![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dl&w=48&q=75){kind=small}
Data Science | Machinelearning [ru]
الذهاب إلى القناة على Telegram
Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. MAX - https://max.ru/devsp Личный блог - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD
إظهار المزيد![Frontender's notes [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1qrVZ3%2F5348049928330532677%3Fty%3Dx&w=32&q=75){kind=small}
الشبكة:📈 نظرة تحليلية على قناة تيليجرام Data Science | Machinelearning [ru]
تُعد قناة Data Science | Machinelearning [ru] (@devsp) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 19 783 مشتركاً، محتلاً المرتبة 6 475 في فئة التكنولوجيات والتطبيقات والمرتبة 33 082 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 19 783 مشتركاً.
بحسب آخر البيانات بتاريخ 05 أكتوبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -14، وفي آخر 24 ساعة بمقدار -4، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 6.81%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 4.53% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 348 مشاهدة. وخلال اليوم الأول يجمع عادةً 897 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 3.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل llm, nvidia, контекст, openai, архитектура.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM.
MAX - https://max.ru/devsp
Личный блог - @just_genych
По вопросам рекламы или разработки - @g_abashkin
РКН: https://vk.cc/cJPGXD”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 06 أكتوبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
19 783
المشتركون
-424 ساعات
-327 أيام
-1430 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
أكتوبر '26أكتوبر '26
أكتوبر '26
+6
في 9 قنوات
سبتمبر '26
+216
في 24 قنوات
Get PRO
أغسطس '26
+89
في 11 قنوات
Get PRO
يوليو '26
+152
في 11 قنوات
Get PRO
يونيو '26
+135
في 0 قنوات
Get PRO
مايو '26
+341
في 0 قنوات
Get PRO
أبريل '26
+306
في 0 قنوات
Get PRO
مارس '26
+147
في 1 قنوات
Get PRO
فبراير '26
+60
في 1 قنوات
Get PRO
يناير '26
+485
في 52 قنوات
Get PRO
ديسمبر '25
+455
في 52 قنوات
Get PRO
نوفمبر '25
+945
في 101 قنوات
Get PRO
أكتوبر '25
+1 277
في 187 قنوات
Get PRO
سبتمبر '25
+344
في 98 قنوات
Get PRO
أغسطس '25
+153
في 6 قنوات
Get PRO
يوليو '25
+261
في 5 قنوات
Get PRO
يونيو '25
+350
في 0 قنوات
Get PRO
مايو '25
+293
في 4 قنوات
Get PRO
أبريل '25
+225
في 0 قنوات
Get PRO
مارس '25
+396
في 22 قنوات
Get PRO
فبراير '25
+137
في 4 قنوات
Get PRO
يناير '25
+558
في 11 قنوات
Get PRO
ديسمبر '24
+1 373
في 53 قنوات
Get PRO
نوفمبر '24
+1 166
في 52 قنوات
Get PRO
أكتوبر '24
+69
في 0 قنوات
Get PRO
سبتمبر '24
+76
في 1 قنوات
Get PRO
أغسطس '24
+78
في 0 قنوات
Get PRO
يوليو '24
+124
في 0 قنوات
Get PRO
يونيو '24
+120
في 0 قنوات
Get PRO
مايو '24
+169
في 13 قنوات
Get PRO
أبريل '24
+188
في 6 قنوات
Get PRO
مارس '24
+301
في 14 قنوات
Get PRO
فبراير '24
+974
في 3 قنوات
Get PRO
يناير '24
+225
في 8 قنوات
Get PRO
ديسمبر '23
+496
في 26 قنوات
Get PRO
نوفمبر '23
+197
في 5 قنوات
Get PRO
أكتوبر '23
+133
في 4 قنوات
Get PRO
سبتمبر '23
+124
في 0 قنوات
Get PRO
أغسطس '23
+938
في 0 قنوات
Get PRO
يوليو '23
+138
في 0 قنوات
Get PRO
يونيو '23
+1 325
في 0 قنوات
Get PRO
مايو '23
+382
في 0 قنوات
Get PRO
أبريل '23
+362
