ar
Feedback

لا تقع ضحية للمخادعين! تيليمتريو يكتشف ويُميّز هذه القنوات 👉 إذا كنت تريد رؤية العلامة، اشترك

Data Science | Machinelearning [ru]

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

📈 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 19 611 مشتركاً، محتلاً المرتبة 6 712 في فئة التكنولوجيات والتطبيقات والمرتبة 33 475 في منطقة روسيا.

📊 مؤشرات الجمهور والحراك

منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 19 611 مشتركاً.

بحسب آخر البيانات بتاريخ 19 نوفمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -124، وفي آخر 24 ساعة بمقدار -2، مع بقاء الوصول العام مرتفعاً.

  • حالة التحقق: غير موثّقة
  • معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 7.56‎%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 4.72‎% من ردود الفعل نسبةً إلى إجمالي المشتركين.
  • وصول المنشورات: يحصل كل منشور على متوسط 1 482 مشاهدة. وخلال اليوم الأول يجمع عادةً 926 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 20 نوفمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.

19 611
المشتركون
-224 ساعات
-317 أيام
-12430 أيام
أرشيف المشاركات
​​Оверсемплинг и андерсемплинг Оверсемплинг и андерсемплинг используются в задачах классификации. Порой набор данных для классификации сильно сдвинут в одну сторону. Например, для класса 1 может быть 2000 примеров, а для класса 2 — всего 200. Это негативно повлияет на многие методы машинного обучения, которые используются для моделирования данных и составления предсказаний. Овер- и андерсемплинг нужны как раз для таких случаев. На обеих сторонах этой картинки синий класс содержит гораздо больше данных, чем оранжевый. В такой ситуации можно предпринять один из двух шагов для препроцессинга данных перед их использованием для обучения моделей. Андерсемплинг означает, что используется только часть данных большего класса. Это необходимо для поддержания распределения вероятности класса. Оверсемплинг означает, что создаются копии меньшего класса, чтобы сравнять его размер с большим классом. Копии делаются таким образом, чтобы поддерживать распределение меньшего класса.
18 نوفمبر 2020, 02:00

Деревья принятия решений и случайные леса Один из самых распространённых алгоритмов машинного обучения. Используется в статистике и анализе данных для прогнозных моделей. Структура представляет собой “листья” и “ветки”. На “ветках” дерева решения записаны атрибуты, от которых зависит целевая функция, в “листьях” записаны значения целевой функции, а в остальных узлах – атрибуты, по которым различаются случаи. Чтобы классифицировать новый случай, надо спуститься по дереву до листа и выдать соответствующее значение. Цель состоит в том, чтобы создать модель, которая предсказывает значение целевой переменной на основе нескольких входных переменных. Полезные ссылки: sklearn.ensemble.RandomForestClassifier sklearn.ensemble.GradientBoostingClassifier Документация XGBoost Документация CatBoost
17 نوفمبر 2020, 11:18

​​«Эмоциональный искусственный интеллект» Искусственный интеллект, традиционно призванный решать «рациональные» задачи, в последние годы обретает способности, присущие только человеку, а именно — распознавание и синтез эмоций и социального поведения. Для чего машинам эмоции? Как научить роботов воспринимать социальные сигналы и корректно на них реагировать? Сможет ли компьютер чувствовать людей лучше, чем это делаем мы сами? Все эти вопросы изучает область Affective Computing - как при помощи методов компьютерного зрения, машинного обучения и анализа естественного языка можно извлекать разнообразную информацию о человеке. Появившись более 20 лет назад, сегодня это направление включает исследователей со всего мира: лаборатории, создающие эмоциональный искусственный интеллект, есть в крупнейших университетах (MIT, Cambridge и др.) и корпорациях (Microsoft, Apple, Amazon). Поговорим о том, куда движется индустрия эмоционального искусственного интеллекта, какие прогнозы ее развития, какие препятствия стоят на пути внедрения технологий, и рассмотрим практические кейсы, которые есть уже сегодня. Источник: www.youtube.com
17 نوفمبر 2020, 02:00

