR,54957,GR,0,GR,M
-374,2022,MI,FT,ETL Developer,50000,EUR,54957,GR,0,GR,M
-375,2022,EX,FT,Lead Data Engineer,150000,CAD,118187,CA,100,CA,S
-376,2022,SE,FT,Data Analyst,132000,USD,132000,US,0,US,M
-377,2022,SE,FT,Data Engineer,165400,USD,165400,US,100,US,M
-378,2022,SE,FT,Data Architect,208775,USD,208775,US,100,US,M
-379,2022,SE,FT,Data Architect,147800,USD,147800,US,100,US,M
-380,2022,SE,FT,Data Engineer,136994,USD,136994,US,100,US,M
-381,2022,SE,FT,Data Engineer,101570,USD,101570,US,100,US,M
-382,2022,SE,FT,Data Analyst,128875,USD,128875,US,100,US,M
-383,2022,SE,FT,Data Analyst,93700,USD,93700,US,100,US,M
-384,2022,EX,FT,Head of Machine Learning,6000000,INR,79039,IN,50,IN,L
-385,2022,SE,FT,Data Engineer,132320,USD,132320,US,100,US,M
-386,2022,EN,FT,Machine Learning Engineer,28500,GBP,37300,GB,100,GB,L
-387,2022,SE,FT,Data Analyst,164000,USD,164000,US,0,US,M
-388,2022,SE,FT,Data Engineer,155000,USD,155000,US,100,US,M
-389,2022,MI,FT,Machine Learning Engineer,95000,GBP,124333,GB,0,GB,M
-390,2022,MI,FT,Machine Learning Engineer,75000,GBP,98158,GB,0,GB,M
-391,2022,MI,FT,AI Scientist,120000,USD,120000,US,0,US,M
-392,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-393,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-394,2022,SE,FT,Data Analytics Manager,145000,USD,145000,US,100,US,M
-395,2022,SE,FT,Data Analytics Manager,105400,USD,105400,US,100,US,M
-396,2022,MI,FT,Machine Learning Engineer,80000,EUR,87932,FR,100,DE,M
-397,2022,MI,FT,Data Engineer,90000,GBP,117789,GB,0,GB,M
-398,2022,SE,FT,Data Scientist,215300,USD,215300,US,100,US,L
-399,2022,SE,FT,Data Scientist,158200,USD,158200,US,100,US,L
-400,2022,SE,FT,Data Engineer,209100,USD,209100,US,100,US,L
-401,2022,SE,FT,Data Engineer,154600,USD,154600,US,100,US,L
-402,2022,SE,FT,Data Analyst,115934,USD,115934,US,0,US,M
-403,2022,SE,FT,Data Analyst,81666,USD,81666,US,0,US,M
-404,2022,SE,FT,Data Engineer,175000,USD,175000,US,100,US,M
-405,2022,MI,FT,Data Engineer,75000,GBP,98158,GB,0,GB,M
-406,2022,MI,FT,Data Analyst,58000,USD,58000,US,0,US,S
-407,2022,SE,FT,Data Engineer,183600,USD,183600,US,100,US,L
-408,2022,MI,FT,Data Analyst,40000,GBP,52351,GB,100,GB,M
-409,2022,SE,FT,Data Scientist,180000,USD,180000,US,100,US,M
-410,2022,MI,FT,Data Scientist,55000,GBP,71982,GB,0,GB,M
-411,2022,MI,FT,Data Scientist,35000,GBP,45807,GB,0,GB,M
-412,2022,MI,FT,Data Engineer,60000,EUR,65949,GR,100,GR,M
-413,2022,MI,FT,Data Engineer,45000,EUR,49461,GR,100,GR,M
-414,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,100,GB,M
-415,2022,MI,FT,Data Engineer,45000,GBP,58894,GB,100,GB,M
-416,2022,SE,FT,Data Scientist,260000,USD,260000,US,100,US,M
-417,2022,SE,FT,Data Science Engineer,60000,USD,60000,AR,100,MX,L
-418,2022,MI,FT,Data Engineer,63900,USD,63900,US,0,US,M
-419,2022,MI,FT,Machine Learning Scientist,160000,USD,160000,US,100,US,L
-420,2022,MI,FT,Machine Learning Scientist,112300,USD,112300,US,100,US,L
-421,2022,MI,FT,Data Science Manager,241000,USD,241000,US,100,US,M
-422,2022,MI,FT,Data Science Manager,159000,USD,159000,US,100,US,M
-423,2022,SE,FT,Data Scientist,180000,USD,180000,US,0,US,M
-424,2022,SE,FT,Data Scientist,80000,USD,80000,US,0,US,M
-425,2022,MI,FT,Data Engineer,82900,USD,82900,US,0,US,M
-426,2022,SE,FT,Data Engineer,100800,USD,100800,US,100,US,L
-427,2022,MI,FT,Data Engineer,45000,EUR,49461,ES,100,ES,M
-428,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,L
-429,2022,MI,FT,Data Analyst,30000,GBP,39263,GB,100,GB,M
-430,2022,MI,FT,Data Analyst,40000,EUR,43966,ES,100,ES,M
-431,2022,MI,FT,Data Analyst,30000,EUR,32974,ES,100,ES,M
-432,2022,MI,FT,Data Engineer,80000,EUR,87932,ES,100,ES,M
-433,2022,MI,FT,Data Engineer,70000,EUR,76940,ES,100,ES,M
-434,2022,MI,FT,Data Engineer,80000,GBP,104702,GB,100,GB,M
-435,2022,MI,FT,Data Engineer,70000,GBP,91614,GB,100,GB,M
-436,2022,MI,FT,Data Engineer,60000,EUR,65949,ES,100,ES,M
-437,2022,MI,FT,Data Engineer,80000,EUR,87932,GR,100,GR,M
-438,2022,SE,FT,Machine Learning Engineer,189650,USD,189650,US,0,US,M
-439,2022,SE,FT,Machine Learning Engineer,164996,USD,164996,US,0,US,M
-440,2022,MI,FT,Data Analyst,40000,EUR,43966,GR,100,GR,M
-441,2022,MI,FT,Data Analyst,30000,EUR,32974,GR,100,GR,M
-442,2022,MI,FT,Data Engineer,75000,GBP,98158,GB,100,GB,M
-443,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,100,GB,M
-444,2022,SE,FT,Data Scientist,215300,USD,215300,US,0,US,L
-445,2022,MI,FT,Data Engineer,70000,EUR,76940,GR,100,GR,M
-446,2022,SE,FT,Data Engineer,209100,USD,209100,US,100,US,L
-447,2022,SE,FT,Data Engineer,154600,USD,154600,US,100,US,L
-448,2022,SE,FT,Data Engineer,180000,USD,180000,US,100,US,M
-449,2022,EN,FT,ML Engineer,20000,EUR,21983,PT,100,PT,L
-450,2022,SE,FT,Data Engineer,80000,USD,80000,US,100,US,M
-451,2022,MI,FT,Machine Learning Developer,100000,CAD,78791,CA,100,CA,M
-452,2022,EX,FT,Director of Data Science,250000,CAD,196979,CA,50,CA,L
-453,2022,MI,FT,Machine Learning Engineer,120000,USD,120000,US,100,US,S
-454,2022,EN,FT,Computer Vision Engineer,125000,USD,125000,US,0,US,M
-455,2022,MI,FT,NLP Engineer,240000,CNY,37236,US,50,US,L
-456,2022,SE,FT,Data Engineer,105000,USD,105000,US,100,US,M
-457,2022,SE,FT,Lead Machine Learning Engineer,80000,EUR,87932,DE,0,DE,M
-458,2022,MI,FT,Business Data Analyst,1400000,INR,18442,IN,100,IN,M
-459,2022,MI,FT,Data Scientist,2400000,INR,31615,IN,100,IN,L
-460,2022,MI,FT,Machine Learning Infrastructure Engineer,53000,EUR,58255,PT,50,PT,L
-461,2022,EN,FT,Financial Data Analyst,100000,USD,100000,US,50,US,L
-462,2022,MI,PT,Data Engineer,50000,EUR,54957,DE,50,DE,L
-463,2022,EN,FT,Data Scientist,1400000,INR,18442,IN,100,IN,M
-464,2022,SE,FT,Principal Data Scientist,148000,EUR,162674,DE,100,DE,M
-465,2022,EN,FT,Data Engineer,120000,USD,120000,US,100,US,M
-466,2022,SE,FT,Research Scientist,144000,USD,144000,US,50,US,L
-467,2022,SE,FT,Data Scientist,104890,USD,104890,US,100,US,M
-468,2022,SE,FT,Data Engineer,100000,USD,100000,US,100,US,M
-469,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-470,2022,MI,FT,Data Analyst,135000,USD,135000,US,100,US,M
-471,2022,MI,FT,Data Analyst,50000,USD,50000,US,100,US,M
-472,2022,SE,FT,Data Scientist,220000,USD,220000,US,100,US,M
-473,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-474,2022,MI,FT,Data Scientist,140000,GBP,183228,GB,0,GB,M
-475,2022,MI,FT,Data Scientist,70000,GBP,91614,GB,0,GB,M
-476,2022,SE,FT,Data Scientist,185100,USD,185100,US,100,US,M
-477,2022,SE,FT,Machine Learning Engineer,220000,USD,220000,US,100,US,M
-478,2022,MI,FT,Data Scientist,200000,USD,200000,US,100,US,M
-479,2022,MI,FT,Data Scientist,120000,USD,120000,US,100,US,M
-480,2022,SE,FT,Machine Learning Engineer,120000,USD,120000,AE,100,AE,S
-481,2022,SE,FT,Machine Learning Engineer,65000,USD,65000,AE,100,AE,S
-482,2022,EX,FT,Data Engineer,324000,USD,324000,US,100,US,M
-483,2022,EX,FT,Data Engineer,216000,USD,216000,US,100,US,M
-484,2022,SE,FT,Data Engineer,210000,USD,210000,US,100,US,M
-485,2022,SE,FT,Machine Learning Engineer,120000,USD,120000,US,100,US,M
-486,2022,SE,FT,Data Scientist,230000,USD,230000,US,100,US,M
-487,2022,EN,PT,Data Scientist,100000,USD,100000,DZ,50,DZ,M
-488,2022,MI,FL,Data Scientist,100000,USD,100000,CA,100,US,M
-489,2022,EN,CT,Applied Machine Learning Scientist,29000,EUR,31875,TN,100,CZ,M
-490,2022,SE,FT,Head of Data,200000,USD,200000,MY,100,US,M
-491,2022,MI,FT,Principal Data Analyst,75000,USD,75000,CA,100,CA,S
-492,2022,MI,FT,Data Scientist,150000,PLN,35590,PL,100,PL,L
-493,2022,SE,FT,Machine Learning Developer,100000,CAD,78791,CA,100,CA,M
-494,2022,SE,FT,Data Scientist,100000,USD,100000,BR,100,US,M
-495,2022,MI,FT,Machine Learning Scientist,153000,USD,153000,US,50,US,M
-496,2022,EN,FT,Data Engineer,52800,EUR,58035,PK,100,DE,M
-497,2022,SE,FT,Data Scientist,165000,USD,165000,US,100,US,M
-498,2022,SE,FT,Research Scientist,85000,EUR,93427,FR,50,FR,L
-499,2022,EN,FT,Data Scientist,66500,CAD,52396,CA,100,CA,L
-500,2022,SE,FT,Machine Learning Engineer,57000,EUR,62651,NL,100,NL,L
-501,2022,MI,FT,Head of Data,30000,EUR,32974,EE,100,EE,S
-502,2022,EN,FT,Data Scientist,40000,USD,40000,JP,100,MY,L
-503,2022,MI,FT,Machine Learning Engineer,121000,AUD,87425,AU,100,AU,L
-504,2022,SE,FT,Data Engineer,115000,USD,115000,US,100,US,M
-505,2022,EN,FT,Data Scientist,120000,AUD,86703,AU,50,AU,M
-506,2022,MI,FT,Applied Machine Learning Scientist,75000,USD,75000,BO,100,US,L
-507,2022,MI,FT,Research Scientist,59000,EUR,64849,AT,0,AT,L
-508,2022,EN,FT,Research Scientist,120000,USD,120000,US,100,US,L
-509,2022,MI,FT,Applied Data Scientist,157000,USD,157000,US,100,US,L
-510,2022,EN,FT,Computer Vision Software Engineer,150000,USD,150000,AU,100,AU,S
-511,2022,MI,FT,Business Data Analyst,90000,CAD,70912,CA,50,CA,L
-512,2022,EN,FT,Data Engineer,65000,USD,65000,US,100,US,S
-513,2022,SE,FT,Machine Learning Engineer,65000,EUR,71444,IE,100,IE,S
-514,2022,EN,FT,Data Analytics Engineer,20000,USD,20000,PK,0,PK,M
-515,2022,MI,FT,Data Scientist,48000,USD,48000,RU,100,US,S
-516,2022,SE,FT,Data Science Manager,152500,USD,152500,US,100,US,M
-517,2022,MI,FT,Data Engineer,62000,EUR,68147,FR,100,FR,M
-518,2022,MI,FT,Data Scientist,115000,CHF,122346,CH,0,CH,L
-519,2022,SE,FT,Applied Data Scientist,380000,USD,380000,US,100,US,L
-520,2022,MI,FT,Data Scientist,88000,CAD,69336,CA,100,CA,M
-521,2022,EN,FT,Computer Vision Engineer,10000,USD,10000,PT,100,LU,M
-522,2022,MI,FT,Data Analyst,20000,USD,20000,GR,100,GR,S
-523,2022,SE,FT,Data Analytics Lead,405000,USD,405000,US,100,US,L
-524,2022,MI,FT,Data Scientist,135000,USD,135000,US,100,US,L
-525,2022,SE,FT,Applied Data Scientist,177000,USD,177000,US,100,US,L
-526,2022,MI,FT,Data Scientist,78000,USD,78000,US,100,US,M
-527,2022,SE,FT,Data Analyst,135000,USD,135000,US,100,US,M
-528,2022,SE,FT,Data Analyst,100000,USD,100000,US,100,US,M
-529,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-530,2022,MI,FT,Data Analyst,85000,USD,85000,CA,0,CA,M
-531,2022,MI,FT,Data Analyst,75000,USD,75000,CA,0,CA,M
-532,2022,SE,FT,Machine Learning Engineer,214000,USD,214000,US,100,US,M
-533,2022,SE,FT,Machine Learning Engineer,192600,USD,192600,US,100,US,M
-534,2022,SE,FT,Data Architect,266400,USD,266400,US,100,US,M
-535,2022,SE,FT,Data Architect,213120,USD,213120,US,100,US,M
-536,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-537,2022,SE,FT,Data Engineer,155000,USD,155000,US,100,US,M
-538,2022,MI,FT,Data Scientist,141300,USD,141300,US,0,US,M
-539,2022,MI,FT,Data Scientist,102100,USD,102100,US,0,US,M
-540,2022,SE,FT,Data Analyst,115934,USD,115934,US,100,US,M
-541,2022,SE,FT,Data Analyst,81666,USD,81666,US,100,US,M
-542,2022,MI,FT,Data Engineer,206699,USD,206699,US,0,US,M
-543,2022,MI,FT,Data Engineer,99100,USD,99100,US,0,US,M
-544,2022,SE,FT,Data Engineer,130000,USD,130000,US,100,US,M
-545,2022,SE,FT,Data Engineer,115000,USD,115000,US,100,US,M
-546,2022,SE,FT,Data Engineer,110500,USD,110500,US,100,US,M
-547,2022,SE,FT,Data Engineer,130000,USD,130000,US,100,US,M
-548,2022,SE,FT,Data Analyst,99050,USD,99050,US,100,US,M
-549,2022,SE,FT,Data Engineer,160000,USD,160000,US,100,US,M
-550,2022,SE,FT,Data Scientist,205300,USD,205300,US,0,US,L
-551,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,L
-552,2022,SE,FT,Data Scientist,176000,USD,176000,US,100,US,M
-553,2022,SE,FT,Data Scientist,144000,USD,144000,US,100,US,M
-554,2022,SE,FT,Data Engineer,200100,USD,200100,US,100,US,M
-555,2022,SE,FT,Data Engineer,160000,USD,160000,US,100,US,M
-556,2022,SE,FT,Data Engineer,145000,USD,145000,US,100,US,M
-557,2022,SE,FT,Data Engineer,70500,USD,70500,US,0,US,M
-558,2022,SE,FT,Data Scientist,205300,USD,205300,US,0,US,M
-559,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,M
-560,2022,SE,FT,Analytics Engineer,205300,USD,205300,US,0,US,M
-561,2022,SE,FT,Analytics Engineer,184700,USD,184700,US,0,US,M
-562,2022,SE,FT,Data Engineer,175100,USD,175100,US,100,US,M
-563,2022,SE,FT,Data Engineer,140250,USD,140250,US,100,US,M
-564,2022,SE,FT,Data Analyst,116150,USD,116150,US,100,US,M
-565,2022,SE,FT,Data Engineer,54000,USD,54000,US,0,US,M
-566,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-567,2022,MI,FT,Data Analyst,50000,GBP,65438,GB,0,GB,M
-568,2022,SE,FT,Data Analyst,80000,USD,80000,US,100,US,M
-569,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-570,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-571,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-572,2022,SE,FT,Data Analyst,100000,USD,100000,US,100,US,M
-573,2022,SE,FT,Data Analyst,69000,USD,69000,US,100,US,M
-574,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-575,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-576,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-577,2022,SE,FT,Data Analyst,150075,USD,150075,US,100,US,M
-578,2022,SE,FT,Data Engineer,100000,USD,100000,US,100,US,M
-579,2022,SE,FT,Data Engineer,25000,USD,25000,US,100,US,M
-580,2022,SE,FT,Data Analyst,126500,USD,126500,US,100,US,M
-581,2022,SE,FT,Data Analyst,106260,USD,106260,US,100,US,M
-582,2022,SE,FT,Data Engineer,220110,USD,220110,US,100,US,M
-583,2022,SE,FT,Data Engineer,160080,USD,160080,US,100,US,M
-584,2022,SE,FT,Data Analyst,105000,USD,105000,US,100,US,M
-585,2022,SE,FT,Data Analyst,110925,USD,110925,US,100,US,M
-586,2022,MI,FT,Data Analyst,35000,GBP,45807,GB,0,GB,M
-587,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-588,2022,SE,FT,Data Analyst,99000,USD,99000,US,0,US,M
-589,2022,SE,FT,Data Analyst,60000,USD,60000,US,100,US,M
-590,2022,SE,FT,Data Architect,192564,USD,192564,US,100,US,M
-591,2022,SE,FT,Data Architect,144854,USD,144854,US,100,US,M
-592,2022,SE,FT,Data Scientist,230000,USD,230000,US,100,US,M
-593,2022,SE,FT,Data Scientist,150000,USD,150000,US,100,US,M
-594,2022,SE,FT,Data Analytics Manager,150260,USD,150260,US,100,US,M
-595,2022,SE,FT,Data Analytics Manager,109280,USD,109280,US,100,US,M
-596,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-597,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-598,2022,MI,FT,Data Scientist,160000,USD,160000,US,100,US,M
-599,2022,MI,FT,Data Scientist,130000,USD,130000,US,100,US,M
-600,2022,EN,FT,Data Analyst,67000,USD,67000,CA,0,CA,M
-601,2022,EN,FT,Data Analyst,52000,USD,52000,CA,0,CA,M
-602,2022,SE,FT,Data Engineer,154000,USD,154000,US,100,US,M
-603,2022,SE,FT,Data Engineer,126000,USD,126000,US,100,US,M
-604,2022,SE,FT,Data Analyst,129000,USD,129000,US,0,US,M
-605,2022,SE,FT,Data Analyst,150000,USD,150000,US,100,US,M
-606,2022,MI,FT,AI Scientist,200000,USD,200000,IN,100,US,L

degtyarev_mikhail_lab_4/main.py

@@ -1,41 +0,0 @@
-import pandas as pd
-from sklearn.preprocessing import LabelEncoder
-from sklearn.manifold import TSNE
-from sklearn.cluster import KMeans
-import matplotlib.pyplot as plt
-import seaborn as sns
-
-# Загрузка данных
-data = pd.read_csv("ds_salaries.csv")
-
-# Преобразование категориальных переменных в числовые
-le = LabelEncoder()
-data['company_location'] = le.fit_transform(data['company_location'])
-data['company_size'] = le.fit_transform(data['company_size'])
-
-# Выбор нужных признаков
-features = ['company_location', 'company_size']
-
-# Применение t-SNE для уменьшения размерности
-tsne = TSNE(n_components=2, random_state=42)
-data_tsne = tsne.fit_transform(data[features])
-
-# Кластеризация данных
-kmeans = KMeans(n_clusters=3, random_state=42)
-labels = kmeans.fit_predict(data_tsne)
-
-# Создание датафрейма с новыми координатами и метками кластеров
-data_tsne_df = pd.DataFrame(data=data_tsne, columns=['Dimension 1', 'Dimension 2'])
-data_tsne_df['Cluster'] = labels
-
-# Добавление номера кластера в исходные данные
-data['Cluster'] = labels
-
-# Визуализация
-plt.figure(figsize=(10, 6))
-sns.scatterplot(x='Dimension 1', y='Dimension 2', hue='Cluster', data=data_tsne_df, palette='viridis', s=50)
-plt.title('t-SNE Clustering of Companies')
-plt.show()
-
-# Вывод номера кластера в исходных данных
-print(data[['company_location', 'company_size', 'Cluster']])

degtyarev_mikhail_lab_5/Readme.md

@@ -1,80 +0,0 @@
-# Лабораторная 5
-## Вариант 9
-
-## Задание
-Использовать Ласо-регрессию, самостоятельно  сформулировав  задачу.  Оценить, насколько хорошо она подходит для решения сформулированной вами задачи.
