متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
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. Личный блог автора - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD
إظهار المزيد📈 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 20 041 مشتركاً، محتلاً المرتبة 6 738 في فئة التكنولوجيات والتطبيقات والمرتبة 33 739 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 20 041 مشتركاً.
بحسب آخر البيانات بتاريخ 14 يونيو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -87، وفي آخر 24 ساعة بمقدار -13، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 7.71%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 4.62% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 546 مشاهدة. وخلال اليوم الأول يجمع عادةً 926 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 7.
- 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.
Личный блог автора - @just_genych
По вопросам рекламы или разработки - @g_abashkin
РКН: https://vk.cc/cJPGXD”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 15 يونيو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
20 041
المشتركون
-1324 ساعات
+257 أيام
-8730 أيام
أرشيف المشاركات
🤔 Практика: мой опыт интеграции более 50 нейронных сетей в один проект
Статья основана на полутора годах работы по внедрению нейронных сетей в веб-приложение с открытым исходным кодом. В ней собраны практические лайфхаки для решения реальных задач и преодоления сложностей, с которыми сталкиваются разработчики.
Читать...
📈 Подборка статей для вашей карьеры
• Пришёл на вакансию дизайнера, а стал питонистом: как IT-специалисты нашли свою первую работу
• На сколько денег может рассчитывать ИТ-предприниматель в разных ветках развития
• Анализ задачи с собеседования в Google: конь и телефонные кнопки
• Быстрый старт в QA Fullstack: чем вооружиться будущему стажеру в Альфа-Банке
• Как убить самоорганизацию в команде: вредные советы для лидера
📝 Подборка вакансий для сеньоров
Senior Data Scientist (LLM)
• Python, NLP, PyTorch
• Уровень дохода не указан | Старший (Senior)
Senior Data Scientist
• Python, NLP, PyTorch, Linux, Pandas
• Уровень дохода не указан | Старший (Senior)
Data-инженер DWH в Маркет
• Python, SQL
• Уровень дохода не указан | Старший (Senior)👩💻 Разрабатываем первое AI приложение
Статья анализирует роль языка и цифровизации в накоплении и передаче знаний. Обсуждаются вызовы структурирования данных, которые, несмотря на успехи машинного обучения и реляционных баз, всё ещё затрудняют полное понимание накопленной информации.
Читать...
❓Хотите создавать невероятно точные рекомендательные системы? Освоить методы коллаборативной фильтрации, которые используют топовые IT-компании?
Приходите на бесплатный вебинар для ML-специалистов, где мы разберем принципы рекомендательных алгоритмов, научимся строить модели и применять их на практике.
📣 Спикер Мария Тихонова — PhD Computer Science, Senior Data Scientist в IT-компании по разработке умных устройств, преподаватель одного из крупнейших вузов России.
Занятие проходит перед стартом курса «Machine Learning. Professional» от Otus. Всем участникам — скидка на обучение!
➡️ Встречаемся 19 марта в 18:00 мск. Регистрация: https://vk.cc/cJEZIV
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576
📚 Greenplum, PostgreSQL и Airflow в одном открытом вебинаре.
Освойте ключевые инструменты работы с данными.
Встречаемся на открытом вебинаре 18 марта в 20:00 мск.
🔍 На уроке вы:
- Создадите инструмент для генерации данных в PostgreSQL
- Настроите хранение истории данных в ArenadataDB
- Напишете ETL-пайплайн для автоматической загрузки данных
После занятия вы сможете строить дата-пайплайны и автоматизировать загрузку данных, что существенно упростит вашу работу с данными.
🎓 Записывайтесь и получите скидку на большое обучение «Greenplum для разработчиков и архитекторов баз данных»: https://vk.cc/cJDJ9r
Не упустите возможность прокачать свои навыки и освоить современные технологии! 🚀
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576
🤔 3750 дней разработки AI или почему боты всё ещё не захватили покер
Статья рассматривает создание AI для покера (Техасского безлимитного холдема) и анализирует его сложность как модели бизнес-отношений. Обсуждаются метрики и стратегии, которые игроки используют в изменяющемся контексте для принятия решений.
Читать...
📝 Подборка вакансий для мидлов
Data Engineer (Middle)
• Python, SQL, PostgreSQL, Kubernetes, Apache Kafka, MongoDB, RabbitMQ
• до 180 000 ₽ | 1–3 года
Data Scientist (middle)
• SQL, PostgreSQL, Apache Spark, Математическая статистика, A/B тестирование
• Уровень дохода не указан | 1–3 года
Data Scientist (Моделирование РБ)
• SQL, Python, Apache Spark
• Уровень дохода не указан | 1–3 года👩💻 Как работает модуль
os в Python для работы с файловой системой?
Модуль os в Python предоставляет инструменты для взаимодействия с операционной системой. С его помощью можно управлять файлами и директориями, получать информацию о системе и переменных окружения, а также выполнять системные команды. Этот модуль особенно полезен для кроссплатформенных сценариев.
➡️ Пример:
import os
# Получение текущей директории
current_dir = os.getcwd()
print('Текущая директория:', current_dir)
# Создание новой директории
os.mkdir('new_folder')
print('Создана директория new_folder')🗣 os позволяет удобно и кроссплатформенно работать с файловой системой, выполнять команды и настраивать окружение.
➡️ Семантическая сегментация: самый полный гайд
Статья раскрывает, как семантическая сегментация помогает машинам «видеть», разбивая изображение на классы объектов. Обсуждаются её применение в автономных авто, медицине и обработке спутниковых снимков для точного распознавания контекста.
Читать...
