Анализ данных (Data analysis)
الذهاب إلى القناة على Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
إظهار المزيد
الشبكة:📈 نظرة تحليلية على قناة تيليجرام Анализ данных (Data analysis)
تُعد قناة Анализ данных (Data analysis) (@data_analysis_ml) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 50 539 مشتركاً، محتلاً المرتبة 2 565 في فئة التكنولوجيات والتطبيقات والمرتبة 12 188 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 50 539 مشتركاً.
بحسب آخر البيانات بتاريخ 28 أغسطس, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 146، وفي آخر 24 ساعة بمقدار 1، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 11.45%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 9.25% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 5 785 مشاهدة. وخلال اليوم الأول يجمع عادةً 4 675 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 28.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل llm, контекст, openai, архитектура, deepseek.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 29 أغسطس, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
50 539
المشتركون
+124 ساعات
+387 أيام
+14630 أيام
أرشيف المشاركات
+1Китай, похоже, заканчивает эпоху “берите наши open-weight модели и делайте что хотите”
Пекин обсуждает новые экспортные ограничения для AI и чипов. По данным FT/Reuters, Минкоммерции Китая уже консультировалось с Alibaba, ByteDance и Zhipu: как ограничить вывод training data за рубеж и стоит ли дальше разрешать иностранцам скачивать веса самых сильных моделей.
Причина - китайские frontier-модели всё чаще выходят open-weight. После Kimi K3 это стало особенно чувствительно: Moonshot представила 2.8T-модель и заявила, что она приближается к уровню американских frontier-систем.
Когда Китай догонял, открытость была оружием: раздать веса, ускорить adoption, ударить по закрытым западным моделям.
Теперь, когда разрыв с США уменьшился, те же веса выглядят уже не как маркетинг, а как стратегический актив.
И ограничения могут коснуться не только моделей. Обсуждаются меры, которые не дадут зарубежным производителям вроде Qualcomm и TSMC делать продвинутые чипы по дизайнам Huawei, Alibaba и ByteDance. Также возможны ограничения на зарубежные покупки стратегических AI-стартапов, включая agentic AI.
Китай начинает охранять AI так же жёстко, как редкоземы, чипы и другие рычаги технологической власти.
Open-source был стратегией андердога.
Похоже, Пекин уже не считает себя андердогом.
https://www.reuters.com/world/asia-pacific/china-considers-tighter-export-controls-ai-models-chips-ft-reports-2026-07-21/
Fugu-Cyber: ИИ-оркестратор для задач киберзащиты
Sakana AI представила обновление своей системы Fugu - специализированную модель Fugu-Cyber для анализа реальных задач информационной безопасности.
По данным компании, модель показала:
- 86,9% успешных решений на CyberGym
- 72,1% на CTI-REALM
- результаты на уровне GPT-5.5-Cyber и Mythos Preview
CyberGym проверяет способность находить и подтверждать уязвимости в сложных кодовых базах, а CTI-REALM — превращать отчёты об угрозах в рабочие правила обнаружения.
Fugu-Cyber работает как одна модель, но внутри динамически координирует несколько специализированных ИИ-агентов. Пользователь отправляет запрос в единый API, а система сама распределяет многоэтапную задачу между агентами.
При этом Sakana AI подчёркивает: высокая оценка на бенчмарке ещё не делает модель готовой системой защиты. Для работы в реальной инфраструктуре нужны эксперты, интеграция с внутренним кодом и обязательная проверка результатов человеком.
https://sakana.ai/fugu-cyber-release
#ai #cybersecurity #llm #agents #sakanaai
ИИ-агенты часто ломаются ещё до того, как начинает ошибаться модель
В работе “AI Agents Do Not Fail Alone: The Context Fails First” исследователи показали: будущий сбой агента можно предсказать по его окружению ещё до завершения задачи.
Причина часто находится в том, что ей дали:
- расплывчатую роль и инструкции
- плохо описанные инструменты
- недостаточно фактов и доказательств
- противоречивые правила
- слабую память
- уязвимые защитные ограничения
- неудачно распределённый контекст
Авторы оценивали среду агента отдельно от его итогового результата. Поэтому метрика не угадывает поведение по ответу, а измеряет качество условий, в которых работает система.
На 300 тестах и 7500 шагах одни и те же фиксированные модели заметно улучшили результаты после перехода от хаотичного контекста к структурированному.
Больше фактических данных снижало число галлюцинаций. Чёткое описание инструментов улучшало tool use. Сильные guardrails повышали устойчивость к манипуляциям.
Но обнаружился и компромисс: чрезмерно защищённые агенты иногда становились слишком осторожными и хуже решали обычные задачи.