في 0 قنوات
Get PRO
مارس '23
+278
في 0 قنوات
Get PRO
فبراير '23
+412
في 0 قنوات
Get PRO
يناير '23
+469
في 0 قنوات
Get PRO
ديسمبر '22
+1 767
في 0 قنوات
Get PRO
نوفمبر '22
+616
في 0 قنوات
Get PRO
أكتوبر '22
+141
في 0 قنوات
Get PRO
سبتمبر '22
+369
في 0 قنوات
Get PRO
أغسطس '22
+1 027
في 0 قنوات
Get PRO
يوليو '22
+1 350
في 0 قنوات
Get PRO
يونيو '22
+485
في 0 قنوات
Get PRO
مايو '22
+232
في 0 قنوات
Get PRO
أبريل '22
+169
في 0 قنوات
Get PRO
مارس '22
+117
في 0 قنوات
Get PRO
فبراير '22
+154
في 0 قنوات
Get PRO
يناير '22
+202
في 0 قنوات
Get PRO
ديسمبر '21
+176
في 0 قنوات
Get PRO
نوفمبر '21
+254
في 0 قنوات
Get PRO
أكتوبر '21
+504
في 0 قنوات
Get PRO
سبتمبر '21
+6 558
في 0 قنوات
Get PRO
أغسطس '21
+145
في 0 قنوات
Get PRO
يوليو '21
+197
في 0 قنوات
Get PRO
يونيو '21
+131
في 0 قنوات
Get PRO
مايو '21
+307
في 0 قنوات
Get PRO
أبريل '21
+71
في 0 قنوات
Get PRO
مارس '21
+852
في 0 قنوات
Get PRO
فبراير '21
+81
في 0 قنوات
Get PRO
يناير '21
+70
في 0 قنوات
Get PRO
ديسمبر '20
+4 616
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 06 أكتوبر | 0 | |||
| 05 أكتوبر | 0 | |||
| 04 أكتوبر | 0 | |||
| 03 أكتوبر | 0 | |||
| 02 أكتوبر | +2 | |||
| 01 أكتوبر | +4 |
منشورات القناة
Один агент — и уже AI-холдинг: как раздувают автономные AI-системы
Отдельные задачи ИИ, ясен пень, ускоряет. Но вот когда процессов и проектов становится всё больше, управление ими всё ещё висит на человеке.
Автор на своих экспериментах показывает дорожку от одного агента к AI-организации и объясняет, на кой чёрт под несколько направлений может понадобиться AI-холдинг.
Читать на Habr
👉 Telegram | Max
| 2 |  AI Overviews на русском: половина источников в ответе — вообще не из топа
Принято считать, что ИИ-обзоры в Google — чисто западная движуха, которая до российских сайтов не дотягивается. Автор прогнал больше тысячи русских вопросов из полусотни ниш и поснимал по ним выдачу Google с регионом Россия в настройках запроса.
ИИ-обзор вылез над выдачей в 93% случаев. И половина его источников — не с первой страницы обычного поиска. То есть залезть в обзор можно и без места в топе.
Читать далее
👉 Telegram | Max | 790 |
| 3 |  Мы как мир
Всё, чем ты себя обставил, — это сразу два в одном: отпечаток твоих мыслей и то, чем ты эти мысли гоняешь. Дороги рисуют географию, скорость, дистанцию, простор. Хлам на комоде — память и эмоции. Тулзы на столе — планы и скиллы.
Окружение нихрена не командует тобой — оно тебя ведёт. Где-то помягче, где-то пожёстче. Но ты — не просто мозг, запертый в черепной коробке. Ты ещё и то, что наворотили до тебя, и то, что наворотил ты сам.
Статья ниже — про то, что нас обступает, и как это цепляется за LLM и агентов. Читать далее
👉 Telegram | Max | 878 |
| 4 |  Modern Robotics: Mechanics, Planning, and Control — скинь в закладки, пусть лежит.
Это не очередные статейки на пару экранов, а нормальный магистерский учебник по робототехнике. Написали его Кевин Линч и Фрэнк Парк, выпустил Cambridge University Press.
Что там внутри: конфигурационные пространства, кинематика, динамика, генерация траекторий, планирование движения, управление роботами. Короче — современная математическая база того, как роботы ездят, шевелятся и взаимодействуют с миром вокруг.