-
-Задача:
-
-Можно использовать регрессию для прогнозирования заработной платы на основе опыта работы (experience_level), типа занятости (employment_type), местоположения компании (company_location) и размера компании (company_size).
-
-## Описание Программы
-Программа представляет собой пример использования Lasso регрессии для прогнозирования заработной платы на основе различных признаков.
-
-### Используемые библиотеки
-- `pandas`: Библиотека для обработки и анализа данных, используется для загрузки и предобработки данных.
-- `scikit-learn`:
-
-train_test_split: Используется для разделения данных на обучающий и тестовый наборы.
-
-StandardScaler: Применяется для нормализации числовых признаков.
-
-OneHotEncoder: Используется для кодирования категориальных признаков.
-
-Lasso: Линейная модель Lasso для обучения регрессии.
-
-Pipeline: Позволяет объединять шаги предварительной обработки данных и обучения модели в пайплайн.
-
-- `matplotlib`: Используется для визуализации коэффициентов модели в виде горизонтальной столбчатой диаграммы.
-- `numpy`: Использована для работы с числовыми данными.
-
-### Шаги программы
-
-**Загрузка данных:**
-
-Используется библиотека pandas для загрузки данных из файла ds_salaries.csv.
-
-**Предварительная обработка данных:**
-
-Категориальные признаки ('experience_level', 'employment_type', 'company_location', 'company_size') обрабатываются с использованием OneHotEncoder, а числовые признаки ('work_year') нормализуются с помощью StandardScaler. Эти шаги объединены в ColumnTransformer и используются в качестве предварительного обработчика данных.
-
-**Выбор признаков:**
-
-Определены признаки, которые будут использоваться для обучения модели.
-
-**Разделение данных:**
-
-Данные разделены на обучающий и тестовый наборы в соотношении 80/20 с использованием train_test_split.
-
-**Обучение модели:**
-
-Используется линейная модель Лассо-регрессия, объединенная с предварительным обработчиком данных в рамках Pipeline.
-
-**Оценка точности модели:**
-
-Вычисляется коэффициент детерминации (R^2 Score) и среднеквадратичная ошибка (Mean Squared Error) для оценки точности модели.
-
-**Вывод предсказанных и фактических значений:**
-
-Создается DataFrame с фактическими и предсказанными значениями и выводится в консоль.
-
-**Визуализация весов (коэффициентов) модели:**
-
-Строится горизонтальная столбчатая диаграмма для визуализации весов (коэффициентов) модели.
-
-### Запуск программы
-- Склонировать или скачать код `main.py`.
-- Запустите файл в среде, поддерживающей выполнение Python. `python main.py`
-
-### Результаты
-![](img.png)
-
-![](cli_res.png)
-
-Точность модели составляет всего 39%, что является довольно низким показателем
-
-MSE довольно высок, что указывает на то, что модель не слишком хорошо соответствует данным и допускает ошибки в предсказаниях
-
-Фактические и предсказанные значения: видно, что модель часто недооценивает или переоценивает заработную плату. Например, для индексов 563 и 289 фактическая заработная плата выше, чем предсказанная.
-
-Изменение alfa не особо улучшает общую картину, поэтому, можно сделать вывод, что следует выбрать другой алгоритм.

degtyarev_mikhail_lab_5/ds_salaries.csv

@@ -1,608 +0,0 @@
-,work_year,experience_level,employment_type,job_title,salary,salary_currency,salary_in_usd,employee_residence,remote_ratio,company_location,company_size
-0,2020,MI,FT,Data Scientist,70000,EUR,79833,DE,0,DE,L
-1,2020,SE,FT,Machine Learning Scientist,260000,USD,260000,JP,0,JP,S
-2,2020,SE,FT,Big Data Engineer,85000,GBP,109024,GB,50,GB,M
-3,2020,MI,FT,Product Data Analyst,20000,USD,20000,HN,0,HN,S
-4,2020,SE,FT,Machine Learning Engineer,150000,USD,150000,US,50,US,L
-5,2020,EN,FT,Data Analyst,72000,USD,72000,US,100,US,L
-6,2020,SE,FT,Lead Data Scientist,190000,USD,190000,US,100,US,S
-7,2020,MI,FT,Data Scientist,11000000,HUF,35735,HU,50,HU,L
-8,2020,MI,FT,Business Data Analyst,135000,USD,135000,US,100,US,L
-9,2020,SE,FT,Lead Data Engineer,125000,USD,125000,NZ,50,NZ,S
-10,2020,EN,FT,Data Scientist,45000,EUR,51321,FR,0,FR,S
-11,2020,MI,FT,Data Scientist,3000000,INR,40481,IN,0,IN,L
-12,2020,EN,FT,Data Scientist,35000,EUR,39916,FR,0,FR,M
-13,2020,MI,FT,Lead Data Analyst,87000,USD,87000,US,100,US,L
-14,2020,MI,FT,Data Analyst,85000,USD,85000,US,100,US,L
-15,2020,MI,FT,Data Analyst,8000,USD,8000,PK,50,PK,L
-16,2020,EN,FT,Data Engineer,4450000,JPY,41689,JP,100,JP,S
-17,2020,SE,FT,Big Data Engineer,100000,EUR,114047,PL,100,GB,S
-18,2020,EN,FT,Data Science Consultant,423000,INR,5707,IN,50,IN,M
-19,2020,MI,FT,Lead Data Engineer,56000,USD,56000,PT,100,US,M
-20,2020,MI,FT,Machine Learning Engineer,299000,CNY,43331,CN,0,CN,M
-21,2020,MI,FT,Product Data Analyst,450000,INR,6072,IN,100,IN,L
-22,2020,SE,FT,Data Engineer,42000,EUR,47899,GR,50,GR,L
-23,2020,MI,FT,BI Data Analyst,98000,USD,98000,US,0,US,M
-24,2020,MI,FT,Lead Data Scientist,115000,USD,115000,AE,0,AE,L
-25,2020,EX,FT,Director of Data Science,325000,USD,325000,US,100,US,L
-26,2020,EN,FT,Research Scientist,42000,USD,42000,NL,50,NL,L
-27,2020,SE,FT,Data Engineer,720000,MXN,33511,MX,0,MX,S
-28,2020,EN,CT,Business Data Analyst,100000,USD,100000,US,100,US,L
-29,2020,SE,FT,Machine Learning Manager,157000,CAD,117104,CA,50,CA,L
-30,2020,MI,FT,Data Engineering Manager,51999,EUR,59303,DE,100,DE,S
-31,2020,EN,FT,Big Data Engineer,70000,USD,70000,US,100,US,L
-32,2020,SE,FT,Data Scientist,60000,EUR,68428,GR,100,US,L
-33,2020,MI,FT,Research Scientist,450000,USD,450000,US,0,US,M
-34,2020,MI,FT,Data Analyst,41000,EUR,46759,FR,50,FR,L
-35,2020,MI,FT,Data Engineer,65000,EUR,74130,AT,50,AT,L
-36,2020,MI,FT,Data Science Consultant,103000,USD,103000,US,100,US,L
-37,2020,EN,FT,Machine Learning Engineer,250000,USD,250000,US,50,US,L
-38,2020,EN,FT,Data Analyst,10000,USD,10000,NG,100,NG,S
-39,2020,EN,FT,Machine Learning Engineer,138000,USD,138000,US,100,US,S
-40,2020,MI,FT,Data Scientist,45760,USD,45760,PH,100,US,S
-41,2020,EX,FT,Data Engineering Manager,70000,EUR,79833,ES,50,ES,L
-42,2020,MI,FT,Machine Learning Infrastructure Engineer,44000,EUR,50180,PT,0,PT,M
-43,2020,MI,FT,Data Engineer,106000,USD,106000,US,100,US,L
-44,2020,MI,FT,Data Engineer,88000,GBP,112872,GB,50,GB,L
-45,2020,EN,PT,ML Engineer,14000,EUR,15966,DE,100,DE,S
-46,2020,MI,FT,Data Scientist,60000,GBP,76958,GB,100,GB,S
-47,2020,SE,FT,Data Engineer,188000,USD,188000,US,100,US,L
-48,2020,MI,FT,Data Scientist,105000,USD,105000,US,100,US,L
-49,2020,MI,FT,Data Engineer,61500,EUR,70139,FR,50,FR,L
-50,2020,EN,FT,Data Analyst,450000,INR,6072,IN,0,IN,S
-51,2020,EN,FT,Data Analyst,91000,USD,91000,US,100,US,L
-52,2020,EN,FT,AI Scientist,300000,DKK,45896,DK,50,DK,S
-53,2020,EN,FT,Data Engineer,48000,EUR,54742,PK,100,DE,L
-54,2020,SE,FL,Computer Vision Engineer,60000,USD,60000,RU,100,US,S
-55,2020,SE,FT,Principal Data Scientist,130000,EUR,148261,DE,100,DE,M
-56,2020,MI,FT,Data Scientist,34000,EUR,38776,ES,100,ES,M
-57,2020,MI,FT,Data Scientist,118000,USD,118000,US,100,US,M
-58,2020,SE,FT,Data Scientist,120000,USD,120000,US,50,US,L
-59,2020,MI,FT,Data Scientist,138350,USD,138350,US,100,US,M
-60,2020,MI,FT,Data Engineer,110000,USD,110000,US,100,US,L
-61,2020,MI,FT,Data Engineer,130800,USD,130800,ES,100,US,M
-62,2020,EN,PT,Data Scientist,19000,EUR,21669,IT,50,IT,S
-63,2020,SE,FT,Data Scientist,412000,USD,412000,US,100,US,L
-64,2020,SE,FT,Machine Learning Engineer,40000,EUR,45618,HR,100,HR,S
-65,2020,EN,FT,Data Scientist,55000,EUR,62726,DE,50,DE,S
-66,2020,EN,FT,Data Scientist,43200,EUR,49268,DE,0,DE,S
-67,2020,SE,FT,Data Science Manager,190200,USD,190200,US,100,US,M
-68,2020,EN,FT,Data Scientist,105000,USD,105000,US,100,US,S
-69,2020,SE,FT,Data Scientist,80000,EUR,91237,AT,0,AT,S
-70,2020,MI,FT,Data Scientist,55000,EUR,62726,FR,50,LU,S
-71,2020,MI,FT,Data Scientist,37000,EUR,42197,FR,50,FR,S
-72,2021,EN,FT,Research Scientist,60000,GBP,82528,GB,50,GB,L
-73,2021,EX,FT,BI Data Analyst,150000,USD,150000,IN,100,US,L
-74,2021,EX,FT,Head of Data,235000,USD,235000,US,100,US,L
-75,2021,SE,FT,Data Scientist,45000,EUR,53192,FR,50,FR,L
-76,2021,MI,FT,BI Data Analyst,100000,USD,100000,US,100,US,M
-77,2021,MI,PT,3D Computer Vision Researcher,400000,INR,5409,IN,50,IN,M
-78,2021,MI,CT,ML Engineer,270000,USD,270000,US,100,US,L
-79,2021,EN,FT,Data Analyst,80000,USD,80000,US,100,US,M
-80,2021,SE,FT,Data Analytics Engineer,67000,EUR,79197,DE,100,DE,L
-81,2021,MI,FT,Data Engineer,140000,USD,140000,US,100,US,L
-82,2021,MI,FT,Applied Data Scientist,68000,CAD,54238,GB,50,CA,L
-83,2021,MI,FT,Machine Learning Engineer,40000,EUR,47282,ES,100,ES,S
-84,2021,EX,FT,Director of Data Science,130000,EUR,153667,IT,100,PL,L
-85,2021,MI,FT,Data Engineer,110000,PLN,28476,PL,100,PL,L
-86,2021,EN,FT,Data Analyst,50000,EUR,59102,FR,50,FR,M
-87,2021,MI,FT,Data Analytics Engineer,110000,USD,110000,US,100,US,L
-88,2021,SE,FT,Lead Data Analyst,170000,USD,170000,US,100,US,L
-89,2021,SE,FT,Data Analyst,80000,USD,80000,BG,100,US,S
-90,2021,SE,FT,Marketing Data Analyst,75000,EUR,88654,GR,100,DK,L
-91,2021,EN,FT,Data Science Consultant,65000,EUR,76833,DE,100,DE,S
-92,2021,MI,FT,Lead Data Analyst,1450000,INR,19609,IN,100,IN,L
-93,2021,SE,FT,Lead Data Engineer,276000,USD,276000,US,0,US,L
-94,2021,EN,FT,Data Scientist,2200000,INR,29751,IN,50,IN,L
-95,2021,MI,FT,Cloud Data Engineer,120000,SGD,89294,SG,50,SG,L
-96,2021,EN,PT,AI Scientist,12000,USD,12000,BR,100,US,S
-97,2021,MI,FT,Financial Data Analyst,450000,USD,450000,US,100,US,L
-98,2021,EN,FT,Computer Vision Software Engineer,70000,USD,70000,US,100,US,M
-99,2021,MI,FT,Computer Vision Software Engineer,81000,EUR,95746,DE,100,US,S
-100,2021,MI,FT,Data Analyst,75000,USD,75000,US,0,US,L
-101,2021,SE,FT,Data Engineer,150000,USD,150000,US,100,US,L
-102,2021,MI,FT,BI Data Analyst,11000000,HUF,36259,HU,50,US,L
-103,2021,MI,FT,Data Analyst,62000,USD,62000,US,0,US,L
-104,2021,MI,FT,Data Scientist,73000,USD,73000,US,0,US,L
-105,2021,MI,FT,Data Analyst,37456,GBP,51519,GB,50,GB,L
-106,2021,MI,FT,Research Scientist,235000,CAD,187442,CA,100,CA,L
-107,2021,SE,FT,Data Engineer,115000,USD,115000,US,100,US,S
-108,2021,SE,FT,Data Engineer,150000,USD,150000,US,100,US,M
-109,2021,EN,FT,Data Engineer,2250000,INR,30428,IN,100,IN,L
-110,2021,SE,FT,Machine Learning Engineer,80000,EUR,94564,DE,50,DE,L
-111,2021,SE,FT,Director of Data Engineering,82500,GBP,113476,GB,100,GB,M
-112,2021,SE,FT,Lead Data Engineer,75000,GBP,103160,GB,100,GB,S
-113,2021,EN,PT,AI Scientist,12000,USD,12000,PK,100,US,M
-114,2021,MI,FT,Data Engineer,38400,EUR,45391,NL,100,NL,L
-115,2021,EN,FT,Machine Learning Scientist,225000,USD,225000,US,100,US,L
-116,2021,MI,FT,Data Scientist,50000,USD,50000,NG,100,NG,L
-117,2021,MI,FT,Data Science Engineer,34000,EUR,40189,GR,100,GR,M
-118,2021,EN,FT,Data Analyst,90000,USD,90000,US,100,US,S
-119,2021,MI,FT,Data Engineer,200000,USD,200000,US,100,US,L
-120,2021,MI,FT,Big Data Engineer,60000,USD,60000,ES,50,RO,M
-121,2021,SE,FT,Principal Data Engineer,200000,USD,200000,US,100,US,M
-122,2021,EN,FT,Data Analyst,50000,USD,50000,US,100,US,M
-123,2021,EN,FT,Applied Data Scientist,80000,GBP,110037,GB,0,GB,L
-124,2021,EN,PT,Data Analyst,8760,EUR,10354,ES,50,ES,M
-125,2021,MI,FT,Principal Data Scientist,151000,USD,151000,US,100,US,L
-126,2021,SE,FT,Machine Learning Scientist,120000,USD,120000,US,50,US,S
-127,2021,MI,FT,Data Scientist,700000,INR,9466,IN,0,IN,S
-128,2021,EN,FT,Machine Learning Engineer,20000,USD,20000,IN,100,IN,S
-129,2021,SE,FT,Lead Data Scientist,3000000,INR,40570,IN,50,IN,L
-130,2021,EN,FT,Machine Learning Developer,100000,USD,100000,IQ,50,IQ,S
