Data Science

Открывается набор на магистратуры Авито — совместно с МФТИ и ВШЭ Те, кто следит за направлениями ML и продакт-менеджмента, уже подают заявки. А те, кто только присматривается, могут присмотреться внимательнее — программы строили не по лекалам десятилетней давности: • Три трека: «Прикладное машинное обучение и анализ данных» с МФТИ, «Машинное обучение в цифровом продукте» с ФКН ВШЭ и «Управление продуктом в IT-бизнесе» с ВШБ ВШЭ. • Для ML-специалистов — классический ML, компьютерное зрение, рекомендательные системы, генеративный ИИ. Для продактов — матрица компетенций реального продакт-менеджера, от аналитики до бизнес-моделей, с целью выйти на уровень middle. • Преподаватели — действующие сотрудники Авито, а не только академическая кафедра. • Кейсы с живых продуктов, а не учебные датасеты. • Больше 300 экспертов со стороны бизнеса участвовали в разработке, так что содержание актуальное и прикладное. Поступить можно из любого региона России — программы открыты для выпускников бакалавриата со всей страны.

A viral Europe 2031 scenario warns that Europe could become economically weaker, politically dependent, and strategically exposed if it fails to build its own frontier AI capacity 📓 book @datascienceiot

Открывается набор на бесплатную программу – Академия Авито!  Те, кто уже в теме, спешат подать заявки. А тем, кто слышит об Академии впервые, нужно поторопиться, потому что такой шанс бывает только раз в году: - Направления на выбор: аналитик данных и Data Science-инженер. - Актуальная программа под запрос нанимающих команд. - Личный ментор и постоянная поддержка. - Профессиональное сообщество единомышленников. - Реальные кейсы и 150+ экспертов, которые обучат вас нужным скиллам. Сама учеба начнется 1 сентября, но подать заявку можно только до 2 июля! Регистрация: ссылка

Can LLM Agents Infer World Models? Evidence from Agentic Automata Learning 📓 book @datascienceiot

Финальная неделя до запуска хакатона от Reinforce.fi (ex-Overnight.fi) по реальным рыночным данным с призовым фондом $5,000: Market-Action Arena В отличие от классических соревнований по прогнозированию цен, здесь нужно принимать решения. Задача участника — выбрать наиболее прибыльное действие из 10 возможных вариантов (A1–A10) для каждого состояния рынка и максимизировать итоговый PnL. Что получат участники: • реальные рыночные данные с анонимизированными признаками • train и validation датасеты в формате Parquet • последовательности длиной 1000 шагов • различные рыночные режимы и периоды • задачу, близкую к reinforcement learning и sequential decision making Метрика соревнования: Score = суммарный PnL по всем принятым действиям. Особенность задачи в том, что данные максимально приближены к тем, которые команда Reinforce.fi использует в своих торговых и yield-стратегиях. Призы: 1️⃣ $2,500 2️⃣ $1,500 3️⃣ $1,000 Топ-10 участников лидерборда попадут в финал и смогут представить свои решения команде Reinforce.fi. Финальная проверка будет проводиться на скрытом датасете. Старт соревнования — конец июня 2026. Продолжительность — 1.5–2 месяца. Участвовать можно индивидуально или командой. Telegram-чат хакатона: https://t.me/+R6lMJ10VXP5hOTI0 Если давно хотелось поработать с задачей, которая ближе к реальным рыночным решениям, чем к очередному Kaggle-прогнозу, — регистрируйтесь.

Mathematics Behind Jujutsu Kaisen: Gojo Satoru’s Infinity 📓 book @datascienceiot

Latent Thought Flow 📓 book @datascienceiot

9 июля на масштабном форуме Data Day 2026 соберутся лидеры data- и AI-команд, которые формируют подходы к работе с данными, ML и AI в ведущих компаниях РФ — Сбер, X5 Tech, Т-Банк, Ozon Fintech, Lamoda, ВТБ и другие. Свое участие уже подтвердили более 60 спикеров. «Бизнес. Техноград» на ВДНХ. 1500 участников. 5 отраслевых треков. Обсудим, как все реально устроено в системах лидеров рынка. В программе: 💰 Тренды AI и данных «из первых уст». На какие технологии и подходы делают ставку лидеры рынка? 💰 Как превратить хаос данных в надежный бизнес-навигатор и сделать данные стратегическим активом компании. 💰 Практика внедрения AI и data-driven подходов в финтехе, ритейле, логистике, промышленности и агросекторе. 💰 Как находить новые точки роста, используя опыт цифровых лидеров и сильные data-команды. 💰 AI-hub: выставка и центр экспертизы готовых AI-решений и автономных агентов для бизнеса. Выступают: – Дмитрий Криволапов, Lamoda. Директор департамента по данным и аналитике. – Алексей Бондаренко, Газпромбанк. Вице-президент — начальник департамента управления данными. – Дмитрий Рузанов, Альфа-Банк. Директор департамента разработки моделей. – Павел Денисенко, X5 Tech. Директор департамента развития платформы больших данных. – Артём Летин, ВТБ. Начальник управления моделирования КИБ и СМБ, вице-президент. – Валерий Поляков, Т-Банк. Лидер по данным группы Т-Технологии (Chief Data Officer). – Александр Лукьянов, ДОМ РФ Технологии. Генеральный директор. – Валентина Рудик, Ozon Fintech. Руководитель розничного кредитования. – Андрей Скачёк, М.Видео, Директор по маркетингу И другие. 9 июля, «Бизнес. Техноград», ВДНХ, Москва. Присоединяйтесь! Форум соберет экспертов по данным, ML и AI из банков, ритейла, телекома, транспорта, агропрома и ИТ-индустрии. 👉 Программа и регистрация P.S. Для иногородних участников AZIMUT Отель Аэростар Москва предоставит скидку 22% на проживание по промокоду DataDay.