​​Если вы думали, что современные медицинские открытия совершаются только учеными-супергероями, то вот интересный факт: специалисты по Data Science тоже в этом замешаны. Аналитики работают с большим массивом данных и просто творят чудеса. Помогают делать прогнозы развития болезней и хирургических рисков во время операций, находить связь между видами рака и комбинацией генов, выявлять риск побочных эффектов от лекарств. И это далеко не все. Хотите окунуться в мир исследований? Тогда записывайтесь на факультет «Data Science в медицине» GeekBrains. Узнаете, как работать с научными данными и использовать машинное обучение и нейросети для решения сложных задач. Кстати, на факультете помогают с трудоустройством. А еще специалисты по Data Science весьма неплохо зарабатывают. Изучите новую специальность и станьте аналитиком-супергероем → https://geekbrains.ru/link/scdgRg
16 نوفمبر 2020, 08:53

Условные случайные поля (CRFs) Они используются для моделирования последовательности, как RNN, и могут использоваться в сочетании с RNN. Они также могут быть использованы в других задачах структурированных прогнозирования, например, в сегментации изображения. CRF моделирует каждый элемент последовательности (допустим, предложение), таким образом, что соседи влияют на метку компонента в последовательности, а не на все метки, независимые друг от друга. Используйте CRF для связки последовательностей (в тексте, изображении, временном ряду, ДНК и т. д.). Полезная ссылка: sklearn-crfsuite Вводные гайды: Введение в условные случайные поля YouTube плейлист по условным случайным полям
16 نوفمبر 2020, 02:01

​​Рекуррентные нейронные сети (RNNs) RNNs моделируют последовательности, применяя один и тот же набор весов рекурсивно к состоянию агрегатора в момент времени t и вход в момент времени t. Чистые RNN редко используются сейчас, но его аналоги, например, LSTM и GRU являются самыми современными в большинстве задач моделирования последовательности. LSTM, который используется вместо простого плотного слоя в чистой RNN. Используйте RNN для любой задачи классификации текста, машинного перевода, моделирования языка. Полезные ссылки: Модели и примеры, созданные с помощью TensorFlow Бенчмарк текстовой классификации в PyTorch Open-Source система перевода Вводные гайды: Глубокое обучение для обработки языка от Stanford Статьи по RNN Понимание LSTM
15 نوفمبر 2020, 11:00

​​Ковариантная матрица (Covariance Matrix) Бивариантный анализ позволяет изучать взаимосвязи между парами переменных. Ковариантность, которая применяется в такой работе, помогает определить линейное направление изменений в таких моделях. Позитивная ковариантность означает, что увеличение или уменьшение одной переменной приводит к симметричному изменению другой. Отрицательная ковариантность свидетельствует об обратном изменении — увеличение одного параметра уменьшает второй, и наоборот. Определяя значение ковариантности, мы получаем показатель корреляции, который лежит в пределах от -1 до 1. Он объединяет в себе величину и направление линейной взаимосвязи двух переменных.
15 نوفمبر 2020, 02:00

​​Регуляризация (Regularization) При создании аналитических моделей следует избегать двух крайностей — недообучения (underfitting) и переобучения (overfitting), В первом случае алгоритм делает поспешные выводы, во втором строит функцию слишком близко к исходным данным. Истина лежит посередине, и достичь ее помогает регуляризация. Для этого к целевой функции добавляются весовые коэффициенты. Они не позволяют функции «отвлекаться» на избыточные данные, обеспечивая нужный результат. Недообучение, оптимальный результат, переобучение.
14 نوفمبر 2020, 02:00

​​Свёрточные нейронные сети Практически все современные достижения в области машинного обучения были достигнуты с помощью свёрточных нейронных сетей. Они используются для классификации изображений, обнаружения объектов или даже сегментации изображений. Изобретенные Яном Лекуном в начале 90-х годов, сети имеют сверточные слои, которые действуют как иерархические экстракторы объектов. Вы можете использовать их для работы с текстом (и даже для работы с графикой). Полезные ссылки: Интерактивная система обучения GPU c глубоким обучением TorchCV: библиотека видения PyTorch имитирует ChainerCV ChainerCV: библиотека для глубокого обучения и компьютерного зрения Документация Keras Вводные гайды: CNN для визуального распознавания Гайд для начинающих по CNN
13 نوفمبر 2020, 11:00