-131,2021,EN,FT,Data Scientist,42000,EUR,49646,FR,50,FR,M
-132,2021,MI,FT,Applied Machine Learning Scientist,38400,USD,38400,VN,100,US,M
-133,2021,SE,FT,Computer Vision Engineer,24000,USD,24000,BR,100,BR,M
-134,2021,EN,FT,Data Scientist,100000,USD,100000,US,0,US,S
-135,2021,MI,FT,Data Analyst,90000,USD,90000,US,100,US,M
-136,2021,MI,FT,ML Engineer,7000000,JPY,63711,JP,50,JP,S
-137,2021,MI,FT,ML Engineer,8500000,JPY,77364,JP,50,JP,S
-138,2021,SE,FT,Principal Data Scientist,220000,USD,220000,US,0,US,L
-139,2021,EN,FT,Data Scientist,80000,USD,80000,US,100,US,M
-140,2021,MI,FT,Data Analyst,135000,USD,135000,US,100,US,L
-141,2021,SE,FT,Data Science Manager,240000,USD,240000,US,0,US,L
-142,2021,SE,FT,Data Engineering Manager,150000,USD,150000,US,0,US,L
-143,2021,MI,FT,Data Scientist,82500,USD,82500,US,100,US,S
-144,2021,MI,FT,Data Engineer,100000,USD,100000,US,100,US,L
-145,2021,SE,FT,Machine Learning Engineer,70000,EUR,82744,BE,50,BE,M
-146,2021,MI,FT,Research Scientist,53000,EUR,62649,FR,50,FR,M
-147,2021,MI,FT,Data Engineer,90000,USD,90000,US,100,US,L
-148,2021,SE,FT,Data Engineering Manager,153000,USD,153000,US,100,US,L
-149,2021,SE,FT,Cloud Data Engineer,160000,USD,160000,BR,100,US,S
-150,2021,SE,FT,Director of Data Science,168000,USD,168000,JP,0,JP,S
-151,2021,MI,FT,Data Scientist,150000,USD,150000,US,100,US,M
-152,2021,MI,FT,Data Scientist,95000,CAD,75774,CA,100,CA,L
-153,2021,EN,FT,Data Scientist,13400,USD,13400,UA,100,UA,L
-154,2021,SE,FT,Data Science Manager,144000,USD,144000,US,100,US,L
-155,2021,SE,FT,Data Science Engineer,159500,CAD,127221,CA,50,CA,L
-156,2021,MI,FT,Data Scientist,160000,SGD,119059,SG,100,IL,M
-157,2021,MI,FT,Applied Machine Learning Scientist,423000,USD,423000,US,50,US,L
-158,2021,SE,FT,Data Analytics Manager,120000,USD,120000,US,100,US,M
-159,2021,EN,FT,Machine Learning Engineer,125000,USD,125000,US,100,US,S
-160,2021,EX,FT,Head of Data,230000,USD,230000,RU,50,RU,L
-161,2021,EX,FT,Head of Data Science,85000,USD,85000,RU,0,RU,M
-162,2021,MI,FT,Data Engineer,24000,EUR,28369,MT,50,MT,L
-163,2021,EN,FT,Data Science Consultant,54000,EUR,63831,DE,50,DE,L
-164,2021,EX,FT,Director of Data Science,110000,EUR,130026,DE,50,DE,M
-165,2021,SE,FT,Data Specialist,165000,USD,165000,US,100,US,L
-166,2021,EN,FT,Data Engineer,80000,USD,80000,US,100,US,L
-167,2021,EX,FT,Director of Data Science,250000,USD,250000,US,0,US,L
-168,2021,EN,FT,BI Data Analyst,55000,USD,55000,US,50,US,S
-169,2021,MI,FT,Data Architect,150000,USD,150000,US,100,US,L
-170,2021,MI,FT,Data Architect,170000,USD,170000,US,100,US,L
-171,2021,MI,FT,Data Engineer,60000,GBP,82528,GB,100,GB,L
-172,2021,EN,FT,Data Analyst,60000,USD,60000,US,100,US,S
-173,2021,SE,FT,Principal Data Scientist,235000,USD,235000,US,100,US,L
-174,2021,SE,FT,Research Scientist,51400,EUR,60757,PT,50,PT,L
-175,2021,SE,FT,Data Engineering Manager,174000,USD,174000,US,100,US,L
-176,2021,MI,FT,Data Scientist,58000,MXN,2859,MX,0,MX,S
-177,2021,MI,FT,Data Scientist,30400000,CLP,40038,CL,100,CL,L
-178,2021,EN,FT,Machine Learning Engineer,81000,USD,81000,US,50,US,S
-179,2021,MI,FT,Data Scientist,420000,INR,5679,IN,100,US,S
-180,2021,MI,FT,Big Data Engineer,1672000,INR,22611,IN,0,IN,L
-181,2021,MI,FT,Data Scientist,76760,EUR,90734,DE,50,DE,L
-182,2021,MI,FT,Data Engineer,22000,EUR,26005,RO,0,US,L
-183,2021,SE,FT,Finance Data Analyst,45000,GBP,61896,GB,50,GB,L
-184,2021,MI,FL,Machine Learning Scientist,12000,USD,12000,PK,50,PK,M
-185,2021,MI,FT,Data Engineer,4000,USD,4000,IR,100,IR,M
-186,2021,SE,FT,Data Analytics Engineer,50000,USD,50000,VN,100,GB,M
-187,2021,EX,FT,Data Science Consultant,59000,EUR,69741,FR,100,ES,S
-188,2021,SE,FT,Data Engineer,65000,EUR,76833,RO,50,GB,S
-189,2021,MI,FT,Machine Learning Engineer,74000,USD,74000,JP,50,JP,S
-190,2021,SE,FT,Data Science Manager,152000,USD,152000,US,100,FR,L
-191,2021,EN,FT,Machine Learning Engineer,21844,USD,21844,CO,50,CO,M
-192,2021,MI,FT,Big Data Engineer,18000,USD,18000,MD,0,MD,S
-193,2021,SE,FT,Data Science Manager,174000,USD,174000,US,100,US,L
-194,2021,SE,FT,Research Scientist,120500,CAD,96113,CA,50,CA,L
-195,2021,MI,FT,Data Scientist,147000,USD,147000,US,50,US,L
-196,2021,EN,FT,BI Data Analyst,9272,USD,9272,KE,100,KE,S
-197,2021,SE,FT,Machine Learning Engineer,1799997,INR,24342,IN,100,IN,L
-198,2021,SE,FT,Data Science Manager,4000000,INR,54094,IN,50,US,L
-199,2021,EN,FT,Data Science Consultant,90000,USD,90000,US,100,US,S
-200,2021,MI,FT,Data Scientist,52000,EUR,61467,DE,50,AT,M
-201,2021,SE,FT,Machine Learning Infrastructure Engineer,195000,USD,195000,US,100,US,M
-202,2021,MI,FT,Data Scientist,32000,EUR,37825,ES,100,ES,L
-203,2021,SE,FT,Research Scientist,50000,USD,50000,FR,100,US,S
-204,2021,MI,FT,Data Scientist,160000,USD,160000,US,100,US,L
-205,2021,MI,FT,Data Scientist,69600,BRL,12901,BR,0,BR,S
-206,2021,SE,FT,Machine Learning Engineer,200000,USD,200000,US,100,US,L
-207,2021,SE,FT,Data Engineer,165000,USD,165000,US,0,US,M
-208,2021,MI,FL,Data Engineer,20000,USD,20000,IT,0,US,L
-209,2021,SE,FT,Data Analytics Manager,120000,USD,120000,US,0,US,L
-210,2021,MI,FT,Machine Learning Engineer,21000,EUR,24823,SI,50,SI,L
-211,2021,MI,FT,Research Scientist,48000,EUR,56738,FR,50,FR,S
-212,2021,MI,FT,Data Engineer,48000,GBP,66022,HK,50,GB,S
-213,2021,EN,FT,Big Data Engineer,435000,INR,5882,IN,0,CH,L
-214,2021,EN,FT,Machine Learning Engineer,21000,EUR,24823,DE,50,DE,M
-215,2021,SE,FT,Principal Data Engineer,185000,USD,185000,US,100,US,L
-216,2021,EN,PT,Computer Vision Engineer,180000,DKK,28609,DK,50,DK,S
-217,2021,MI,FT,Data Scientist,76760,EUR,90734,DE,50,DE,L
-218,2021,MI,FT,Machine Learning Engineer,75000,EUR,88654,BE,100,BE,M
-219,2021,SE,FT,Data Analytics Manager,140000,USD,140000,US,100,US,L
-220,2021,MI,FT,Machine Learning Engineer,180000,PLN,46597,PL,100,PL,L
-221,2021,MI,FT,Data Scientist,85000,GBP,116914,GB,50,GB,L
-222,2021,MI,FT,Data Scientist,2500000,INR,33808,IN,0,IN,M
-223,2021,MI,FT,Data Scientist,40900,GBP,56256,GB,50,GB,L
-224,2021,SE,FT,Machine Learning Scientist,225000,USD,225000,US,100,CA,L
-225,2021,EX,CT,Principal Data Scientist,416000,USD,416000,US,100,US,S
-226,2021,SE,FT,Data Scientist,110000,CAD,87738,CA,100,CA,S
-227,2021,MI,FT,Data Scientist,75000,EUR,88654,DE,50,DE,L
-228,2021,SE,FT,Data Scientist,135000,USD,135000,US,0,US,L
-229,2021,SE,FT,Data Analyst,90000,CAD,71786,CA,100,CA,M
-230,2021,EN,FT,Big Data Engineer,1200000,INR,16228,IN,100,IN,L
-231,2021,SE,FT,ML Engineer,256000,USD,256000,US,100,US,S
-232,2021,SE,FT,Director of Data Engineering,200000,USD,200000,US,100,US,L
-233,2021,SE,FT,Data Analyst,200000,USD,200000,US,100,US,L
-234,2021,MI,FT,Data Architect,180000,USD,180000,US,100,US,L
-235,2021,MI,FT,Head of Data Science,110000,USD,110000,US,0,US,S
-236,2021,MI,FT,Research Scientist,80000,CAD,63810,CA,100,CA,M
-237,2021,MI,FT,Data Scientist,39600,EUR,46809,ES,100,ES,M
-238,2021,EN,FT,Data Scientist,4000,USD,4000,VN,0,VN,M
-239,2021,EN,FT,Data Engineer,1600000,INR,21637,IN,50,IN,M
-240,2021,SE,FT,Data Scientist,130000,CAD,103691,CA,100,CA,L
-241,2021,MI,FT,Data Analyst,80000,USD,80000,US,100,US,L
-242,2021,MI,FT,Data Engineer,110000,USD,110000,US,100,US,L
-243,2021,SE,FT,Data Scientist,165000,USD,165000,US,100,US,L
-244,2021,EN,FT,AI Scientist,1335000,INR,18053,IN,100,AS,S
-245,2021,MI,FT,Data Engineer,52500,GBP,72212,GB,50,GB,L
-246,2021,EN,FT,Data Scientist,31000,EUR,36643,FR,50,FR,L
-247,2021,MI,FT,Data Engineer,108000,TRY,12103,TR,0,TR,M
-248,2021,SE,FT,Data Engineer,70000,GBP,96282,GB,50,GB,L
-249,2021,SE,FT,Principal Data Analyst,170000,USD,170000,US,100,US,M
-250,2021,MI,FT,Data Scientist,115000,USD,115000,US,50,US,L
-251,2021,EN,FT,Data Scientist,90000,USD,90000,US,100,US,S
-252,2021,EX,FT,Principal Data Engineer,600000,USD,600000,US,100,US,L
-253,2021,EN,FT,Data Scientist,2100000,INR,28399,IN,100,IN,M
-254,2021,MI,FT,Data Analyst,93000,USD,93000,US,100,US,L
-255,2021,SE,FT,Big Data Architect,125000,CAD,99703,CA,50,CA,M
-256,2021,MI,FT,Data Engineer,200000,USD,200000,US,100,US,L
-257,2021,SE,FT,Principal Data Scientist,147000,EUR,173762,DE,100,DE,M
-258,2021,SE,FT,Machine Learning Engineer,185000,USD,185000,US,50,US,L
-259,2021,EX,FT,Director of Data Science,120000,EUR,141846,DE,0,DE,L
-260,2021,MI,FT,Data Scientist,130000,USD,130000,US,50,US,L
-261,2021,SE,FT,Data Analyst,54000,EUR,63831,DE,50,DE,L
-262,2021,MI,FT,Data Scientist,1250000,INR,16904,IN,100,IN,S
-263,2021,SE,FT,Machine Learning Engineer,4900000,INR,66265,IN,0,IN,L
-264,2021,MI,FT,Data Scientist,21600,EUR,25532,RS,100,DE,S
-265,2021,SE,FT,Lead Data Engineer,160000,USD,160000,PR,50,US,S
-266,2021,MI,FT,Data Engineer,93150,USD,93150,US,0,US,M
-267,2021,MI,FT,Data Engineer,111775,USD,111775,US,0,US,M
-268,2021,MI,FT,Data Engineer,250000,TRY,28016,TR,100,TR,M
-269,2021,EN,FT,Data Engineer,55000,EUR,65013,DE,50,DE,M
-270,2021,EN,FT,Data Engineer,72500,USD,72500,US,100,US,L
-271,2021,SE,FT,Computer Vision Engineer,102000,BRL,18907,BR,0,BR,M
-272,2021,EN,FT,Data Science Consultant,65000,EUR,76833,DE,0,DE,L
-273,2021,EN,FT,Machine Learning Engineer,85000,USD,85000,NL,100,DE,S
-274,2021,SE,FT,Data Scientist,65720,EUR,77684,FR,50,FR,M
-275,2021,EN,FT,Data Scientist,100000,USD,100000,US,100,US,M
-276,2021,EN,FT,Data Scientist,58000,USD,58000,US,50,US,L
-277,2021,SE,FT,AI Scientist,55000,USD,55000,ES,100,ES,L
-278,2021,SE,FT,Data Scientist,180000,TRY,20171,TR,50,TR,L
-279,2021,EN,FT,Business Data Analyst,50000,EUR,59102,LU,100,LU,L
-280,2021,MI,FT,Data Engineer,112000,USD,112000,US,100,US,L
-281,2021,EN,FT,Research Scientist,100000,USD,100000,JE,0,CN,L
-282,2021,MI,PT,Data Engineer,59000,EUR,69741,NL,100,NL,L
-283,2021,SE,CT,Staff Data Scientist,105000,USD,105000,US,100,US,M
-284,2021,MI,FT,Research Scientist,69999,USD,69999,CZ,50,CZ,L
-285,2021,SE,FT,Data Science Manager,7000000,INR,94665,IN,50,IN,L
-286,2021,SE,FT,Head of Data,87000,EUR,102839,SI,100,SI,L
-287,2021,MI,FT,Data Scientist,109000,USD,109000,US,50,US,L
-288,2021,MI,FT,Machine Learning Engineer,43200,EUR,51064,IT,50,IT,L
-289,2022,SE,FT,Data Engineer,135000,USD,135000,US,100,US,M
-290,2022,SE,FT,Data Analyst,155000,USD,155000,US,100,US,M
-291,2022,SE,FT,Data Analyst,120600,USD,120600,US,100,US,M
-292,2022,MI,FT,Data Scientist,130000,USD,130000,US,0,US,M
-293,2022,MI,FT,Data Scientist,90000,USD,90000,US,0,US,M
-294,2022,MI,FT,Data Engineer,170000,USD,170000,US,100,US,M
-295,2022,MI,FT,Data Engineer,150000,USD,150000,US,100,US,M
-296,2022,SE,FT,Data Analyst,102100,USD,102100,US,100,US,M
-297,2022,SE,FT,Data Analyst,84900,USD,84900,US,100,US,M
-298,2022,SE,FT,Data Scientist,136620,USD,136620,US,100,US,M
-299,2022,SE,FT,Data Scientist,99360,USD,99360,US,100,US,M
-300,2022,SE,FT,Data Scientist,90000,GBP,117789,GB,0,GB,M
-301,2022,SE,FT,Data Scientist,80000,GBP,104702,GB,0,GB,M
-302,2022,SE,FT,Data Scientist,146000,USD,146000,US,100,US,M
-303,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-304,2022,EN,FT,Data Engineer,40000,GBP,52351,GB,100,GB,M
-305,2022,SE,FT,Data Analyst,99000,USD,99000,US,0,US,M
-306,2022,SE,FT,Data Analyst,116000,USD,116000,US,0,US,M
-307,2022,MI,FT,Data Analyst,106260,USD,106260,US,0,US,M
-308,2022,MI,FT,Data Analyst,126500,USD,126500,US,0,US,M
-309,2022,EX,FT,Data Engineer,242000,USD,242000,US,100,US,M
-310,2022,EX,FT,Data Engineer,200000,USD,200000,US,100,US,M
-311,2022,MI,FT,Data Scientist,50000,GBP,65438,GB,0,GB,M
-312,2022,MI,FT,Data Scientist,30000,GBP,39263,GB,0,GB,M
-313,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,0,GB,M
-314,2022,MI,FT,Data Engineer,40000,GBP,52351,GB,0,GB,M
-315,2022,SE,FT,Data Scientist,165220,USD,165220,US,100,US,M