Fearless Concurrency on the GPU" introduces cuTile Rust 📓 book @datascienceiot

Проект Ozon Tech Route 256 Pro обновился, и теперь в нём есть направление Data Science. Это интенсивный онлайн-курс для специалистов с опытом. Он длится 2 месяца и охватывает классический Machine Learning, компьютерное зрение и применение генеративных моделей в реальных продуктах. Хочешь решать сложные задачи с экспертами Ozon Tech? Залетай за подробностями и оставляй заявку: https://route256.ozon.ru/ds. Это бесплатно!

Making SEC filings machine-readable without losing context is the real infrastructure play for financial AI. 📓 book @datascienceiot

Как ускорить ML-разработку, когда главный дефицит — не идеи, а доступ к GPU? На infra.conf’26 Яндекс рассказал про Dev Cluster — сервис динамического распределения GPU-ресурсов для ML-команд. Идея простая: вместо настройки окружений, ожидания свободных мощностей и ручного управления инфраструктурой разработчики за несколько кликов получают готовую GPU-конфигурацию для обучения моделей и проверки гипотез. Ресурсы выделяются за секунды, снижаются простои GPU и эффективнее используются вычислительные мощности. В результате команды быстрее запускают эксперименты, реже упираются в инфраструктурные ограничения и сокращают путь от идеи до результата. Dev Cluster — часть единой ML-платформы Яндекса, которая закрывает полный цикл машинного обучения: от работы с данными и обучения до применения моделей.

Predicting LLM Safety Before Release by Simulating Deployment 📓 book @datascienceiot

Как сегодня создают эффективные ML-системы Обсудим 18 июля в Москве на Turbo ML Conf — флагманской конференции Т-Банка про ML. Будет три потока докладов: — глубокие исследования и новые подходы к моделям; — прикладное ML с фокусом на бизнес-метриках; — инженерные системы, делающие все это возможным. Участников ждут кейсы и лучшие практики от лидеров индустрии, демозоны с решениями от больших компаний и разговор с инженерами, которые их создают. Регистрируйся заранее и зови коллег

Everything You Always Wanted To Know About Mathematics* 📓 book @datascienceiot

⚡️ Machine Learning Roadmap 2026: большая карта входа в ML без сказок про “нейросети за месяц Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps и даже вабкодинга. Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и что должно получиться на практике после каждого этапа. Roadmap разбит на 7 треков: 1. Фундамент: Python, математика, статистика, инструменты 2. Классический ML: scikit-learn, табличные данные, метрики, валидация 3. Deep Learning: PyTorch, CNN, RNN, training loop 4. LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты 5. Generative AI: изображения, видео, аудио, мультимодальность 6. MLOps и прод: Docker, Kubernetes, CI/CD, monitoring, serving 7. Специализация: CV, NLP, RecSys, RL, Safety Roadmap не продаёт иллюзию “обучил модель - стал ML-инженером”. В реальной работе много времени уходит на данные, метрики, деплой, мониторинг, воспроизводимость и разбор ошибок. Модель - только часть системы. Хорошая мысль из roadmap: LLM не делает джуна сеньором. Она ускоряет того, кто уже понимает базу. Без базы человек просто становится оператором Copilot, который не может объяснить, почему всё сломалось. По времени тоже без сказок: 1. 0-3 месяца: математика, классический ML 2. 3-6 месяцев: Deep Learning и PyTorch 3. 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты 4. 12+ месяцев: MLOps, прод, масштабирование, специализация Тут же собрано 7 болших бесплатных курсов по машинному обучению, математике и вайбкодингу! Если давно хотели зайти в ML системно, а не прыгать между роликами про ChatGPT, Stable Diffusion и “топ-10 библиотек”, это хороший ориентир. https://github.com/justxor/MachineLearningRoadmap

System Card: Claude Fable 5 & Claude Mythos 5 📗 Read @datascienceiot

AI-Driven Multi-Region Provisioning for Cloud Services Using Spot Fleets 📗 Read @datascienceiot

От мечты о карьере сварщика до стажировки в KAUST История выпускника Школы анализа данных Степана Платинского — яркий пример того, куда может вывести фундаментальное образование в ML. До 9 класса он хотел быть сварщиком. Но потом поступил в Физтех-лицей, оттуда в МФТИ, а затем в Школу анализа данных. Сегодня он улучшает ML-модели для международного поиска Яндекса, а в прошлом году стажировался в университете KAUST в Саудовской Аравии как приглашенный исследователь. Его цель — построить статистическую модель, которая сможет предсказывать экстремальные события вроде наводнений или обвала рынка. Этому как раз посвящена его научная работа. Степан считает, что главное для карьеры в ML — любознательность и искреннее желание разобраться в теме. О том, как попасть на международную стажировку и заниматься наукой параллельно с карьерой в бигтехе, читайте в интервью со Степаном.

A 178 page survey study for refreshing math and generative AI foundations from University of Huddersfield. The Little Book of Generative AI Foundations. 📗 Read @datascienceiot