Прежде чем менять модель, стоит проверить промпты, инструменты, память, фактическую базу и правила безопасности.
https://arxiv.org/abs/2607.14275
#ai #agents #llm #research
700+ страниц алгебры, после которых слово “абстрактная” перестаёт пугать
Есть бесплатная PDF-версия Basic Algebra Энтони Кнаппа — большой учебник для сильных студентов старших курсов и первого года магистратуры. Digital Second Edition доступна для личного образовательного использования.
Внутри почти весь фундамент современной алгебры:
* целые числа, многочлены, матрицы
* векторные и евклидовы пространства
* группы и действия групп
* линейные операторы и жорданова форма
* тензоры и внешняя алгебра
* кольца, модули, поля
* теория Галуа
* категории и функторы
Особенно ценно, что это не «конспект на 100 страниц», а полноценный маршрут: от конкретных вычислительных примеров к общей теории. Сам Кнапп пишет, что читателям нравились именно широта книги, раннее введение линейной алгебры и большое количество задач.
Для новичка без опыта доказательств будет тяжеловато. Но если уже умеешь читать строгую математику и хочешь собрать мощную базу по алгебре — это прям серьёзная находка.
PDF: https://math.stonybrook.edu/~aknapp/download/b2-alg-coverandinside.pdf
⚡️ AgentField: попытка сделать AI-агентов нормальными backend-сервисами
Большинство agent-фреймворков помогает написать логику агента. AgentField пытается закрыть другой слой: как запускать агентов в проде, как API и микросервисы. Репозиторий уже набрал около 2.4K звёзд.
Идея сильная: ты пишешь обычные функции на Python, Go или TypeScript, а AgentField превращает их в REST endpoints, добавляет routing, retries, async execution, memory, observability и coordination.
Что обещают из коробки:
* один агент на ноутбуке → тысячи агентов в workflow
* fan-out запросов через control plane
* очереди и retry без ручной сборки инфраструктуры
* traces, DAGs, metrics и audit trails
* memory scopes: global, actor, session, workflow
* human approval для критичных решений
* SDK для Python, Go и TypeScript
* деплой через Docker Compose, Kubernetes и production setups
Отдельно интересно, что AgentField можно использовать прямо из coding agents: Claude Code, Codex, Gemini CLI, OpenCode, Aider, Windsurf и Cursor. По README, ты описываешь систему одной строкой, а получаешь Docker Compose stack с агентом, control plane и REST API.
Технически control plane — stateless Go-сервис, который масштабируется горизонтально, а durable очередь работает через PostgreSQL с lease-based processing, чтобы задачи не терялись при падениях и рестартах.
https://github.com/Agent-Field/agentfield
🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
В IT прокачивается тот, кто каждый день видит сильные идеи, новые инструменты, реальные задачи, вакансии и разборы.
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: t.me/DevopsDocker
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/java_library
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: @courses
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Пока кто-то листает шум, ты будешь видеть инструменты, задачи и идеи, которые помогают расти в профессии.
Полностью локальная мультимодальная модель для GPU с 8 ГБ памяти
Модель запускается на локальном компьютере, понимает изображения и подходит для создания ИИ-агентов.
Возможности
- fine-tuning на Hermes V3
- оптимизация под агентные сценарии
- анализ изображений
- рабочий function calling
- готовые версии GGUF и
mmproj
- минимум встроенных ограничений и отказов
- запуск на видеокартах с 8 ГБ VRAM
Хороший вариант для локальных агентов, которым нужно анализировать изображения, работать с интерфейсами и вызывать внешние инструменты без облачного API.
Модель с отключёнными ограничениями лучше запускать в изолированной среде без доступа к важным файлам, ключам и системным командам.
https://huggingface.co/LuffyTheFox/Qwen3.6-35B-A3B-Uncensored-Genesis-Hermes-V3-GGUF
Understanding Machine Learning: From Theory to Algorithms — фундаментальная книга по математическим основам машинного обучения.
Внутри:
empirical risk minimization и переобучение
PAC learning и uniform convergence
VC dimension и No-Free-Lunch theorem
bias–complexity tradeoff
линейные модели, boosting и AdaBoost
выбор модели и валидация
выпуклая оптимизация, регуляризация и устойчивость
Книга вышла в Cambridge University Press и подойдёт тем, кто хочет разобраться в ML глубже уровня библиотек и готовых API.
Авторы разрешают скачать копию для личного использования, но просят не распространять прямую ссылку на PDF. На официальной странице кнопка Download находится в боковом меню:
http://cs.huji.ac.il/~shais/UnderstandingMachineLearning
🤖 ИИ-зрение: как строить карту сцены по данным камер — детекция, трекинг, локализация
Открытый урок курса «Компьютерное зрение. Экспертный уровень».
На вебинаре разберём прикладные аспекты построения структурированного представления окружающего мира на основе видеопотока и сенсорных данных.
Программа:
- источники данных для построения карты сцены и методы их агрегации;
- сочетание детекции, сегментации, трекинга и оценки движения камеры в единой последовательности алгоритмов;
- практические ограничения ИИ-решений: шум, динамические объекты, изменение освещения, погрешности и требования к точности.