-316,2022,EN,FT,Data Engineer,35000,GBP,45807,GB,100,GB,M
-317,2022,SE,FT,Data Scientist,120160,USD,120160,US,100,US,M
-318,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-319,2022,SE,FT,Data Engineer,181940,USD,181940,US,0,US,M
-320,2022,SE,FT,Data Engineer,132320,USD,132320,US,0,US,M
-321,2022,SE,FT,Data Engineer,220110,USD,220110,US,0,US,M
-322,2022,SE,FT,Data Engineer,160080,USD,160080,US,0,US,M
-323,2022,SE,FT,Data Scientist,180000,USD,180000,US,0,US,L
-324,2022,SE,FT,Data Scientist,120000,USD,120000,US,0,US,L
-325,2022,SE,FT,Data Analyst,124190,USD,124190,US,100,US,M
-326,2022,EX,FT,Data Analyst,130000,USD,130000,US,100,US,M
-327,2022,EX,FT,Data Analyst,110000,USD,110000,US,100,US,M
-328,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-329,2022,MI,FT,Data Analyst,115500,USD,115500,US,100,US,M
-330,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-331,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-332,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-333,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-334,2022,SE,FT,Data Engineer,165400,USD,165400,US,100,US,M
-335,2022,SE,FT,Data Engineer,132320,USD,132320,US,100,US,M
-336,2022,MI,FT,Data Analyst,167000,USD,167000,US,100,US,M
-337,2022,SE,FT,Data Engineer,243900,USD,243900,US,100,US,M
-338,2022,SE,FT,Data Analyst,136600,USD,136600,US,100,US,M
-339,2022,SE,FT,Data Analyst,109280,USD,109280,US,100,US,M
-340,2022,SE,FT,Data Engineer,128875,USD,128875,US,100,US,M
-341,2022,SE,FT,Data Engineer,93700,USD,93700,US,100,US,M
-342,2022,EX,FT,Head of Data Science,224000,USD,224000,US,100,US,M
-343,2022,EX,FT,Head of Data Science,167875,USD,167875,US,100,US,M
-344,2022,EX,FT,Analytics Engineer,175000,USD,175000,US,100,US,M
-345,2022,SE,FT,Data Engineer,156600,USD,156600,US,100,US,M
-346,2022,SE,FT,Data Engineer,108800,USD,108800,US,0,US,M
-347,2022,SE,FT,Data Scientist,95550,USD,95550,US,0,US,M
-348,2022,SE,FT,Data Engineer,113000,USD,113000,US,0,US,L
-349,2022,SE,FT,Data Analyst,135000,USD,135000,US,100,US,M
-350,2022,SE,FT,Data Science Manager,161342,USD,161342,US,100,US,M
-351,2022,SE,FT,Data Science Manager,137141,USD,137141,US,100,US,M
-352,2022,SE,FT,Data Scientist,167000,USD,167000,US,100,US,M
-353,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-354,2022,SE,FT,Data Engineer,60000,GBP,78526,GB,0,GB,M
-355,2022,SE,FT,Data Engineer,50000,GBP,65438,GB,0,GB,M
-356,2022,SE,FT,Data Scientist,150000,USD,150000,US,0,US,M
-357,2022,SE,FT,Data Scientist,211500,USD,211500,US,100,US,M
-358,2022,SE,FT,Data Architect,192400,USD,192400,CA,100,CA,M
-359,2022,SE,FT,Data Architect,90700,USD,90700,CA,100,CA,M
-360,2022,SE,FT,Data Analyst,130000,USD,130000,CA,100,CA,M
-361,2022,SE,FT,Data Analyst,61300,USD,61300,CA,100,CA,M
-362,2022,SE,FT,Data Analyst,130000,USD,130000,CA,100,CA,M
-363,2022,SE,FT,Data Analyst,61300,USD,61300,CA,100,CA,M
-364,2022,SE,FT,Data Engineer,160000,USD,160000,US,0,US,L
-365,2022,SE,FT,Data Scientist,138600,USD,138600,US,100,US,M
-366,2022,SE,FT,Data Engineer,136000,USD,136000,US,0,US,M
-367,2022,MI,FT,Data Analyst,58000,USD,58000,US,0,US,S
-368,2022,EX,FT,Analytics Engineer,135000,USD,135000,US,100,US,M
-369,2022,SE,FT,Data Scientist,170000,USD,170000,US,100,US,M
-370,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-371,2022,SE,FT,Machine Learning Engineer,189650,USD,189650,US,0,US,M
-372,2022,SE,FT,Machine Learning Engineer,164996,USD,164996,US,0,US,M
-373,2022,MI,FT,ETL Developer,50000,EUR,54957,GR,0,GR,M
-374,2022,MI,FT,ETL Developer,50000,EUR,54957,GR,0,GR,M
-375,2022,EX,FT,Lead Data Engineer,150000,CAD,118187,CA,100,CA,S
-376,2022,SE,FT,Data Analyst,132000,USD,132000,US,0,US,M
-377,2022,SE,FT,Data Engineer,165400,USD,165400,US,100,US,M
-378,2022,SE,FT,Data Architect,208775,USD,208775,US,100,US,M
-379,2022,SE,FT,Data Architect,147800,USD,147800,US,100,US,M
-380,2022,SE,FT,Data Engineer,136994,USD,136994,US,100,US,M
-381,2022,SE,FT,Data Engineer,101570,USD,101570,US,100,US,M
-382,2022,SE,FT,Data Analyst,128875,USD,128875,US,100,US,M
-383,2022,SE,FT,Data Analyst,93700,USD,93700,US,100,US,M
-384,2022,EX,FT,Head of Machine Learning,6000000,INR,79039,IN,50,IN,L
-385,2022,SE,FT,Data Engineer,132320,USD,132320,US,100,US,M
-386,2022,EN,FT,Machine Learning Engineer,28500,GBP,37300,GB,100,GB,L
-387,2022,SE,FT,Data Analyst,164000,USD,164000,US,0,US,M
-388,2022,SE,FT,Data Engineer,155000,USD,155000,US,100,US,M
-389,2022,MI,FT,Machine Learning Engineer,95000,GBP,124333,GB,0,GB,M
-390,2022,MI,FT,Machine Learning Engineer,75000,GBP,98158,GB,0,GB,M
-391,2022,MI,FT,AI Scientist,120000,USD,120000,US,0,US,M
-392,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-393,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-394,2022,SE,FT,Data Analytics Manager,145000,USD,145000,US,100,US,M
-395,2022,SE,FT,Data Analytics Manager,105400,USD,105400,US,100,US,M
-396,2022,MI,FT,Machine Learning Engineer,80000,EUR,87932,FR,100,DE,M
-397,2022,MI,FT,Data Engineer,90000,GBP,117789,GB,0,GB,M
-398,2022,SE,FT,Data Scientist,215300,USD,215300,US,100,US,L
-399,2022,SE,FT,Data Scientist,158200,USD,158200,US,100,US,L
-400,2022,SE,FT,Data Engineer,209100,USD,209100,US,100,US,L
-401,2022,SE,FT,Data Engineer,154600,USD,154600,US,100,US,L
-402,2022,SE,FT,Data Analyst,115934,USD,115934,US,0,US,M
-403,2022,SE,FT,Data Analyst,81666,USD,81666,US,0,US,M
-404,2022,SE,FT,Data Engineer,175000,USD,175000,US,100,US,M
-405,2022,MI,FT,Data Engineer,75000,GBP,98158,GB,0,GB,M
-406,2022,MI,FT,Data Analyst,58000,USD,58000,US,0,US,S
-407,2022,SE,FT,Data Engineer,183600,USD,183600,US,100,US,L
-408,2022,MI,FT,Data Analyst,40000,GBP,52351,GB,100,GB,M
-409,2022,SE,FT,Data Scientist,180000,USD,180000,US,100,US,M
-410,2022,MI,FT,Data Scientist,55000,GBP,71982,GB,0,GB,M
-411,2022,MI,FT,Data Scientist,35000,GBP,45807,GB,0,GB,M
-412,2022,MI,FT,Data Engineer,60000,EUR,65949,GR,100,GR,M
-413,2022,MI,FT,Data Engineer,45000,EUR,49461,GR,100,GR,M
-414,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,100,GB,M
-415,2022,MI,FT,Data Engineer,45000,GBP,58894,GB,100,GB,M
-416,2022,SE,FT,Data Scientist,260000,USD,260000,US,100,US,M
-417,2022,SE,FT,Data Science Engineer,60000,USD,60000,AR,100,MX,L
-418,2022,MI,FT,Data Engineer,63900,USD,63900,US,0,US,M
-419,2022,MI,FT,Machine Learning Scientist,160000,USD,160000,US,100,US,L
-420,2022,MI,FT,Machine Learning Scientist,112300,USD,112300,US,100,US,L
-421,2022,MI,FT,Data Science Manager,241000,USD,241000,US,100,US,M
-422,2022,MI,FT,Data Science Manager,159000,USD,159000,US,100,US,M
-423,2022,SE,FT,Data Scientist,180000,USD,180000,US,0,US,M
-424,2022,SE,FT,Data Scientist,80000,USD,80000,US,0,US,M
-425,2022,MI,FT,Data Engineer,82900,USD,82900,US,0,US,M
-426,2022,SE,FT,Data Engineer,100800,USD,100800,US,100,US,L
-427,2022,MI,FT,Data Engineer,45000,EUR,49461,ES,100,ES,M
-428,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,L
-429,2022,MI,FT,Data Analyst,30000,GBP,39263,GB,100,GB,M
-430,2022,MI,FT,Data Analyst,40000,EUR,43966,ES,100,ES,M
-431,2022,MI,FT,Data Analyst,30000,EUR,32974,ES,100,ES,M
-432,2022,MI,FT,Data Engineer,80000,EUR,87932,ES,100,ES,M
-433,2022,MI,FT,Data Engineer,70000,EUR,76940,ES,100,ES,M
-434,2022,MI,FT,Data Engineer,80000,GBP,104702,GB,100,GB,M
-435,2022,MI,FT,Data Engineer,70000,GBP,91614,GB,100,GB,M
-436,2022,MI,FT,Data Engineer,60000,EUR,65949,ES,100,ES,M
-437,2022,MI,FT,Data Engineer,80000,EUR,87932,GR,100,GR,M
-438,2022,SE,FT,Machine Learning Engineer,189650,USD,189650,US,0,US,M
-439,2022,SE,FT,Machine Learning Engineer,164996,USD,164996,US,0,US,M
-440,2022,MI,FT,Data Analyst,40000,EUR,43966,GR,100,GR,M
-441,2022,MI,FT,Data Analyst,30000,EUR,32974,GR,100,GR,M
-442,2022,MI,FT,Data Engineer,75000,GBP,98158,GB,100,GB,M
-443,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,100,GB,M
-444,2022,SE,FT,Data Scientist,215300,USD,215300,US,0,US,L
-445,2022,MI,FT,Data Engineer,70000,EUR,76940,GR,100,GR,M
-446,2022,SE,FT,Data Engineer,209100,USD,209100,US,100,US,L
-447,2022,SE,FT,Data Engineer,154600,USD,154600,US,100,US,L
-448,2022,SE,FT,Data Engineer,180000,USD,180000,US,100,US,M
-449,2022,EN,FT,ML Engineer,20000,EUR,21983,PT,100,PT,L
-450,2022,SE,FT,Data Engineer,80000,USD,80000,US,100,US,M
-451,2022,MI,FT,Machine Learning Developer,100000,CAD,78791,CA,100,CA,M
-452,2022,EX,FT,Director of Data Science,250000,CAD,196979,CA,50,CA,L
-453,2022,MI,FT,Machine Learning Engineer,120000,USD,120000,US,100,US,S
-454,2022,EN,FT,Computer Vision Engineer,125000,USD,125000,US,0,US,M
-455,2022,MI,FT,NLP Engineer,240000,CNY,37236,US,50,US,L
-456,2022,SE,FT,Data Engineer,105000,USD,105000,US,100,US,M
-457,2022,SE,FT,Lead Machine Learning Engineer,80000,EUR,87932,DE,0,DE,M
-458,2022,MI,FT,Business Data Analyst,1400000,INR,18442,IN,100,IN,M
-459,2022,MI,FT,Data Scientist,2400000,INR,31615,IN,100,IN,L
-460,2022,MI,FT,Machine Learning Infrastructure Engineer,53000,EUR,58255,PT,50,PT,L
-461,2022,EN,FT,Financial Data Analyst,100000,USD,100000,US,50,US,L
-462,2022,MI,PT,Data Engineer,50000,EUR,54957,DE,50,DE,L
-463,2022,EN,FT,Data Scientist,1400000,INR,18442,IN,100,IN,M
-464,2022,SE,FT,Principal Data Scientist,148000,EUR,162674,DE,100,DE,M
-465,2022,EN,FT,Data Engineer,120000,USD,120000,US,100,US,M
-466,2022,SE,FT,Research Scientist,144000,USD,144000,US,50,US,L
-467,2022,SE,FT,Data Scientist,104890,USD,104890,US,100,US,M
-468,2022,SE,FT,Data Engineer,100000,USD,100000,US,100,US,M
-469,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-470,2022,MI,FT,Data Analyst,135000,USD,135000,US,100,US,M
-471,2022,MI,FT,Data Analyst,50000,USD,50000,US,100,US,M
-472,2022,SE,FT,Data Scientist,220000,USD,220000,US,100,US,M
-473,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-474,2022,MI,FT,Data Scientist,140000,GBP,183228,GB,0,GB,M
-475,2022,MI,FT,Data Scientist,70000,GBP,91614,GB,0,GB,M
-476,2022,SE,FT,Data Scientist,185100,USD,185100,US,100,US,M
-477,2022,SE,FT,Machine Learning Engineer,220000,USD,220000,US,100,US,M
-478,2022,MI,FT,Data Scientist,200000,USD,200000,US,100,US,M
-479,2022,MI,FT,Data Scientist,120000,USD,120000,US,100,US,M
-480,2022,SE,FT,Machine Learning Engineer,120000,USD,120000,AE,100,AE,S
-481,2022,SE,FT,Machine Learning Engineer,65000,USD,65000,AE,100,AE,S
-482,2022,EX,FT,Data Engineer,324000,USD,324000,US,100,US,M
-483,2022,EX,FT,Data Engineer,216000,USD,216000,US,100,US,M
-484,2022,SE,FT,Data Engineer,210000,USD,210000,US,100,US,M
-485,2022,SE,FT,Machine Learning Engineer,120000,USD,120000,US,100,US,M
-486,2022,SE,FT,Data Scientist,230000,USD,230000,US,100,US,M
-487,2022,EN,PT,Data Scientist,100000,USD,100000,DZ,50,DZ,M
-488,2022,MI,FL,Data Scientist,100000,USD,100000,CA,100,US,M
-489,2022,EN,CT,Applied Machine Learning Scientist,29000,EUR,31875,TN,100,CZ,M
-490,2022,SE,FT,Head of Data,200000,USD,200000,MY,100,US,M
-491,2022,MI,FT,Principal Data Analyst,75000,USD,75000,CA,100,CA,S
-492,2022,MI,FT,Data Scientist,150000,PLN,35590,PL,100,PL,L
-493,2022,SE,FT,Machine Learning Developer,100000,CAD,78791,CA,100,CA,M
-494,2022,SE,FT,Data Scientist,100000,USD,100000,BR,100,US,M
-495,2022,MI,FT,Machine Learning Scientist,153000,USD,153000,US,50,US,M
-496,2022,EN,FT,Data Engineer,52800,EUR,58035,PK,100,DE,M
-497,2022,SE,FT,Data Scientist,165000,USD,165000,US,100,US,M
-498,2022,SE,FT,Research Scientist,85000,EUR,93427,FR,50,FR,L
-499,2022,EN,FT,Data Scientist,66500,CAD,52396,CA,100,CA,L
-500,2022,SE,FT,Machine Learning Engineer,57000,EUR,62651,NL,100,NL,L
-501,2022,MI,FT,Head of Data,30000,EUR,32974,EE,100,EE,S
-502,2022,EN,FT,Data Scientist,40000,USD,40000,JP,100,MY,L