⚡ Мы подготовили для вас уникальное предложение — папку с более чем 40 статьями от ведущих экспертов, которые шаг за шагом проведут вас в мир IT-технологий.
🧑💻 Мы собрали в одну папку более 40 Telegram-каналов от известных экспертов в сфере информационных технологий, начиная от тестирования, базы данных и разработки до автоматизации процессов с помощью искусственного интеллекта. В этой папке вы получите ответы на такие вопросы, как:
🟠 Как автоматизировать процессы с помощью ИИ?
🟠 Какие профессии может заменить ИИ?
🟠 Как читать много каналов с помощью ИИ: делаем сводку любимых каналов с помощью no-code, доступно каждому?
🟠 Чек-лист правил супероффера для клиента.
🟠 Как оптимизировать SQL запрос в базу данных?
📎Делимся с вами статьёй "Что такое argparse в Python?" - Рассказываем про модуль который позволяет удобно разбирать, валидировать и документировать входные параметры.
📌 Сохранив папку «IT - ЛЕГКО», вы получите доступ ко всем каналам с уникальными авторскими материалами, которые несомненно будут полезны в работе.
🔎 Подборка вакансий для джунов
ML\AI & Python Developer (Junior)
🟢Python, ML (scikit-learn, PyTorch, TensorFlow или аналоги), API, интеграции, Pandas, NumPy
🟢от 60 000 до 80 000 ₽ | 1–3 года
Junior Data Analyst
🟢SQL, Microsoft Excel, Python (ETL), визуализация данных
🟢от 80 000 до 120 000 ₽ | 1–3 года
Junior Data Analyst
🟢SQL, базы данных (MySQL, PostgreSQL), Python (pandas, numpy, matplotlib), инструменты визуализации данных (Looker Studio, Metabase, Power BI и др.)
🟢до 87 000 ₽ | 1–3 года
👩💻 Задачка по Python
Напишите функцию, которая принимает список чисел и возвращает все значения, которые являются выбросами. Выбросы определяются как значения, которые находятся ниже первого квартиля (Q1) минус 1.5 * IQR или выше третьего квартиля (Q3) плюс 1.5 * IQR, где IQR — межквартильный размах.
➡️ Пример:
Входной список: [10, 12, 14, 15, 15, 16, 16, 16, 17, 18, 19, 100] Ожидаемый вывод: [100]Решение задачи ⬇️
import numpy as np def find_outliers(data): q1 = np.percentile(data, 25) q3 = np.percentile(data, 75) iqr = q3 - q1 lower_bound = q1 - 1.5 * iqr upper_bound = q3 + 1.5 * iqr return [x for x in data if x < lower_bound or x > upper_bound] # Пример использования: input_data = [10, 12, 14, 15, 15, 16, 16, 16, 17, 18, 19, 100] result = find_outliers(input_data) print(result) # Ожидаемый результат: [100]
🤔 Prompt Me One More Time. Учим LLM строить графы знаний из текстов
Статья описывает метод, разработанный для автоматического наполнения графов знаний с помощью LLM, что снижает вероятность «галлюцинаций» и повышает точность ответов. Решение Prompt Me One More Time подробно представлено на TextGraphs-17 конференции ACL-2024.
Читать...
🔥 Самые интересные статьи за последние дни:
• KAN: Kolmogorov–Arnold Networks
• Стандартное отклонение для полных чайников
• Почему галлюцинируют нейросети [и что с этим делают]
• Понимает ли Vision Llama импрессионистов?
• Что ищет он в краю далёком? Как найти смысл жизни с PostgreSQL
👩💻 Задачка по Python
Напишите функцию, которая принимает список email-адресов и возвращает уникальные домены из этого списка. Домен — это часть адреса после символа
@.
➡️ Пример:
["user1@example.com", "user2@test.com", "user3@example.com", "user4@sample.com"]
#{"example.com", "test.com", "sample.com"}
Решение задачи ⬇️
def get_unique_domains(emails): domains = {email.split('@')[1] for email in emails} return domains # Пример использования: emails = ["user1@example.com", "user2@test.com", "user3@example.com", "user4@sample.com"] result = get_unique_domains(emails) print(result) # Ожидаемый результат: {'example.com', 'test.com', 'sample.com'}
👩💻 FlexiPrompt: Удобное создание динамических промптов в Python
Статья знакомит с FlexiPrompt — лёгкой библиотекой для генерации промптов в Python при работе с языковыми моделями. Рассмотрены её преимущества: быстрая интеграция, гибкая настройка диалога и возможность создания нескольких агентов в одной LLM.
Читать...
🚀 Развивай мышление архитектора
Ты можешь быть отличным кодером, но без понимания архитектуры систем твои решения будут ограниченными.
👉 Совет: разбирайся в том, как строятся сложные системы. Читай про микросервисы, масштабирование, кэширование, распределённые базы данных. Даже если ты не архитектор, это сделает тебя сильнее как разработчика.
⚙️ Неувядающая классика или «чёрный ящик»: кто кого в битве за прогноз. Глава вторая. Продолжение
Статья продолжает разбор моделирования температурного временного ряда с двойной сезонностью. Основное внимание уделено подбору оптимальных параметров сезонной модели САРПСС для точного описания данных.
Читать...
🛍 Как базовые знания кодинга и нейросетей сэкономили нам больше 15 млн ₽ на Wildberries [скрины]
Статья раскрывает процесс полной автоматизации создания карточек товаров для маркетплейсов, используя нейросети, Photoshop и немного креативного подхода. Описаны практические методы, которые экономят тысячи рублей на огромном ассортименте.
Читать...