​​Нейронные сети прямого распространения (Feed Forward Neural Networks) В основном, это многоуровневые классификаторы логистической регрессии. Многие слои весов разделены нелинейностями (sigmoid, tanh, relu + softmax и cool new selu). Также они называются многослойными перцептронами. FFNN могут быть использованы для классификации и “обучения без учителя” в качестве автоэнкодеров. FFNN можно использовать для обучения классификатора или извлечения функций в качестве автоэнкодеров. Полезные ссылки: sklearn.neural_network.MLPClassifier sklearn.neural_network.MLPRegressor Вводные гайды: FFNN Автоэнкодеры
13 نوفمبر 2020, 02:00

Грандиозное судилище по факту злоупотребления искусственным интеллектом крупнейшими компаниями. Google, Deepmind, Alphabet, Facebook, Tesla, Nearalink, Сергей Брин, Ларри Пейдж, Марк Цукерберг, Илон Маск, Сандар Пичаи, PR Newswire и John Does. Это самый значительный и важный судебный процесс 21 века, и он оказывает влияние на весь мир. Генеральный директор и учредители Марк Цукерберг, Илон Маск, Сергей Брин, Ларри Пейдж и Сандар Пичаи также названы ответчиками вместе со своими компаниями. Машинный перевод статьи, источник указан внизу. Судьбу ответчиков вы можете проследить самостостоятельно. КРАТКИЕ ФАКТЫ Угроза человечеству с помощью неправомерного использования искусственного интеллекта, соучастия и помощи в физическом геноциде внутри Китая путем передачи технологий искусственного интеллекта, участия в культурном геноциде человечества и управления и программирования человеческой расы с помощью социальной инженерии с помощью кодирования ИИ и алгоритмической обработки биометрических данных ИИ. Это фаза 1 первого судебного процесса. Мы открыты для поддержки на глобальном уровне. У нас есть сеть, состоящая из тысяч человек по всему миру и десятков тысяч в Китае, которые являются свидетелями и пострадали в Китае из-за технологий и передачи данных ответчиками. Ниже приведены краткие сведения о соответствии федеральным делам, извлеченные из официального документа, поданного в Сан-Диего , Калифорния. Чтобы узнать подробности о финансовых, личных и корректирующих поведенческих требованиях, вы можете получить доступ к делу в базе данных федерального суда.
12 نوفمبر 2020, 11:01

Философия Java Java нельзя понять, взглянув на него только как на коллекцию некоторых характеристик, - необходимо понять зада
Философия Java Java нельзя понять, взглянув на него только как на коллекцию некоторых характеристик, - необходимо понять задачи этого языка как частные задачи программирования в целом. Эта книга - о проблемах программирования: почему они стали проблемами, и какой подход использует Java в их решении. Поэтому обсуждаемые в каждой главе черты языка неразрывно связаны с тем, как они используются для решения определенных задач. Эта книга, выдержавшая в оригинале не одно переиздание, за глубокое и поистине философское изложение тонкостей языка считается одним из лучших пособий для программирующих на Java.
12 نوفمبر 2020, 02:00

​​SVM (Метод опорных векторов) SVM – линейная модель, такая как линейная/логистическая регрессия. Разница в том, что она имеет margin-based функцию потерь. Вы можете оптимизировать функцию потерь, используя методы оптимизации, например, L-BFGS или SGD. Одна уникальная вещь, которую могут выполнять SVM – это изучение классификаторов классов. SVM может использоваться для обучения классификаторов (даже регрессоров). Полезная ссылка: sklearn.svm.SVC Вводные гайды: Машина опорных векторов sklearn.linear_model.SGDClassifier
11 نوفمبر 2020, 11:00