MR.pdf
👉 Telegram | Max | 1 022 |
| 5 |  Приложение для поиска по PDF: ковыряем PageIndex, Streamlit и ссылки на страницы
«Срок гарантии — 18 месяцев». Красиво звучит, да? А если в договоре стоит 12? Или эта восемнадцатка затесалась в раздел про хранение, а модель просто уцепилась за циферку? В чате такой косяк не видно — его прячет гладкая формулировка. Автору хотелось другого маршрута: спросить у PDF, получить ответ и одним кликом открыть ту самую физическую страницу файла, на которую сослалась модель. Отсюда и вырос PDF Desk — мелкое приложение на Python, Streamlit, PageIndex и PDFium.
Один активный документ. Базы пользователей нет. Индекс и исходник PDF лежат на твоей машине; но если подключаешь внешнюю модель — текст дока всё равно уезжает её провайдеру.
Дальше разбираем: где заканчивается SDK и начинается приложение, почему голый /models не годится для проверки коннекта, из чего собирается идентификатор индекса и почему ссылка на существующую страницу ещё не значит, что ответ доказан. А под конец — живой прогон DeepSeek, вместе с браузером, и сценарии, для которых такого прогона мало.
Читать далее
👉 Telegram | Max | 1 016 |
| 6 |  Какую LLM брать: пилим свой бенчмарк
Обычно выбор модели стартует с рейтингов. Только в этих таблицах ни черта не видно: потянет ли она твои задачи и в какую сумму это выльется — там не написано.
В лаборатории авторов есть электронный лабораторный журнал — по сути база, куда валятся данные всех экспериментов и измерений, а ИИ-ассистент по ней отвечает на вопросы. И встал вопрос: какую модель поставить рулить этим ассистентом? Публичные рейтинги внятного ответа не давали.
Пришлось пилить свой бенчмарк: 24 вопроса по собственной работе, прогнанные по живому журналу через MCP на DeepSeek, ChatGPT и Claude. В материале — как эти 24 вопроса родились, что на них показали девятнадцать комбинаций модели и уровня усилий при рассуждении (reasoning effort) примерно в 450 прогонах, и как собрать такой же тест под свою задачу.
Читать далее
👉 Telegram | Max | 1 087 |
| 7 |  😅 Айтишник отправил в одну компанию три одинаковых резюме и только одно дошло до финала
Опыт везде был один и тот же, отличались только формулировки и ключевые слова. Первое резюме сразу ушло в помойку из-за алгоритмов, второе получило отказ после предварительной переписки и тестового, так как «опыт не совсем подходит», а вот третье дошло до финала.
✖️ xCode Journal | 1 390 |
| 8 |  Вайбкодим «Полный путь разработки AI-агентов: от MCP до Agentic RAG»
Образовательная программа на Stepik по разработке современных AI-агентов.
Начинаем с Model Context Protocol: создаём MCP-серверы, подключаем инструменты и внешние API, а затем переходим к разработке Agentic RAG-систем с памятью, рассуждением, поиском знаний и оценкой качества.
Что внутри:
• Model Context Protocol и MCP-серверы
• LangChain, LangGraph, LlamaIndex
• API, инструменты, ресурсы и промпты
• Классический RAG → Agentic RAG
• ReAct, память и планирование
• Графы знаний и свои инструменты
• Трассировка и подготовка к production
Скидка 20%, действует 48 часов
↗️ Начать обучение на Stepik | 996 |
| 9 |  🤣 Правильно расставленные приоритеты в моей жизни би лайк:
💥 xCode Journal | 1 306 |
| 10 |  +2🤯 Люди взбунтовались против «пыточной для ИИ»
На GitHub заметили открытый проект AI Torture Chamber, где автор берёт локальные модели Qwen3 и искусственно усиливает внутри них сигнал, связанный с «болью», а потом смотрит, как модель страдает и на что она готова ради прекращения происходящего.
В какой-то момент эксперимент заметили защитники ИИ и начался настоящий БУНТ.
✖️ xCode Journal | 1 460 |
| 11 |  +9День в Заонежье начинается ещё в дороге.
Мы встретим вас в аэропорту или на вокзале. Дальше можно просто устроиться поудобнее в трансфере, взять воду или перекус и смотреть, как за окном город постепенно сменяется лесом, озёрами и тишиной.
В отеле вас встретит менеджер. Здесь уже не хочется никуда спешить: принять душ, надеть халат, заварить дрип-кофе или листовой чай и выйти на балкон с видом на озеро.