-503,2022,MI,FT,Machine Learning Engineer,121000,AUD,87425,AU,100,AU,L
-504,2022,SE,FT,Data Engineer,115000,USD,115000,US,100,US,M
-505,2022,EN,FT,Data Scientist,120000,AUD,86703,AU,50,AU,M
-506,2022,MI,FT,Applied Machine Learning Scientist,75000,USD,75000,BO,100,US,L
-507,2022,MI,FT,Research Scientist,59000,EUR,64849,AT,0,AT,L
-508,2022,EN,FT,Research Scientist,120000,USD,120000,US,100,US,L
-509,2022,MI,FT,Applied Data Scientist,157000,USD,157000,US,100,US,L
-510,2022,EN,FT,Computer Vision Software Engineer,150000,USD,150000,AU,100,AU,S
-511,2022,MI,FT,Business Data Analyst,90000,CAD,70912,CA,50,CA,L
-512,2022,EN,FT,Data Engineer,65000,USD,65000,US,100,US,S
-513,2022,SE,FT,Machine Learning Engineer,65000,EUR,71444,IE,100,IE,S
-514,2022,EN,FT,Data Analytics Engineer,20000,USD,20000,PK,0,PK,M
-515,2022,MI,FT,Data Scientist,48000,USD,48000,RU,100,US,S
-516,2022,SE,FT,Data Science Manager,152500,USD,152500,US,100,US,M
-517,2022,MI,FT,Data Engineer,62000,EUR,68147,FR,100,FR,M
-518,2022,MI,FT,Data Scientist,115000,CHF,122346,CH,0,CH,L
-519,2022,SE,FT,Applied Data Scientist,380000,USD,380000,US,100,US,L
-520,2022,MI,FT,Data Scientist,88000,CAD,69336,CA,100,CA,M
-521,2022,EN,FT,Computer Vision Engineer,10000,USD,10000,PT,100,LU,M
-522,2022,MI,FT,Data Analyst,20000,USD,20000,GR,100,GR,S
-523,2022,SE,FT,Data Analytics Lead,405000,USD,405000,US,100,US,L
-524,2022,MI,FT,Data Scientist,135000,USD,135000,US,100,US,L
-525,2022,SE,FT,Applied Data Scientist,177000,USD,177000,US,100,US,L
-526,2022,MI,FT,Data Scientist,78000,USD,78000,US,100,US,M
-527,2022,SE,FT,Data Analyst,135000,USD,135000,US,100,US,M
-528,2022,SE,FT,Data Analyst,100000,USD,100000,US,100,US,M
-529,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-530,2022,MI,FT,Data Analyst,85000,USD,85000,CA,0,CA,M
-531,2022,MI,FT,Data Analyst,75000,USD,75000,CA,0,CA,M
-532,2022,SE,FT,Machine Learning Engineer,214000,USD,214000,US,100,US,M
-533,2022,SE,FT,Machine Learning Engineer,192600,USD,192600,US,100,US,M
-534,2022,SE,FT,Data Architect,266400,USD,266400,US,100,US,M
-535,2022,SE,FT,Data Architect,213120,USD,213120,US,100,US,M
-536,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-537,2022,SE,FT,Data Engineer,155000,USD,155000,US,100,US,M
-538,2022,MI,FT,Data Scientist,141300,USD,141300,US,0,US,M
-539,2022,MI,FT,Data Scientist,102100,USD,102100,US,0,US,M
-540,2022,SE,FT,Data Analyst,115934,USD,115934,US,100,US,M
-541,2022,SE,FT,Data Analyst,81666,USD,81666,US,100,US,M
-542,2022,MI,FT,Data Engineer,206699,USD,206699,US,0,US,M
-543,2022,MI,FT,Data Engineer,99100,USD,99100,US,0,US,M
-544,2022,SE,FT,Data Engineer,130000,USD,130000,US,100,US,M
-545,2022,SE,FT,Data Engineer,115000,USD,115000,US,100,US,M
-546,2022,SE,FT,Data Engineer,110500,USD,110500,US,100,US,M
-547,2022,SE,FT,Data Engineer,130000,USD,130000,US,100,US,M
-548,2022,SE,FT,Data Analyst,99050,USD,99050,US,100,US,M
-549,2022,SE,FT,Data Engineer,160000,USD,160000,US,100,US,M
-550,2022,SE,FT,Data Scientist,205300,USD,205300,US,0,US,L
-551,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,L
-552,2022,SE,FT,Data Scientist,176000,USD,176000,US,100,US,M
-553,2022,SE,FT,Data Scientist,144000,USD,144000,US,100,US,M
-554,2022,SE,FT,Data Engineer,200100,USD,200100,US,100,US,M
-555,2022,SE,FT,Data Engineer,160000,USD,160000,US,100,US,M
-556,2022,SE,FT,Data Engineer,145000,USD,145000,US,100,US,M
-557,2022,SE,FT,Data Engineer,70500,USD,70500,US,0,US,M
-558,2022,SE,FT,Data Scientist,205300,USD,205300,US,0,US,M
-559,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,M
-560,2022,SE,FT,Analytics Engineer,205300,USD,205300,US,0,US,M
-561,2022,SE,FT,Analytics Engineer,184700,USD,184700,US,0,US,M
-562,2022,SE,FT,Data Engineer,175100,USD,175100,US,100,US,M
-563,2022,SE,FT,Data Engineer,140250,USD,140250,US,100,US,M
-564,2022,SE,FT,Data Analyst,116150,USD,116150,US,100,US,M
-565,2022,SE,FT,Data Engineer,54000,USD,54000,US,0,US,M
-566,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-567,2022,MI,FT,Data Analyst,50000,GBP,65438,GB,0,GB,M
-568,2022,SE,FT,Data Analyst,80000,USD,80000,US,100,US,M
-569,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-570,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-571,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-572,2022,SE,FT,Data Analyst,100000,USD,100000,US,100,US,M
-573,2022,SE,FT,Data Analyst,69000,USD,69000,US,100,US,M
-574,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-575,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-576,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-577,2022,SE,FT,Data Analyst,150075,USD,150075,US,100,US,M
-578,2022,SE,FT,Data Engineer,100000,USD,100000,US,100,US,M
-579,2022,SE,FT,Data Engineer,25000,USD,25000,US,100,US,M
-580,2022,SE,FT,Data Analyst,126500,USD,126500,US,100,US,M
-581,2022,SE,FT,Data Analyst,106260,USD,106260,US,100,US,M
-582,2022,SE,FT,Data Engineer,220110,USD,220110,US,100,US,M
-583,2022,SE,FT,Data Engineer,160080,USD,160080,US,100,US,M
-584,2022,SE,FT,Data Analyst,105000,USD,105000,US,100,US,M
-585,2022,SE,FT,Data Analyst,110925,USD,110925,US,100,US,M
-586,2022,MI,FT,Data Analyst,35000,GBP,45807,GB,0,GB,M
-587,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-588,2022,SE,FT,Data Analyst,99000,USD,99000,US,0,US,M
-589,2022,SE,FT,Data Analyst,60000,USD,60000,US,100,US,M
-590,2022,SE,FT,Data Architect,192564,USD,192564,US,100,US,M
-591,2022,SE,FT,Data Architect,144854,USD,144854,US,100,US,M
-592,2022,SE,FT,Data Scientist,230000,USD,230000,US,100,US,M
-593,2022,SE,FT,Data Scientist,150000,USD,150000,US,100,US,M
-594,2022,SE,FT,Data Analytics Manager,150260,USD,150260,US,100,US,M
-595,2022,SE,FT,Data Analytics Manager,109280,USD,109280,US,100,US,M
-596,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-597,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-598,2022,MI,FT,Data Scientist,160000,USD,160000,US,100,US,M
-599,2022,MI,FT,Data Scientist,130000,USD,130000,US,100,US,M
-600,2022,EN,FT,Data Analyst,67000,USD,67000,CA,0,CA,M
-601,2022,EN,FT,Data Analyst,52000,USD,52000,CA,0,CA,M
-602,2022,SE,FT,Data Engineer,154000,USD,154000,US,100,US,M
-603,2022,SE,FT,Data Engineer,126000,USD,126000,US,100,US,M
-604,2022,SE,FT,Data Analyst,129000,USD,129000,US,0,US,M
-605,2022,SE,FT,Data Analyst,150000,USD,150000,US,100,US,M
-606,2022,MI,FT,AI Scientist,200000,USD,200000,IN,100,US,L

degtyarev_mikhail_lab_5/main.py

@@ -1,60 +0,0 @@
-import pandas as pd
-from sklearn.model_selection import train_test_split
-from sklearn.linear_model import Lasso
-from sklearn.metrics import mean_squared_error
-from sklearn.preprocessing import StandardScaler, OneHotEncoder
-from sklearn.compose import ColumnTransformer
-from sklearn.pipeline import Pipeline
-import matplotlib.pyplot as plt
-
-# Загрузка данных
-file_path = 'ds_salaries.csv'
-data = pd.read_csv(file_path)
-
-# Предварительная обработка данных
-categorical_features = ['experience_level', 'employment_type', 'company_location', 'company_size']
-numeric_features = ['work_year']
-
-preprocessor = ColumnTransformer(
-    transformers=[
-        ('num', StandardScaler(), numeric_features),
-        ('cat', OneHotEncoder(handle_unknown='ignore'), categorical_features)
-    ])
-
-# Выбор признаков
-features = ['work_year', 'experience_level', 'employment_type', 'company_location', 'company_size']
-X = data[features]
-y = data['salary_in_usd']
-
-# Разделение данных на обучающий и тестовый наборы
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
-
-# Создание и обучение модели с использованием предварительного обработчика данных
-alpha = 0.01
-lasso_model = Pipeline([
-    ('preprocessor', preprocessor),
-    ('lasso', Lasso(alpha=alpha))
-])
-
-lasso_model.fit(X_train, y_train)
-
-# Получение прогнозов
-y_pred = lasso_model.predict(X_test)
-
-# Оценка точности модели
-accuracy = lasso_model.score(X_test, y_test)
-mse = mean_squared_error(y_test, y_pred)
-
-print(f"R^2 Score: {accuracy:.2f}")
-print(f"Mean Squared Error: {mse:.2f}")
-
-# Вывод предсказанных и фактических значений
-predictions_df = pd.DataFrame({'Actual': y_test, 'Predicted': y_pred})
-print(predictions_df)
-
-# Визуализация весов (коэффициентов) модели
-coefficients = pd.Series(lasso_model.named_steps['lasso'].coef_, index=numeric_features + list(lasso_model.named_steps['preprocessor'].transformers_[1][1].get_feature_names(categorical_features)))
-plt.figure(figsize=(10, 6))
-coefficients.sort_values().plot(kind='barh')
-plt.title('Lasso Regression Coefficients')
-plt.show()

degtyarev_mikhail_lab_6/Readme.md

@@ -1,60 +0,0 @@
-# Лабораторная 6
-## Вариант 9
-
-## Задание
-Использовать нейронную сеть MLPClassifier для данных из таблицы 1 по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо она подходит для решения сформулированной вами задачи
-
-Задача:
-
-Использовать MLPClassifier для прогнозирования заработной платы на основе опыта работы (experience_level), типа занятости (employment_type), местоположения компании (company_location) и размера компании (company_size). Оценить, насколько хорошо нейронная сеть подходит для решения этой задачи.
-## Описание Программы
-Программа представляет собой пример использования MLPClassifier для прогнозирования заработной платы на основе различных признаков.
-### Используемые библиотеки
-- `pandas`: Библиотека для обработки и анализа данных, используется для загрузки и предобработки данных.
-- `scikit-learn`:
-  - `train_test_split`: Используется для разделения данных на обучающий и тестовый наборы.
-  - `StandardScaler`: Применяется для нормализации числовых признаков.
-  - `OneHotEncoder`: Используется для кодирования категориальных признаков.
-  - `MLPClassifier`: Классификатор многослойного персептрона (нейронная сеть).
-  - `accuracy_score`: Используется для оценки точности классификации.
-
-### Шаги программы
-
-1. **Загрузка данных:**
-   - Загружаются данные из файла `ds_salaries.csv` с использованием библиотеки pandas.
-
-2. **Определение категорий заработной платы:**
-   - Создаются категории заработной платы на основе бинов с использованием `pd.cut`.
-
-3. **Добавление столбца с категориями:**
-   - Добавляется столбец с категориями в данные.
-
-4. **Предварительная обработка данных:**
-   - Категориальные признаки ('experience_level', 'employment_type', 'job_title', 'employee_residence', 'company_location', 'company_size') обрабатываются с использованием OneHotEncoder.
-   - Числовые признаки ('work_year', 'remote_ratio') нормализуются с помощью StandardScaler.
-   - Эти шаги объединяются в ColumnTransformer и используются в качестве предварительного обработчика данных.
-
-5. **Выбор признаков:**
-   - Определены признаки, которые будут использоваться для обучения модели.
-
-6. **Разделение данных:**
-   - Данные разделены на обучающий и тестовый наборы в соотношении 80/20 с использованием функции `train_test_split`.
-
-7. **Обучение модели:**
-   - Используется MLPClassifier, объединенный с предварительным обработчиком данных в рамках Pipeline.
-
-8. **Оценка производительности модели:**
-   - Вычисляется и выводится точность модели с использованием метрики `accuracy_score`.
-
-### Запуск программы
-- Склонировать или скачать код `main.py`.
-- Запустите файл в среде, поддерживающей выполнение Python. `python main.py`
-
-### Результаты
-
-- Точность модели оценивается метрикой accuracy, которая может быть выведена в консоль или использована для визуализации.
-
-В данном случае accuracy получилось: 0.5901639344262295
-
-Чем ближе результат к единице, тем лучше, но данный результат в 59% можно считать средним.