Как и зачем включают искусственный интеллект в веб-разработку Ведущие гиганты технологической индустрии используют технологию
Как и зачем включают искусственный интеллект в веб-разработку Ведущие гиганты технологической индустрии используют технологию искусственного интеллекта несколькими способами. Такие компании, как Amazon, Microsoft, Facebook, Google и Apple, активно осваивают эту технологию.
11 نوفمبر 2020, 02:00

Вокенизация — новый прорыв в области здравого смысла ИИ? Вокенизация — новый метод на основе неконтролируемого обучения, кото
Вокенизация — новый прорыв в области здравого смысла ИИ? Вокенизация — новый метод на основе неконтролируемого обучения, который позволяет масштабировать современные небольшие визуально-языковые наборы данных, подобные MS COCO, до размеров английской Википедии, то есть миллиардов записей. В сущности гигантские языковые модели учатся видеть мир.
10 نوفمبر 2020, 11:00

​​Книга «Карьера программиста» основана на опыте практического участия автора во множестве собеседований, проводимых лучшими компаниями. Это квинтэссенция сотен интервью со множеством кандидатов, результат ответов на тысячи вопросов, задаваемых кандидатами и интервьюерами в ведущих мировых корпорациях. Из тысяч возможных задач и вопросов в книгу были отобраны 189 наиболее интересных и значимых. Шестое издание этого мирового бестселлера поможет вам наилучшим образом подготовиться к собеседованию при приеме на работу программистом или руководителем в крупную IT-организацию или перспективный стартап. Основную часть книги составляют ответы на технические вопросы и задания, которые обычно получают соискатели на собеседовании в таких компаниях, как Google, Microsoft, Apple, Amazon и других. Рассмотрены типичные ошибки, которые допускают кандидаты, а также эффективные методики поготовки к собеседованию. Используя материал этой книги, вы с легкостью подготовитесь к устройству на работу в Google, Microsoft или любую другую ведущую IT-компанию.
10 نوفمبر 2020, 02:00

⬆️ Правильный ответ ⬆️ target="_blank"
09 نوفمبر 2020, 13:00

Какой параметр в HTML позволит открывать ссылки в новом окне браузера target="_top" - 1 👍 1% target="_parent" - 4 👍 3% target="_blank" - 130 👍👍👍👍👍👍👍👍 92% target="_self" - 7 👍 5% 👥 142 человека уже проголосовало.
09 نوفمبر 2020, 10:59

​​Логистическая регрессия Логистическая регрессия ограничена линейной регрессией с нелинейностью (в основном используется сигмоидальная функция или tanh) после применения весов, следовательно, ограничение выходов приближено к + / - классам (что равно 1 и 0 в случае сигмоида). Функции кросс-энтропийной потери оптимизированы с использованием метода градиентного спуска. Примечание для начинающих: логистическая регрессия используется для классификации, а не регрессии. В целом, она схожа с однослойной нейронной сетью. Обучается с использованием методов оптимизации, таких как градиентный спуск или L-BFGS. NLP-разработчики часто используют её, называя “классификацией методом максимальной энтропии”. На рисунку изображен сигмоид. Используйте LR для обучения простых, но очень “крепких” классификаторов. Полезная ссылка: sklearn.linear_model.LogisticRegression Вводный гайд: Логистическая регрессия | классификация
09 نوفمبر 2020, 02:00

Функции потерь (Loss Functions) Для большинства именно с этого начинается знакомство с Data Science — функции потерь помогают создавать рекомендательные и прогнозные системы, определять тенденции в массивах данных. Допустим, у вас есть модель линейной регрессии, которой вы предлагаете исходные данные. Полученный результат вы сравниваете с образцом, чтобы определить, как далеко от реальности он лежит. Эта информация помогает вам оптимизировать функцию прогнозирования. Как же подсчитать эту разницу? Для этого вы представляете эти данные в виде двух векторов и применяете к ним функцию потерь. Например, пусть ожидаемый прогноз — это вектор P, а ваши результаты — вектор E. Тогда P-E — это разница между данными, а длина этого третьего вектора и представляет собой величину ошибки.
08 نوفمبر 2020, 11:00