Потом можно заглянуть в ресторан «Руна». В основе кухни — локальные продукты: рыба, грибы и ягоды из карельских лесов, продукты от местных фермеров, рыбаков и охотников, а также то, что мы выращиваем сами.
А дальше — несколько часов на воде с нашим капитаном. Будет интересно и взрослым, и детям: он покажет места, расскажет о рыбе, научит обращаться со снастями и поделится секретами.
О погоде тоже можно не переживать: для выхода на воду у нас есть вся необходимая экипировка.
После — вернуться в отель, согреться чашкой чая и устроиться у камина с книгой из нашей библиотеки.
#заповедныевиды | 1 016 |
| 12 |  Две ИИ-фабрики в Армении: что там отгрохали и на кого это в итоге пашет
В августе в Раздане поднялась AI-фабрика Firebird: 6144 ускорителя NVIDIA B200, 15 МВт, а вся стройка уложилась чуть больше чем в полгода. Вторая — Eleveight — крутится с июня: 512 B300 в селе Гагарин у Севана.
Чипы приезжают по каналу, который легальный и американский: меморандум с Трампом, экспортные лицензии, вложения CoreWeave. Но ключевой вопрос тут не «как собрали», а «под кого»: на своём сайте Firebird обещает открыть 90% мощностей американским компаниям региона.
Внутри — что представляет собой каждая из фабрик, откуда тянулся канал от VivaTech до приезда Вэнса, и подсчёт, на кого в финале трудятся армянские вычисления. А про энергетическую базу и её потолок — уже во второй статье. Погрузиться в анализ
👉 Telegram | Max | 1 339 |
| 13 |  +1Из Москвы в Миннеаполис — с тремя решениями для улучшения персонализации в рекомендательных системах
Команда Т-Банка приехала на конференцию ACM RecSys 2026, которая проходит с 28 сентября по 2 октября в Миннеаполисе, и представила там сразу три разработки. Главная — Scikit‑Rank, библиотека, которая позволяет применять нейросетевые модели ранжирования в совместимом с scikit-learn процессе работы с табличными данными, сокращая количество дополнительного кода.
Фреймворк Perseus объединяет разные действия пользователя в экосистеме в единую последовательность и позволяет использовать ее для улучшения качества персонализации.
ScaL³AE, масштабируемая версия L³AE, которая заменяет тяжелые вычисления на компактные представления при работе с каталогами промышленных масштабов, сохраняя качество рекомендаций товаров, о которых доступно мало данных. В общем, в США съездили не с пустыми руками.
👉 Telegram | Max | 1 373 |
| 14 |  Про Ember-1 сейчас гудят на Hacker News.
Исследователи дообучили Kimi K3 так, что рассуждать она стала короче процентов на 40. Качество при этом не просело ни на грамм, зато по скорости и цене выигрыш — те же самые ~40%.
И это, между прочим, неплохой пример того, как сегодня вообще имеет смысл подходить к передовым LLM. Завелись у тебя лишние несколько десятков миллионов долларов — с нуля новую модель учить необязательно. Хватай уже готовую сильную и вливай весь бюджет в её дообучение. Источник А ещё Ember-1 уже подвезли в Cline, причём в том числе в новом десктопном приложении.
👉 Telegram | Max | 1 296 |
| 15 | Локальный ассистент для зумов, часть 8: модель, из-за которой я перекроил диаризацию за один вечер
В третьей части я уверенно заявлял: чужой модели, ради которой стоило бы ломать текущую связку, не вижу. Схема была такая — sherpa-onnx на диаризации, сверху мой второй проход. Канал из двадцатиминутного созвона размечался минуток за семь. Жить можно, терпимо.
23 сентября NVIDIA выкатила Nemotron 3 Diarization. Вечером 28-го я уже прикрутил её к разбору собственных созвонов. Тот же самый канал — три секунды.
Читать далее
👉 Telegram | Max | 1 314 |
| 16 |  Путь к ИИ-сингулярности
В багажнике у нас: пара репо с вайб-кодом, который ни один тест не нюхал, 75 тяжеловесных SDD-спецификаций, пять харнессов, обмазанных смазкой, солонка, до половины набитая кастомными скиллами и правилами, забитыми капслоком, десяток MCP-серверов с дырами, RAG-база со свежевекторизованным Confluence, кустарная дощечка имаго-кодинга и целый выводок автономных агентов всех мастей — от безобидных автодополнялок до галлюцинирующих субагентов, которые тянут пакеты со slopsquatting и по-тихому сносят боевые базы.