-

degtyarev_mikhail_lab_6/ds_salaries.csv

@@ -1,608 +0,0 @@
-,work_year,experience_level,employment_type,job_title,salary,salary_currency,salary_in_usd,employee_residence,remote_ratio,company_location,company_size
-0,2020,MI,FT,Data Scientist,70000,EUR,79833,DE,0,DE,L
-1,2020,SE,FT,Machine Learning Scientist,260000,USD,260000,JP,0,JP,S
-2,2020,SE,FT,Big Data Engineer,85000,GBP,109024,GB,50,GB,M
-3,2020,MI,FT,Product Data Analyst,20000,USD,20000,HN,0,HN,S
-4,2020,SE,FT,Machine Learning Engineer,150000,USD,150000,US,50,US,L
-5,2020,EN,FT,Data Analyst,72000,USD,72000,US,100,US,L
-6,2020,SE,FT,Lead Data Scientist,190000,USD,190000,US,100,US,S
-7,2020,MI,FT,Data Scientist,11000000,HUF,35735,HU,50,HU,L
-8,2020,MI,FT,Business Data Analyst,135000,USD,135000,US,100,US,L
-9,2020,SE,FT,Lead Data Engineer,125000,USD,125000,NZ,50,NZ,S
-10,2020,EN,FT,Data Scientist,45000,EUR,51321,FR,0,FR,S
-11,2020,MI,FT,Data Scientist,3000000,INR,40481,IN,0,IN,L
-12,2020,EN,FT,Data Scientist,35000,EUR,39916,FR,0,FR,M
-13,2020,MI,FT,Lead Data Analyst,87000,USD,87000,US,100,US,L
-14,2020,MI,FT,Data Analyst,85000,USD,85000,US,100,US,L
-15,2020,MI,FT,Data Analyst,8000,USD,8000,PK,50,PK,L
-16,2020,EN,FT,Data Engineer,4450000,JPY,41689,JP,100,JP,S
-17,2020,SE,FT,Big Data Engineer,100000,EUR,114047,PL,100,GB,S
-18,2020,EN,FT,Data Science Consultant,423000,INR,5707,IN,50,IN,M
-19,2020,MI,FT,Lead Data Engineer,56000,USD,56000,PT,100,US,M
-20,2020,MI,FT,Machine Learning Engineer,299000,CNY,43331,CN,0,CN,M
-21,2020,MI,FT,Product Data Analyst,450000,INR,6072,IN,100,IN,L
-22,2020,SE,FT,Data Engineer,42000,EUR,47899,GR,50,GR,L
-23,2020,MI,FT,BI Data Analyst,98000,USD,98000,US,0,US,M
-24,2020,MI,FT,Lead Data Scientist,115000,USD,115000,AE,0,AE,L
-25,2020,EX,FT,Director of Data Science,325000,USD,325000,US,100,US,L
-26,2020,EN,FT,Research Scientist,42000,USD,42000,NL,50,NL,L
-27,2020,SE,FT,Data Engineer,720000,MXN,33511,MX,0,MX,S
-28,2020,EN,CT,Business Data Analyst,100000,USD,100000,US,100,US,L
-29,2020,SE,FT,Machine Learning Manager,157000,CAD,117104,CA,50,CA,L
-30,2020,MI,FT,Data Engineering Manager,51999,EUR,59303,DE,100,DE,S
-31,2020,EN,FT,Big Data Engineer,70000,USD,70000,US,100,US,L
-32,2020,SE,FT,Data Scientist,60000,EUR,68428,GR,100,US,L
-33,2020,MI,FT,Research Scientist,450000,USD,450000,US,0,US,M
-34,2020,MI,FT,Data Analyst,41000,EUR,46759,FR,50,FR,L
-35,2020,MI,FT,Data Engineer,65000,EUR,74130,AT,50,AT,L
-36,2020,MI,FT,Data Science Consultant,103000,USD,103000,US,100,US,L
-37,2020,EN,FT,Machine Learning Engineer,250000,USD,250000,US,50,US,L
-38,2020,EN,FT,Data Analyst,10000,USD,10000,NG,100,NG,S
-39,2020,EN,FT,Machine Learning Engineer,138000,USD,138000,US,100,US,S
-40,2020,MI,FT,Data Scientist,45760,USD,45760,PH,100,US,S
-41,2020,EX,FT,Data Engineering Manager,70000,EUR,79833,ES,50,ES,L
-42,2020,MI,FT,Machine Learning Infrastructure Engineer,44000,EUR,50180,PT,0,PT,M
-43,2020,MI,FT,Data Engineer,106000,USD,106000,US,100,US,L
-44,2020,MI,FT,Data Engineer,88000,GBP,112872,GB,50,GB,L
-45,2020,EN,PT,ML Engineer,14000,EUR,15966,DE,100,DE,S
-46,2020,MI,FT,Data Scientist,60000,GBP,76958,GB,100,GB,S
-47,2020,SE,FT,Data Engineer,188000,USD,188000,US,100,US,L
-48,2020,MI,FT,Data Scientist,105000,USD,105000,US,100,US,L
-49,2020,MI,FT,Data Engineer,61500,EUR,70139,FR,50,FR,L
-50,2020,EN,FT,Data Analyst,450000,INR,6072,IN,0,IN,S
-51,2020,EN,FT,Data Analyst,91000,USD,91000,US,100,US,L
-52,2020,EN,FT,AI Scientist,300000,DKK,45896,DK,50,DK,S
-53,2020,EN,FT,Data Engineer,48000,EUR,54742,PK,100,DE,L
-54,2020,SE,FL,Computer Vision Engineer,60000,USD,60000,RU,100,US,S
-55,2020,SE,FT,Principal Data Scientist,130000,EUR,148261,DE,100,DE,M
-56,2020,MI,FT,Data Scientist,34000,EUR,38776,ES,100,ES,M
-57,2020,MI,FT,Data Scientist,118000,USD,118000,US,100,US,M
-58,2020,SE,FT,Data Scientist,120000,USD,120000,US,50,US,L
-59,2020,MI,FT,Data Scientist,138350,USD,138350,US,100,US,M
-60,2020,MI,FT,Data Engineer,110000,USD,110000,US,100,US,L
-61,2020,MI,FT,Data Engineer,130800,USD,130800,ES,100,US,M
-62,2020,EN,PT,Data Scientist,19000,EUR,21669,IT,50,IT,S
-63,2020,SE,FT,Data Scientist,412000,USD,412000,US,100,US,L
-64,2020,SE,FT,Machine Learning Engineer,40000,EUR,45618,HR,100,HR,S
-65,2020,EN,FT,Data Scientist,55000,EUR,62726,DE,50,DE,S
-66,2020,EN,FT,Data Scientist,43200,EUR,49268,DE,0,DE,S
-67,2020,SE,FT,Data Science Manager,190200,USD,190200,US,100,US,M
-68,2020,EN,FT,Data Scientist,105000,USD,105000,US,100,US,S
-69,2020,SE,FT,Data Scientist,80000,EUR,91237,AT,0,AT,S
-70,2020,MI,FT,Data Scientist,55000,EUR,62726,FR,50,LU,S
-71,2020,MI,FT,Data Scientist,37000,EUR,42197,FR,50,FR,S
-72,2021,EN,FT,Research Scientist,60000,GBP,82528,GB,50,GB,L
-73,2021,EX,FT,BI Data Analyst,150000,USD,150000,IN,100,US,L
-74,2021,EX,FT,Head of Data,235000,USD,235000,US,100,US,L
-75,2021,SE,FT,Data Scientist,45000,EUR,53192,FR,50,FR,L
-76,2021,MI,FT,BI Data Analyst,100000,USD,100000,US,100,US,M
-77,2021,MI,PT,3D Computer Vision Researcher,400000,INR,5409,IN,50,IN,M
-78,2021,MI,CT,ML Engineer,270000,USD,270000,US,100,US,L
-79,2021,EN,FT,Data Analyst,80000,USD,80000,US,100,US,M
-80,2021,SE,FT,Data Analytics Engineer,67000,EUR,79197,DE,100,DE,L
-81,2021,MI,FT,Data Engineer,140000,USD,140000,US,100,US,L
-82,2021,MI,FT,Applied Data Scientist,68000,CAD,54238,GB,50,CA,L
-83,2021,MI,FT,Machine Learning Engineer,40000,EUR,47282,ES,100,ES,S
-84,2021,EX,FT,Director of Data Science,130000,EUR,153667,IT,100,PL,L
-85,2021,MI,FT,Data Engineer,110000,PLN,28476,PL,100,PL,L
-86,2021,EN,FT,Data Analyst,50000,EUR,59102,FR,50,FR,M
-87,2021,MI,FT,Data Analytics Engineer,110000,USD,110000,US,100,US,L
-88,2021,SE,FT,Lead Data Analyst,170000,USD,170000,US,100,US,L
-89,2021,SE,FT,Data Analyst,80000,USD,80000,BG,100,US,S
-90,2021,SE,FT,Marketing Data Analyst,75000,EUR,88654,GR,100,DK,L
-91,2021,EN,FT,Data Science Consultant,65000,EUR,76833,DE,100,DE,S
-92,2021,MI,FT,Lead Data Analyst,1450000,INR,19609,IN,100,IN,L
-93,2021,SE,FT,Lead Data Engineer,276000,USD,276000,US,0,US,L
-94,2021,EN,FT,Data Scientist,2200000,INR,29751,IN,50,IN,L
-95,2021,MI,FT,Cloud Data Engineer,120000,SGD,89294,SG,50,SG,L
-96,2021,EN,PT,AI Scientist,12000,USD,12000,BR,100,US,S
-97,2021,MI,FT,Financial Data Analyst,450000,USD,450000,US,100,US,L
-98,2021,EN,FT,Computer Vision Software Engineer,70000,USD,70000,US,100,US,M
-99,2021,MI,FT,Computer Vision Software Engineer,81000,EUR,95746,DE,100,US,S
-100,2021,MI,FT,Data Analyst,75000,USD,75000,US,0,US,L
-101,2021,SE,FT,Data Engineer,150000,USD,150000,US,100,US,L
-102,2021,MI,FT,BI Data Analyst,11000000,HUF,36259,HU,50,US,L
-103,2021,MI,FT,Data Analyst,62000,USD,62000,US,0,US,L
-104,2021,MI,FT,Data Scientist,73000,USD,73000,US,0,US,L
-105,2021,MI,FT,Data Analyst,37456,GBP,51519,GB,50,GB,L
-106,2021,MI,FT,Research Scientist,235000,CAD,187442,CA,100,CA,L
-107,2021,SE,FT,Data Engineer,115000,USD,115000,US,100,US,S
-108,2021,SE,FT,Data Engineer,150000,USD,150000,US,100,US,M
-109,2021,EN,FT,Data Engineer,2250000,INR,30428,IN,100,IN,L
-110,2021,SE,FT,Machine Learning Engineer,80000,EUR,94564,DE,50,DE,L
-111,2021,SE,FT,Director of Data Engineering,82500,GBP,113476,GB,100,GB,M
-112,2021,SE,FT,Lead Data Engineer,75000,GBP,103160,GB,100,GB,S
-113,2021,EN,PT,AI Scientist,12000,USD,12000,PK,100,US,M
-114,2021,MI,FT,Data Engineer,38400,EUR,45391,NL,100,NL,L
-115,2021,EN,FT,Machine Learning Scientist,225000,USD,225000,US,100,US,L
-116,2021,MI,FT,Data Scientist,50000,USD,50000,NG,100,NG,L
-117,2021,MI,FT,Data Science Engineer,34000,EUR,40189,GR,100,GR,M
-118,2021,EN,FT,Data Analyst,90000,USD,90000,US,100,US,S
-119,2021,MI,FT,Data Engineer,200000,USD,200000,US,100,US,L
-120,2021,MI,FT,Big Data Engineer,60000,USD,60000,ES,50,RO,M
-121,2021,SE,FT,Principal Data Engineer,200000,USD,200000,US,100,US,M
-122,2021,EN,FT,Data Analyst,50000,USD,50000,US,100,US,M
-123,2021,EN,FT,Applied Data Scientist,80000,GBP,110037,GB,0,GB,L
-124,2021,EN,PT,Data Analyst,8760,EUR,10354,ES,50,ES,M
-125,2021,MI,FT,Principal Data Scientist,151000,USD,151000,US,100,US,L
-126,2021,SE,FT,Machine Learning Scientist,120000,USD,120000,US,50,US,S
-127,2021,MI,FT,Data Scientist,700000,INR,9466,IN,0,IN,S
-128,2021,EN,FT,Machine Learning Engineer,20000,USD,20000,IN,100,IN,S
-129,2021,SE,FT,Lead Data Scientist,3000000,INR,40570,IN,50,IN,L
-130,2021,EN,FT,Machine Learning Developer,100000,USD,100000,IQ,50,IQ,S
-131,2021,EN,FT,Data Scientist,42000,EUR,49646,FR,50,FR,M
-132,2021,MI,FT,Applied Machine Learning Scientist,38400,USD,38400,VN,100,US,M
-133,2021,SE,FT,Computer Vision Engineer,24000,USD,24000,BR,100,BR,M
-134,2021,EN,FT,Data Scientist,100000,USD,100000,US,0,US,S
-135,2021,MI,FT,Data Analyst,90000,USD,90000,US,100,US,M
-136,2021,MI,FT,ML Engineer,7000000,JPY,63711,JP,50,JP,S
-137,2021,MI,FT,ML Engineer,8500000,JPY,77364,JP,50,JP,S
-138,2021,SE,FT,Principal Data Scientist,220000,USD,220000,US,0,US,L
-139,2021,EN,FT,Data Scientist,80000,USD,80000,US,100,US,M
-140,2021,MI,FT,Data Analyst,135000,USD,135000,US,100,US,L
-141,2021,SE,FT,Data Science Manager,240000,USD,240000,US,0,US,L
-142,2021,SE,FT,Data Engineering Manager,150000,USD,150000,US,0,US,L
-143,2021,MI,FT,Data Scientist,82500,USD,82500,US,100,US,S
-144,2021,MI,FT,Data Engineer,100000,USD,100000,US,100,US,L
-145,2021,SE,FT,Machine Learning Engineer,70000,EUR,82744,BE,50,BE,M
-146,2021,MI,FT,Research Scientist,53000,EUR,62649,FR,50,FR,M
-147,2021,MI,FT,Data Engineer,90000,USD,90000,US,100,US,L
-148,2021,SE,FT,Data Engineering Manager,153000,USD,153000,US,100,US,L
-149,2021,SE,FT,Cloud Data Engineer,160000,USD,160000,BR,100,US,S
-150,2021,SE,FT,Director of Data Science,168000,USD,168000,JP,0,JP,S
-151,2021,MI,FT,Data Scientist,150000,USD,150000,US,100,US,M
-152,2021,MI,FT,Data Scientist,95000,CAD,75774,CA,100,CA,L
-153,2021,EN,FT,Data Scientist,13400,USD,13400,UA,100,UA,L
-154,2021,SE,FT,Data Science Manager,144000,USD,144000,US,100,US,L
-155,2021,SE,FT,Data Science Engineer,159500,CAD,127221,CA,50,CA,L
-156,2021,MI,FT,Data Scientist,160000,SGD,119059,SG,100,IL,M
-157,2021,MI,FT,Applied Machine Learning Scientist,423000,USD,423000,US,50,US,L
-158,2021,SE,FT,Data Analytics Manager,120000,USD,120000,US,100,US,M
-159,2021,EN,FT,Machine Learning Engineer,125000,USD,125000,US,100,US,S
-160,2021,EX,FT,Head of Data,230000,USD,230000,RU,50,RU,L
-161,2021,EX,FT,Head of Data Science,85000,USD,85000,RU,0,RU,M
-162,2021,MI,FT,Data Engineer,24000,EUR,28369,MT,50,MT,L
-163,2021,EN,FT,Data Science Consultant,54000,EUR,63831,DE,50,DE,L
-164,2021,EX,FT,Director of Data Science,110000,EUR,130026,DE,50,DE,M
-165,2021,SE,FT,Data Specialist,165000,USD,165000,US,100,US,L
-166,2021,EN,FT,Data Engineer,80000,USD,80000,US,100,US,L
-167,2021,EX,FT,Director of Data Science,250000,USD,250000,US,0,US,L
-168,2021,EN,FT,BI Data Analyst,55000,USD,55000,US,50,US,S
-169,2021,MI,FT,Data Architect,150000,USD,150000,US,100,US,L
-170,2021,MI,FT,Data Architect,170000,USD,170000,US,100,US,L
-171,2021,MI,FT,Data Engineer,60000,GBP,82528,GB,100,GB,L
-172,2021,EN,FT,Data Analyst,60000,USD,60000,US,100,US,S
-173,2021,SE,FT,Principal Data Scientist,235000,USD,235000,US,100,US,L
-174,2021,SE,FT,Research Scientist,51400,EUR,60757,PT,50,PT,L
-175,2021,SE,FT,Data Engineering Manager,174000,USD,174000,US,100,US,L
-176,2021,MI,FT,Data Scientist,58000,MXN,2859,MX,0,MX,S
-177,2021,MI,FT,Data Scientist,30400000,CLP,40038,CL,100,CL,L
-178,2021,EN,FT,Machine Learning Engineer,81000,USD,81000,US,50,US,S
-179,2021,MI,FT,Data Scientist,420000,INR,5679,IN,100,US,S
-180,2021,MI,FT,Big Data Engineer,1672000,INR,22611,IN,0,IN,L
-181,2021,MI,FT,Data Scientist,76760,EUR,90734,DE,50,DE,L
-182,2021,MI,FT,Data Engineer,22000,EUR,26005,RO,0,US,L
-183,2021,SE,FT,Finance Data Analyst,45000,GBP,61896,GB,50,GB,L
-184,2021,MI,FL,Machine Learning Scientist,12000,USD,12000,PK,50,PK,M
-185,2021,MI,FT,Data Engineer,4000,USD,4000,IR,100,IR,M
-186,2021,SE,FT,Data Analytics Engineer,50000,USD,50000,VN,100,GB,M
-187,2021,EX,FT,Data Science Consultant,59000,EUR,69741,FR,100,ES,S
-188,2021,SE,FT,Data Engineer,65000,EUR,76833,RO,50,GB,S
-189,2021,MI,FT,Machine Learning Engineer,74000,USD,74000,JP,50,JP,S
-190,2021,SE,FT,Data Science Manager,152000,USD,152000,US,100,FR,L
-191,2021,EN,FT,Machine Learning Engineer,21844,USD,21844,CO,50,CO,M
-192,2021,MI,FT,Big Data Engineer,18000,USD,18000,MD,0,MD,S
-193,2021,SE,FT,Data Science Manager,174000,USD,174000,US,100,US,L
-194,2021,SE,FT,Research Scientist,120500,CAD,96113,CA,50,CA,L
-195,2021,MI,FT,Data Scientist,147000,USD,147000,US,50,US,L
-196,2021,EN,FT,BI Data Analyst,9272,USD,9272,KE,100,KE,S
-197,2021,SE,FT,Machine Learning Engineer,1799997,INR,24342,IN,100,IN,L
-198,2021,SE,FT,Data Science Manager,4000000,INR,54094,IN,50,US,L
-199,2021,EN,FT,Data Science Consultant,90000,USD,90000,US,100,US,S
-200,2021,MI,FT,Data Scientist,52000,EUR,61467,DE,50,AT,M
-201,2021,SE,FT,Machine Learning Infrastructure Engineer,195000,USD,195000,US,100,US,M
-202,2021,MI,FT,Data Scientist,32000,EUR,37825,ES,100,ES,L
-203,2021,SE,FT,Research Scientist,50000,USD,50000,FR,100,US,S
-204,2021,MI,FT,Data Scientist,160000,USD,160000,US,100,US,L
-205,2021,MI,FT,Data Scientist,69600,BRL,12901,BR,0,BR,S
-206,2021,SE,FT,Machine Learning Engineer,200000,USD,200000,US,100,US,L
-207,2021,SE,FT,Data Engineer,165000,USD,165000,US,0,US,M
-208,2021,MI,FL,Data Engineer,20000,USD,20000,IT,0,US,L
-209,2021,SE,FT,Data Analytics Manager,120000,USD,120000,US,0,US,L
-210,2021,MI,FT,Machine Learning Engineer,21000,EUR,24823,SI,50,SI,L
-211,2021,MI,FT,Research Scientist,48000,EUR,56738,FR,50,FR,S
-212,2021,MI,FT,Data Engineer,48000,GBP,66022,HK,50,GB,S
-213,2021,EN,FT,Big Data Engineer,435000,INR,5882,IN,0,CH,L
-214,2021,EN,FT,Machine Learning Engineer,21000,EUR,24823,DE,50,DE,M
-215,2021,SE,FT,Principal Data Engineer,185000,USD,185000,US,100,US,L
-216,2021,EN,PT,Computer Vision Engineer,180000,DKK,28609,DK,50,DK,S
-217,2021,MI,FT,Data Scientist,76760,EUR,90734,DE,50,DE,L
-218,2021,MI,FT,Machine Learning Engineer,75000,EUR,88654,BE,100,BE,M
-219,2021,SE,FT,Data Analytics Manager,140000,USD,140000,US,100,US,L
-220,2021,MI,FT,Machine Learning Engineer,180000,PLN,46597,PL,100,PL,L
-221,2021,MI,FT,Data Scientist,85000,GBP,116914,GB,50,GB,L
-222,2021,MI,FT,Data Scientist,2500000,INR,33808,IN,0,IN,M
-223,2021,MI,FT,Data Scientist,40900,GBP,56256,GB,50,GB,L
-224,2021,SE,FT,Machine Learning Scientist,225000,USD,225000,US,100,CA,L
-225,2021,EX,CT,Principal Data Scientist,416000,USD,416000,US,100,US,S
-226,2021,SE,FT,Data Scientist,110000,CAD,87738,CA,100,CA,S
-227,2021,MI,FT,Data Scientist,75000,EUR,88654,DE,50,DE,L
-228,2021,SE,FT,Data Scientist,135000,USD,135000,US,0,US,L
-229,2021,SE,FT,Data Analyst,90000,CAD,71786,CA,100,CA,M
-230,2021,EN,FT,Big Data Engineer,1200000,INR,16228,IN,100,IN,L
-231,2021,SE,FT,ML Engineer,256000,USD,256000,US,100,US,S
-232,2021,SE,FT,Director of Data Engineering,200000,USD,200000,US,100,US,L
-233,2021,SE,FT,Data Analyst,200000,USD,200000,US,100,US,L
-234,2021,MI,FT,Data Architect,180000,USD,180000,US,100,US,L
-235,2021,MI,FT,Head of Data Science,110000,USD,110000,US,0,US,S
-236,2021,MI,FT,Research Scientist,80000,CAD,63810,CA,100,CA,M
-237,2021,MI,FT,Data Scientist,39600,EUR,46809,ES,100,ES,M
-238,2021,EN,FT,Data Scientist,4000,USD,4000,VN,0,VN,M
-239,2021,EN,FT,Data Engineer,1600000,INR,21637,IN,50,IN,M
-240,2021,SE,FT,Data Scientist,130000,CAD,103691,CA,100,CA,L
-241,2021,MI,FT,Data Analyst,80000,USD,80000,US,100,US,L
-242,2021,MI,FT,Data Engineer,110000,USD,110000,US,100,US,L
-243,2021,SE,FT,Data Scientist,165000,USD,165000,US,100,US,L
-244,2021,EN,FT,AI Scientist,1335000,INR,18053,IN,100,AS,S
-245,2021,MI,FT,Data Engineer,52500,GBP,72212,GB,50,GB,L
-246,2021,EN,FT,Data Scientist,31000,EUR,36643,FR,50,FR,L
-247,2021,MI,FT,Data Engineer,108000,TRY,12103,TR,0,TR,M
-248,2021,SE,FT,Data Engineer,70000,GBP,96282,GB,50,GB,L
-249,2021,SE,FT,Principal Data Analyst,170000,USD,170000,US,100,US,M
-250,2021,MI,FT,Data Scientist,115000,USD,115000,US,50,US,L
-251,2021,EN,FT,Data Scientist,90000,USD,90000,US,100,US,S
-252,2021,EX,FT,Principal Data Engineer,600000,USD,600000,US,100,US,L
-253,2021,EN,FT,Data Scientist,2100000,INR,28399,IN,100,IN,M
-254,2021,MI,FT,Data Analyst,93000,USD,93000,US,100,US,L
-255,2021,SE,FT,Big Data Architect,125000,CAD,99703,CA,50,CA,M
-256,2021,MI,FT,Data Engineer,200000,USD,200000,US,100,US,L
-257,2021,SE,FT,Principal Data Scientist,147000,EUR,173762,DE,100,DE,M
-258,2021,SE,FT,Machine Learning Engineer,185000,USD,185000,US,50,US,L
-259,2021,EX,FT,Director of Data Science,120000,EUR,141846,DE,0,DE,L
-260,2021,MI,FT,Data Scientist,130000,USD,130000,US,50,US,L
-261,2021,SE,FT,Data Analyst,54000,EUR,63831,DE,50,DE,L
-262,2021,MI,FT,Data Scientist,1250000,INR,16904,IN,100,IN,S
-263,2021,SE,FT,Machine Learning Engineer,4900000,INR,66265,IN,0,IN,L
-264,2021,MI,FT,Data Scientist,21600,EUR,25532,RS,100,DE,S
-265,2021,SE,FT,Lead Data Engineer,160000,USD,160000,PR,50,US,S
-266,2021,MI,FT,Data Engineer,93150,USD,93150,US,0,US,M
-267,2021,MI,FT,Data Engineer,111775,USD,111775,US,0,US,M
-268,2021,MI,FT,Data Engineer,250000,TRY,28016,TR,100,TR,M
-269,2021,EN,FT,Data Engineer,55000,EUR,65013,DE,50,DE,M
-270,2021,EN,FT,Data Engineer,72500,USD,72500,US,100,US,L
-271,2021,SE,FT,Computer Vision Engineer,102000,BRL,18907,BR,0,BR,M
-272,2021,EN,FT,Data Science Consultant,65000,EUR,76833,DE,0,DE,L
-273,2021,EN,FT,Machine Learning Engineer,85000,USD,85000,NL,100,DE,S
-274,2021,SE,FT,Data Scientist,65720,EUR,77684,FR,50,FR,M
-275,2021,EN,FT,Data Scientist,100000,USD,100000,US,100,US,M
-276,2021,EN,FT,Data Scientist,58000,USD,58000,US,50,US,L
-277,2021,SE,FT,AI Scientist,55000,USD,55000,ES,100,ES,L
-278,2021,SE,FT,Data Scientist,180000,TRY,20171,TR,50,TR,L
-279,2021,EN,FT,Business Data Analyst,50000,EUR,59102,LU,100,LU,L
-280,2021,MI,FT,Data Engineer,112000,USD,112000,US,100,US,L
-281,2021,EN,FT,Research Scientist,100000,USD,100000,JE,0,CN,L
-282,2021,MI,PT,Data Engineer,59000,EUR,69741,NL,100,NL,L
-283,2021,SE,CT,Staff Data Scientist,105000,USD,105000,US,100,US,M
-284,2021,MI,FT,Research Scientist,69999,USD,69999,CZ,50,CZ,L
-285,2021,SE,FT,Data Science Manager,7000000,INR,94665,IN,50,IN,L
-286,2021,SE,FT,Head of Data,87000,EUR,102839,SI,100,SI,L
-287,2021,MI,FT,Data Scientist,109000,USD,109000,US,50,US,L
-288,2021,MI,FT,Machine Learning Engineer,43200,EUR,51064,IT,50,IT,L
-289,2022,SE,FT,Data Engineer,135000,USD,135000,US,100,US,M
-290,2022,SE,FT,Data Analyst,155000,USD,155000,US,100,US,M
-291,2022,SE,FT,Data Analyst,120600,USD,120600,US,100,US,M
-292,2022,MI,FT,Data Scientist,130000,USD,130000,US,0,US,M
-293,2022,MI,FT,Data Scientist,90000,USD,90000,US,0,US,M
-294,2022,MI,FT,Data Engineer,170000,USD,170000,US,100,US,M
-295,2022,MI,FT,Data Engineer,150000,USD,150000,US,100,US,M
-296,2022,SE,FT,Data Analyst,102100,USD,102100,US,100,US,M
-297,2022,SE,FT,Data Analyst,84900,USD,84900,US,100,US,M
-298,2022,SE,FT,Data Scientist,136620,USD,136620,US,100,US,M
-299,2022,SE,FT,Data Scientist,99360,USD,99360,US,100,US,M
-300,2022,SE,FT,Data Scientist,90000,GBP,117789,GB,0,GB,M
-301,2022,SE,FT,Data Scientist,80000,GBP,104702,GB,0,GB,M
-302,2022,SE,FT,Data Scientist,146000,USD,146000,US,100,US,M
-303,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-304,2022,EN,FT,Data Engineer,40000,GBP,52351,GB,100,GB,M
-305,2022,SE,FT,Data Analyst,99000,USD,99000,US,0,US,M
-306,2022,SE,FT,Data Analyst,116000,USD,116000,US,0,US,M
-307,2022,MI,FT,Data Analyst,106260,USD,106260,US,0,US,M
-308,2022,MI,FT,Data Analyst,126500,USD,126500,US,0,US,M
-309,2022,EX,FT,Data Engineer,242000,USD,242000,US,100,US,M
-310,2022,EX,FT,Data Engineer,200000,USD,200000,US,100,US,M
-311,2022,MI,FT,Data Scientist,50000,GBP,65438,GB,0,GB,M
-312,2022,MI,FT,Data Scientist,30000,GBP,39263,GB,0,GB,M
-313,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,0,GB,M
-314,2022,MI,FT,Data Engineer,40000,GBP,52351,GB,0,GB,M
-315,2022,SE,FT,Data Scientist,165220,USD,165220,US,100,US,M
-316,2022,EN,FT,Data Engineer,35000,GBP,45807,GB,100,GB,M
-317,2022,SE,FT,Data Scientist,120160,USD,120160,US,100,US,M
-318,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-319,2022,SE,FT,Data Engineer,181940,USD,181940,US,0,US,M
-320,2022,SE,FT,Data Engineer,132320,USD,132320,US,0,US,M
-321,2022,SE,FT,Data Engineer,220110,USD,220110,US,0,US,M
-322,2022,SE,FT,Data Engineer,160080,USD,160080,US,0,US,M
-323,2022,SE,FT,Data Scientist,180000,USD,180000,US,0,US,L
-324,2022,SE,FT,Data Scientist,120000,USD,120000,US,0,US,L
-325,2022,SE,FT,Data Analyst,124190,USD,124190,US,100,US,M
-326,2022,EX,FT,Data Analyst,130000,USD,130000,US,100,US,M
-327,2022,EX,FT,Data Analyst,110000,USD,110000,US,100,US,M
-328,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-329,2022,MI,FT,Data Analyst,115500,USD,115500,US,100,US,M
-330,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-331,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-332,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-333,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-334,2022,SE,FT,Data Engineer,165400,USD,165400,US,100,US,M
-335,2022,SE,FT,Data Engineer,132320,USD,132320,US,100,US,M
-336,2022,MI,FT,Data Analyst,167000,USD,167000,US,100,US,M
-337,2022,SE,FT,Data Engineer,243900,USD,243900,US,100,US,M
-338,2022,SE,FT,Data Analyst,136600,USD,136600,US,100,US,M
-339,2022,SE,FT,Data Analyst,109280,USD,109280,US,100,US,M
-340,2022,SE,FT,Data Engineer,128875,USD,128875,US,100,US,M
-341,2022,SE,FT,Data Engineer,93700,USD,93700,US,100,US,M
-342,2022,EX,FT,Head of Data Science,224000,USD,224000,US,100,US,M
-343,2022,EX,FT,Head of Data Science,167875,USD,167875,US,100,US,M
-344,2022,EX,FT,Analytics Engineer,175000,USD,175000,US,100,US,M
-345,2022,SE,FT,Data Engineer,156600,USD,156600,US,100,US,M
-346,2022,SE,FT,Data Engineer,108800,USD,108800,US,0,US,M
-347,2022,SE,FT,Data Scientist,95550,USD,95550,US,0,US,M
-348,2022,SE,FT,Data Engineer,113000,USD,113000,US,0,US,L
-349,2022,SE,FT,Data Analyst,135000,USD,135000,US,100,US,M
-350,2022,SE,FT,Data Science Manager,161342,USD,161342,US,100,US,M
-351,2022,SE,FT,Data Science Manager,137141,USD,137141,US,100,US,M
-352,2022,SE,FT,Data Scientist,167000,USD,167000,US,100,US,M
-353,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-354,2022,SE,FT,Data Engineer,60000,GBP,78526,GB,0,GB,M
-355,2022,SE,FT,Data Engineer,50000,GBP,65438,GB,0,GB,M
-356,2022,SE,FT,Data Scientist,150000,USD,150000,US,0,US,M
-357,2022,SE,FT,Data Scientist,211500,USD,211500,US,100,US,M
-358,2022,SE,FT,Data Architect,192400,USD,192400,CA,100,CA,M
-359,2022,SE,FT,Data Architect,90700,USD,90700,CA,100,CA,M
-360,2022,SE,FT,Data Analyst,130000,USD,130000,CA,100,CA,M
-361,2022,SE,FT,Data Analyst,61300,USD,61300,CA,100,CA,M
-362,2022,SE,FT,Data Analyst,130000,USD,130000,CA,100,CA,M
-363,2022,SE,FT,Data Analyst,61300,USD,61300,CA,100,CA,M
-364,2022,SE,FT,Data Engineer,160000,USD,160000,US,0,US,L
-365,2022,SE,FT,Data Scientist,138600,USD,138600,US,100,US,M
-366,2022,SE,FT,Data Engineer,136000,USD,136000,US,0,US,M
-367,2022,MI,FT,Data Analyst,58000,USD,58000,US,0,US,S
-368,2022,EX,FT,Analytics Engineer,135000,USD,135000,US,100,US,M
-369,2022,SE,FT,Data Scientist,170000,USD,170000,US,100,US,M
-370,2022,SE,FT,Data Scientist,123000,USD,123000,US,100,US,M
-371,2022,SE,FT,Machine Learning Engineer,189650,USD,189650,US,0,US,M
-372,2022,SE,FT,Machine Learning Engineer,164996,USD,164996,US,0,US,M
-373,2022,MI,FT,ETL Developer,50000,EUR,54957,GR,0,GR,M
-374,2022,MI,FT,ETL Developer,50000,EUR,54957,GR,0,GR,M
-375,2022,EX,FT,Lead Data Engineer,150000,CAD,118187,CA,100,CA,S
-376,2022,SE,FT,Data Analyst,132000,USD,132000,US,0,US,M
-377,2022,SE,FT,Data Engineer,165400,USD,165400,US,100,US,M
-378,2022,SE,FT,Data Architect,208775,USD,208775,US,100,US,M
-379,2022,SE,FT,Data Architect,147800,USD,147800,US,100,US,M
-380,2022,SE,FT,Data Engineer,136994,USD,136994,US,100,US,M
-381,2022,SE,FT,Data Engineer,101570,USD,101570,US,100,US,M
-382,2022,SE,FT,Data Analyst,128875,USD,128875,US,100,US,M
-383,2022,SE,FT,Data Analyst,93700,USD,93700,US,100,US,M
-384,2022,EX,FT,Head of Machine Learning,6000000,INR,79039,IN,50,IN,L
-385,2022,SE,FT,Data Engineer,132320,USD,132320,US,100,US,M
-386,2022,EN,FT,Machine Learning Engineer,28500,GBP,37300,GB,100,GB,L
-387,2022,SE,FT,Data Analyst,164000,USD,164000,US,0,US,M
-388,2022,SE,FT,Data Engineer,155000,USD,155000,US,100,US,M
-389,2022,MI,FT,Machine Learning Engineer,95000,GBP,124333,GB,0,GB,M
-390,2022,MI,FT,Machine Learning Engineer,75000,GBP,98158,GB,0,GB,M
-391,2022,MI,FT,AI Scientist,120000,USD,120000,US,0,US,M
-392,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-393,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-394,2022,SE,FT,Data Analytics Manager,145000,USD,145000,US,100,US,M
-395,2022,SE,FT,Data Analytics Manager,105400,USD,105400,US,100,US,M
-396,2022,MI,FT,Machine Learning Engineer,80000,EUR,87932,FR,100,DE,M
-397,2022,MI,FT,Data Engineer,90000,GBP,117789,GB,0,GB,M
-398,2022,SE,FT,Data Scientist,215300,USD,215300,US,100,US,L
-399,2022,SE,FT,Data Scientist,158200,USD,158200,US,100,US,L
-400,2022,SE,FT,Data Engineer,209100,USD,209100,US,100,US,L
-401,2022,SE,FT,Data Engineer,154600,USD,154600,US,100,US,L