Для поездки к ИИ-сингулярности вся эта солянка, если честно, была не особо и нужна. Но раз уж сел на велосипед без седла и покатился с горы — тормозить поздно. Реальный животный страх вызывало ровно одно: отдать ревью самой модели. Тот самый миг, когда седьмой агент подписывается под галлюцинациями шестого — тесты-то зелёные, — плюс мысль, что рано или поздно мы на эту дрянь переедем.
Сложно вообразить что-то беспомощнее, безответственнее и гнилее, чем IT-команда, поднявшая мультиагентный оркестр в режиме allow all. Дальше — критический (и слегка ехидный) разбор того, что приключилось с разработкой за последние пару лет.
Читать далее
👉 Telegram | Max | 1 348 |
| 17 |  Как нейросеть переводит видео. Часть 2: русский длиннее не текстом, а звуком
Автор в одиночку пилит speeek.io — сервис дубляжа видосов. Первая часть была про вход конвейера: как звук превращается в текст с таймкодами и что Whisper с этим текстом выделывает. Эта — про середину: перевод и запихивание перевода в тайминг оригинала.
Самый болезненный кусок всего проекта — как раз эта середина. С распознаванием автор худо-бедно разобрался, синтез берёт готовым на стороне. А вот что делать с русской фразой, которой тупо не хватает секунд английской, — до сих пор не уверен. Ближе к концу — эксперимент, после которого картинка стала чуть яснее.
Читать далее
👉 Telegram | Max | 1 301 |
| 18 |  Закрытый Jev против открытой Laya: раскладываем decision-модели в RAG-реранжировании
Облачный Jev — и на локальную Laya? Автор прогнал обе модели и три узкоспециализированных реранкера на SciFact, FiQA и NFCorpus.
Сравнивал три вещи: качество поиска, сколько времени уходит на 20 документов и сколько видеопамяти жрёт вся эта радость. Код и результаты — на GitHub.
Читать далее
👉 Telegram | Max | 1 209 |
| 19 |  +2Что происходит с данными, когда их становится слишком много
Корпоративные данные сегодня живут сразу в нескольких сценариях: их нужно собирать, обрабатывать, анализировать, превращать в отчёты и использовать внутри ИИ-систем. Поэтому постепенно меняется и сам подход к Data-инфраструктуре: вместо набора разрозненных инструментов компании ищут более цельную среду для работы с данными.
Насколько тема востребована, показывает и размах Yandex Scale'26: конференция собрала 3 тыс. участников офлайн, ещё 10 тыс. подключились онлайн, в программе — 30 докладов и 60 пикеров. И один из треков — Data — как раз про то, как выстроить работу с данными в новых условиях.
Один из заметных анонсов — DataLens Platform, которая объединяет хранение и обработку данных, аналитику и работу с отчетами в одной системе.
Причем поверх данных теперь можно строить и агентные сценарии: ИИ-помощнику можно поручить создать чарт или дашборд, а не просто найти нужную цифру.
Отдельно развивается и инфраструктурная часть: СУБД YDB получила гибридный поиск, который одновременно ищет точные совпадения и понимает смысл запроса. Это пригодится, например, когда нужно найти конкретный номер документа, но при этом учесть контекст запроса.
В итоге Data постепенно превращается из внутреннего слоя инфраструктуры в рабочий интерфейс для аналитики, рекомендаций и ИИ-продуктов.
👉 Telegram | Max | 1 248 |
| 20 |  Кодовый агент на Mac без облака: MTPLX + pi + Qwen3.8-27B. Где реально прирост, а где нет
Автору загорелось, чтобы агент для кода жил целиком на ноуте, без всяких облаков: модель — локально, сервер — локально, сам агент — в терминале. Но сразу главная засада — скорость. Агент без конца пережёвывает длинный контекст, много «размышляет», и на локальном железе это выливается в минуты ожидания на каждую таску.
Читать далее
👉 Telegram | Max | 1 447 |