-402,2022,SE,FT,Data Analyst,115934,USD,115934,US,0,US,M
-403,2022,SE,FT,Data Analyst,81666,USD,81666,US,0,US,M
-404,2022,SE,FT,Data Engineer,175000,USD,175000,US,100,US,M
-405,2022,MI,FT,Data Engineer,75000,GBP,98158,GB,0,GB,M
-406,2022,MI,FT,Data Analyst,58000,USD,58000,US,0,US,S
-407,2022,SE,FT,Data Engineer,183600,USD,183600,US,100,US,L
-408,2022,MI,FT,Data Analyst,40000,GBP,52351,GB,100,GB,M
-409,2022,SE,FT,Data Scientist,180000,USD,180000,US,100,US,M
-410,2022,MI,FT,Data Scientist,55000,GBP,71982,GB,0,GB,M
-411,2022,MI,FT,Data Scientist,35000,GBP,45807,GB,0,GB,M
-412,2022,MI,FT,Data Engineer,60000,EUR,65949,GR,100,GR,M
-413,2022,MI,FT,Data Engineer,45000,EUR,49461,GR,100,GR,M
-414,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,100,GB,M
-415,2022,MI,FT,Data Engineer,45000,GBP,58894,GB,100,GB,M
-416,2022,SE,FT,Data Scientist,260000,USD,260000,US,100,US,M
-417,2022,SE,FT,Data Science Engineer,60000,USD,60000,AR,100,MX,L
-418,2022,MI,FT,Data Engineer,63900,USD,63900,US,0,US,M
-419,2022,MI,FT,Machine Learning Scientist,160000,USD,160000,US,100,US,L
-420,2022,MI,FT,Machine Learning Scientist,112300,USD,112300,US,100,US,L
-421,2022,MI,FT,Data Science Manager,241000,USD,241000,US,100,US,M
-422,2022,MI,FT,Data Science Manager,159000,USD,159000,US,100,US,M
-423,2022,SE,FT,Data Scientist,180000,USD,180000,US,0,US,M
-424,2022,SE,FT,Data Scientist,80000,USD,80000,US,0,US,M
-425,2022,MI,FT,Data Engineer,82900,USD,82900,US,0,US,M
-426,2022,SE,FT,Data Engineer,100800,USD,100800,US,100,US,L
-427,2022,MI,FT,Data Engineer,45000,EUR,49461,ES,100,ES,M
-428,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,L
-429,2022,MI,FT,Data Analyst,30000,GBP,39263,GB,100,GB,M
-430,2022,MI,FT,Data Analyst,40000,EUR,43966,ES,100,ES,M
-431,2022,MI,FT,Data Analyst,30000,EUR,32974,ES,100,ES,M
-432,2022,MI,FT,Data Engineer,80000,EUR,87932,ES,100,ES,M
-433,2022,MI,FT,Data Engineer,70000,EUR,76940,ES,100,ES,M
-434,2022,MI,FT,Data Engineer,80000,GBP,104702,GB,100,GB,M
-435,2022,MI,FT,Data Engineer,70000,GBP,91614,GB,100,GB,M
-436,2022,MI,FT,Data Engineer,60000,EUR,65949,ES,100,ES,M
-437,2022,MI,FT,Data Engineer,80000,EUR,87932,GR,100,GR,M
-438,2022,SE,FT,Machine Learning Engineer,189650,USD,189650,US,0,US,M
-439,2022,SE,FT,Machine Learning Engineer,164996,USD,164996,US,0,US,M
-440,2022,MI,FT,Data Analyst,40000,EUR,43966,GR,100,GR,M
-441,2022,MI,FT,Data Analyst,30000,EUR,32974,GR,100,GR,M
-442,2022,MI,FT,Data Engineer,75000,GBP,98158,GB,100,GB,M
-443,2022,MI,FT,Data Engineer,60000,GBP,78526,GB,100,GB,M
-444,2022,SE,FT,Data Scientist,215300,USD,215300,US,0,US,L
-445,2022,MI,FT,Data Engineer,70000,EUR,76940,GR,100,GR,M
-446,2022,SE,FT,Data Engineer,209100,USD,209100,US,100,US,L
-447,2022,SE,FT,Data Engineer,154600,USD,154600,US,100,US,L
-448,2022,SE,FT,Data Engineer,180000,USD,180000,US,100,US,M
-449,2022,EN,FT,ML Engineer,20000,EUR,21983,PT,100,PT,L
-450,2022,SE,FT,Data Engineer,80000,USD,80000,US,100,US,M
-451,2022,MI,FT,Machine Learning Developer,100000,CAD,78791,CA,100,CA,M
-452,2022,EX,FT,Director of Data Science,250000,CAD,196979,CA,50,CA,L
-453,2022,MI,FT,Machine Learning Engineer,120000,USD,120000,US,100,US,S
-454,2022,EN,FT,Computer Vision Engineer,125000,USD,125000,US,0,US,M
-455,2022,MI,FT,NLP Engineer,240000,CNY,37236,US,50,US,L
-456,2022,SE,FT,Data Engineer,105000,USD,105000,US,100,US,M
-457,2022,SE,FT,Lead Machine Learning Engineer,80000,EUR,87932,DE,0,DE,M
-458,2022,MI,FT,Business Data Analyst,1400000,INR,18442,IN,100,IN,M
-459,2022,MI,FT,Data Scientist,2400000,INR,31615,IN,100,IN,L
-460,2022,MI,FT,Machine Learning Infrastructure Engineer,53000,EUR,58255,PT,50,PT,L
-461,2022,EN,FT,Financial Data Analyst,100000,USD,100000,US,50,US,L
-462,2022,MI,PT,Data Engineer,50000,EUR,54957,DE,50,DE,L
-463,2022,EN,FT,Data Scientist,1400000,INR,18442,IN,100,IN,M
-464,2022,SE,FT,Principal Data Scientist,148000,EUR,162674,DE,100,DE,M
-465,2022,EN,FT,Data Engineer,120000,USD,120000,US,100,US,M
-466,2022,SE,FT,Research Scientist,144000,USD,144000,US,50,US,L
-467,2022,SE,FT,Data Scientist,104890,USD,104890,US,100,US,M
-468,2022,SE,FT,Data Engineer,100000,USD,100000,US,100,US,M
-469,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-470,2022,MI,FT,Data Analyst,135000,USD,135000,US,100,US,M
-471,2022,MI,FT,Data Analyst,50000,USD,50000,US,100,US,M
-472,2022,SE,FT,Data Scientist,220000,USD,220000,US,100,US,M
-473,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-474,2022,MI,FT,Data Scientist,140000,GBP,183228,GB,0,GB,M
-475,2022,MI,FT,Data Scientist,70000,GBP,91614,GB,0,GB,M
-476,2022,SE,FT,Data Scientist,185100,USD,185100,US,100,US,M
-477,2022,SE,FT,Machine Learning Engineer,220000,USD,220000,US,100,US,M
-478,2022,MI,FT,Data Scientist,200000,USD,200000,US,100,US,M
-479,2022,MI,FT,Data Scientist,120000,USD,120000,US,100,US,M
-480,2022,SE,FT,Machine Learning Engineer,120000,USD,120000,AE,100,AE,S
-481,2022,SE,FT,Machine Learning Engineer,65000,USD,65000,AE,100,AE,S
-482,2022,EX,FT,Data Engineer,324000,USD,324000,US,100,US,M
-483,2022,EX,FT,Data Engineer,216000,USD,216000,US,100,US,M
-484,2022,SE,FT,Data Engineer,210000,USD,210000,US,100,US,M
-485,2022,SE,FT,Machine Learning Engineer,120000,USD,120000,US,100,US,M
-486,2022,SE,FT,Data Scientist,230000,USD,230000,US,100,US,M
-487,2022,EN,PT,Data Scientist,100000,USD,100000,DZ,50,DZ,M
-488,2022,MI,FL,Data Scientist,100000,USD,100000,CA,100,US,M
-489,2022,EN,CT,Applied Machine Learning Scientist,29000,EUR,31875,TN,100,CZ,M
-490,2022,SE,FT,Head of Data,200000,USD,200000,MY,100,US,M
-491,2022,MI,FT,Principal Data Analyst,75000,USD,75000,CA,100,CA,S
-492,2022,MI,FT,Data Scientist,150000,PLN,35590,PL,100,PL,L
-493,2022,SE,FT,Machine Learning Developer,100000,CAD,78791,CA,100,CA,M
-494,2022,SE,FT,Data Scientist,100000,USD,100000,BR,100,US,M
-495,2022,MI,FT,Machine Learning Scientist,153000,USD,153000,US,50,US,M
-496,2022,EN,FT,Data Engineer,52800,EUR,58035,PK,100,DE,M
-497,2022,SE,FT,Data Scientist,165000,USD,165000,US,100,US,M
-498,2022,SE,FT,Research Scientist,85000,EUR,93427,FR,50,FR,L
-499,2022,EN,FT,Data Scientist,66500,CAD,52396,CA,100,CA,L
-500,2022,SE,FT,Machine Learning Engineer,57000,EUR,62651,NL,100,NL,L
-501,2022,MI,FT,Head of Data,30000,EUR,32974,EE,100,EE,S
-502,2022,EN,FT,Data Scientist,40000,USD,40000,JP,100,MY,L
-503,2022,MI,FT,Machine Learning Engineer,121000,AUD,87425,AU,100,AU,L
-504,2022,SE,FT,Data Engineer,115000,USD,115000,US,100,US,M
-505,2022,EN,FT,Data Scientist,120000,AUD,86703,AU,50,AU,M
-506,2022,MI,FT,Applied Machine Learning Scientist,75000,USD,75000,BO,100,US,L
-507,2022,MI,FT,Research Scientist,59000,EUR,64849,AT,0,AT,L
-508,2022,EN,FT,Research Scientist,120000,USD,120000,US,100,US,L
-509,2022,MI,FT,Applied Data Scientist,157000,USD,157000,US,100,US,L
-510,2022,EN,FT,Computer Vision Software Engineer,150000,USD,150000,AU,100,AU,S
-511,2022,MI,FT,Business Data Analyst,90000,CAD,70912,CA,50,CA,L
-512,2022,EN,FT,Data Engineer,65000,USD,65000,US,100,US,S
-513,2022,SE,FT,Machine Learning Engineer,65000,EUR,71444,IE,100,IE,S
-514,2022,EN,FT,Data Analytics Engineer,20000,USD,20000,PK,0,PK,M
-515,2022,MI,FT,Data Scientist,48000,USD,48000,RU,100,US,S
-516,2022,SE,FT,Data Science Manager,152500,USD,152500,US,100,US,M
-517,2022,MI,FT,Data Engineer,62000,EUR,68147,FR,100,FR,M
-518,2022,MI,FT,Data Scientist,115000,CHF,122346,CH,0,CH,L
-519,2022,SE,FT,Applied Data Scientist,380000,USD,380000,US,100,US,L
-520,2022,MI,FT,Data Scientist,88000,CAD,69336,CA,100,CA,M
-521,2022,EN,FT,Computer Vision Engineer,10000,USD,10000,PT,100,LU,M
-522,2022,MI,FT,Data Analyst,20000,USD,20000,GR,100,GR,S
-523,2022,SE,FT,Data Analytics Lead,405000,USD,405000,US,100,US,L
-524,2022,MI,FT,Data Scientist,135000,USD,135000,US,100,US,L
-525,2022,SE,FT,Applied Data Scientist,177000,USD,177000,US,100,US,L
-526,2022,MI,FT,Data Scientist,78000,USD,78000,US,100,US,M
-527,2022,SE,FT,Data Analyst,135000,USD,135000,US,100,US,M
-528,2022,SE,FT,Data Analyst,100000,USD,100000,US,100,US,M
-529,2022,SE,FT,Data Analyst,90320,USD,90320,US,100,US,M
-530,2022,MI,FT,Data Analyst,85000,USD,85000,CA,0,CA,M
-531,2022,MI,FT,Data Analyst,75000,USD,75000,CA,0,CA,M
-532,2022,SE,FT,Machine Learning Engineer,214000,USD,214000,US,100,US,M
-533,2022,SE,FT,Machine Learning Engineer,192600,USD,192600,US,100,US,M
-534,2022,SE,FT,Data Architect,266400,USD,266400,US,100,US,M
-535,2022,SE,FT,Data Architect,213120,USD,213120,US,100,US,M
-536,2022,SE,FT,Data Analyst,112900,USD,112900,US,100,US,M
-537,2022,SE,FT,Data Engineer,155000,USD,155000,US,100,US,M
-538,2022,MI,FT,Data Scientist,141300,USD,141300,US,0,US,M
-539,2022,MI,FT,Data Scientist,102100,USD,102100,US,0,US,M
-540,2022,SE,FT,Data Analyst,115934,USD,115934,US,100,US,M
-541,2022,SE,FT,Data Analyst,81666,USD,81666,US,100,US,M
-542,2022,MI,FT,Data Engineer,206699,USD,206699,US,0,US,M
-543,2022,MI,FT,Data Engineer,99100,USD,99100,US,0,US,M
-544,2022,SE,FT,Data Engineer,130000,USD,130000,US,100,US,M
-545,2022,SE,FT,Data Engineer,115000,USD,115000,US,100,US,M
-546,2022,SE,FT,Data Engineer,110500,USD,110500,US,100,US,M
-547,2022,SE,FT,Data Engineer,130000,USD,130000,US,100,US,M
-548,2022,SE,FT,Data Analyst,99050,USD,99050,US,100,US,M
-549,2022,SE,FT,Data Engineer,160000,USD,160000,US,100,US,M
-550,2022,SE,FT,Data Scientist,205300,USD,205300,US,0,US,L
-551,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,L
-552,2022,SE,FT,Data Scientist,176000,USD,176000,US,100,US,M
-553,2022,SE,FT,Data Scientist,144000,USD,144000,US,100,US,M
-554,2022,SE,FT,Data Engineer,200100,USD,200100,US,100,US,M
-555,2022,SE,FT,Data Engineer,160000,USD,160000,US,100,US,M
-556,2022,SE,FT,Data Engineer,145000,USD,145000,US,100,US,M
-557,2022,SE,FT,Data Engineer,70500,USD,70500,US,0,US,M
-558,2022,SE,FT,Data Scientist,205300,USD,205300,US,0,US,M
-559,2022,SE,FT,Data Scientist,140400,USD,140400,US,0,US,M
-560,2022,SE,FT,Analytics Engineer,205300,USD,205300,US,0,US,M
-561,2022,SE,FT,Analytics Engineer,184700,USD,184700,US,0,US,M
-562,2022,SE,FT,Data Engineer,175100,USD,175100,US,100,US,M
-563,2022,SE,FT,Data Engineer,140250,USD,140250,US,100,US,M
-564,2022,SE,FT,Data Analyst,116150,USD,116150,US,100,US,M
-565,2022,SE,FT,Data Engineer,54000,USD,54000,US,0,US,M
-566,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-567,2022,MI,FT,Data Analyst,50000,GBP,65438,GB,0,GB,M
-568,2022,SE,FT,Data Analyst,80000,USD,80000,US,100,US,M
-569,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-570,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-571,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-572,2022,SE,FT,Data Analyst,100000,USD,100000,US,100,US,M
-573,2022,SE,FT,Data Analyst,69000,USD,69000,US,100,US,M
-574,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-575,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-576,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-577,2022,SE,FT,Data Analyst,150075,USD,150075,US,100,US,M
-578,2022,SE,FT,Data Engineer,100000,USD,100000,US,100,US,M
-579,2022,SE,FT,Data Engineer,25000,USD,25000,US,100,US,M
-580,2022,SE,FT,Data Analyst,126500,USD,126500,US,100,US,M
-581,2022,SE,FT,Data Analyst,106260,USD,106260,US,100,US,M
-582,2022,SE,FT,Data Engineer,220110,USD,220110,US,100,US,M
-583,2022,SE,FT,Data Engineer,160080,USD,160080,US,100,US,M
-584,2022,SE,FT,Data Analyst,105000,USD,105000,US,100,US,M
-585,2022,SE,FT,Data Analyst,110925,USD,110925,US,100,US,M
-586,2022,MI,FT,Data Analyst,35000,GBP,45807,GB,0,GB,M
-587,2022,SE,FT,Data Scientist,140000,USD,140000,US,100,US,M
-588,2022,SE,FT,Data Analyst,99000,USD,99000,US,0,US,M
-589,2022,SE,FT,Data Analyst,60000,USD,60000,US,100,US,M
-590,2022,SE,FT,Data Architect,192564,USD,192564,US,100,US,M
-591,2022,SE,FT,Data Architect,144854,USD,144854,US,100,US,M
-592,2022,SE,FT,Data Scientist,230000,USD,230000,US,100,US,M
-593,2022,SE,FT,Data Scientist,150000,USD,150000,US,100,US,M
-594,2022,SE,FT,Data Analytics Manager,150260,USD,150260,US,100,US,M
-595,2022,SE,FT,Data Analytics Manager,109280,USD,109280,US,100,US,M
-596,2022,SE,FT,Data Scientist,210000,USD,210000,US,100,US,M
-597,2022,SE,FT,Data Analyst,170000,USD,170000,US,100,US,M
-598,2022,MI,FT,Data Scientist,160000,USD,160000,US,100,US,M
-599,2022,MI,FT,Data Scientist,130000,USD,130000,US,100,US,M
-600,2022,EN,FT,Data Analyst,67000,USD,67000,CA,0,CA,M
-601,2022,EN,FT,Data Analyst,52000,USD,52000,CA,0,CA,M
-602,2022,SE,FT,Data Engineer,154000,USD,154000,US,100,US,M
-603,2022,SE,FT,Data Engineer,126000,USD,126000,US,100,US,M
-604,2022,SE,FT,Data Analyst,129000,USD,129000,US,0,US,M
-605,2022,SE,FT,Data Analyst,150000,USD,150000,US,100,US,M
-606,2022,MI,FT,AI Scientist,200000,USD,200000,IN,100,US,L