Результат: понимание этапов формирования машинного представления сцены, взаимосвязей между восприятием, локализацией и построением карты. Эти знания применимы в беспилотном транспорте, робототехнике, навигации и видеоаналитике.
➡ Участвовать бесплатно https://otus.pw/DBB6/?erid=2W5zFJ4gfff
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
Можно ли обучать нейросеть почти как мозг, но без классического backprop?
Новая работа Diffusing Blame проверяет жёсткое ограничение из биологии: принцип Дейла.
В реальном мозге нейрон обычно не «смешивает роли»: он либо возбуждающий, либо тормозящий. А в обычных нейросетях один и тот же юнит спокойно может иметь и положительные, и отрицательные исходящие веса. Удобно для обучения, но биологически странно.
Авторы делают dual-stream архитектуру: отдельные excitatory/inhibitory потоки и только неотрицательные матрицы весов. Знак связи задаётся не самим весом, а типом популяции.
Классический backprop требует в обратном проходе почти точные транспонированные копии forward-весов, а в биологии такого механизма не видно.
Вместо этого используется Error Diffusion: глобальный сигнал ошибки напрямую доходит до скрытых слоёв. Главная добавка статьи — modulo error routing, который расширяет ED с бинарных задач на multi-class.
Результаты:
* 96.7% на MNIST
* 61.7% на CIFAR-10
* ED-PPO протестирован в RL на Brax locomotion и Craftax
* на HalfCheetah ED-PPO даже обходит обычный BP-PPO в их эксперименте
* на более сложных задачах вроде Craftax результат слабее, но всё ещё конкурентен с DFA
Интересно, что сеть со строгим биологическим ограничением всё равно может учиться на картинках и RL-задачах без транспорта весов назад.
Paper: https://arxiv.org/abs/2606.31700
+2Математика без попсы: три бесплатных книги для тех, кто хочет настоящий фундамент
Три бесплатные книги Аллена Хатчера по математике
Если хочется нормального фундамента по топологии, K-theory и теории чисел, у Аллена Хатчера есть отличный бесплатный набор.
1. Algebraic Topology
Классический учебник по алгебраической топологии. Книга вышла в Cambridge University Press, но онлайн-версия доступна бесплатно по соглашению с издателем. На сайте есть полный PDF, главы отдельно, исправления и дополнительные упражнения.
https://pi.math.cornell.edu/~hatcher/AT/AT.pdf
Дополнительно: Spectral Sequences - отдельная расширенная глава к этой книге.
https://pi.math.cornell.edu/~hatcher/AT/ATch5.pdf
2. Vector Bundles & K-Theory
Короткая книга про векторные расслоения, топологическую K-теорию и характеристические классы. Сейчас онлайн выложено около 120 страниц: основы vector bundles, часть K-theory, Bott periodicity, characteristic classes и stable J-homomorphism.
https://pi.math.cornell.edu/~hatcher/VBKT/VB.pdf
3. Topology of Numbers
Необычное введение в теорию чисел через геометрию и картинки. Много внимания уделено квадратичным формам, диаграмме Фарея, цепным дробям, уравнению Пелля, quadratic reciprocity и topograph Конвея. PDF примерно на 350 страниц доступен бесплатно.
https://pi.math.cornell.edu/~hatcher/TN/TNbook.pdf
🎓 Хотите в ШАД, но не знаете, с чего начать?
На курсе ShadHelper мы помогаем выстравивать подготовку по понятному плану: закрывать необходимые темы по математике и алгоритмам, разбирать задачи вступительных и получать обратную связь преподавателей.
Новый поток курса «Подготовка к ШАД» уже начался, но сейчас идёт вводная часть. Поэтому до 19 июля включительно ещё можно присоединиться к группе без сильного отставания.
На время добора мы открыли бесплатный тестовый доступ к материалам и занятиям текущего потока.
Вы сможете посмотреть:
- как выстроена программа подготовки;
- какие темы и задачи разбирают на курсе;
- как преподаватели дают обратную связь;
- подходит ли вам темп и формат обучения.
Если формат вам подойдёт, сможете присоединиться к текущей группе и продолжить обучение.
👉 Посмотреть курс изнутри
Реклама ООО "ШВМ",
ИНН: 5638076560 Erid: 2VtzqxUcqML
NVIDIA выкатили Nemotron 3 Embed — семейство open-моделей для RAG, agentic retrieval, code retrieval и памяти агентов.
Флагман Nemotron-3-Embed-8B-BF16 заявлен как SOTA на multilingual RTEB на 16 июля 2026 года. Это retrieval-бенчмарк: он показывает, насколько хорошо embedding-модель находит нужный контекст для RAG.
Почему это важно для агентов?
Когда retrieval промахивается, агент получает мусорный контекст. Дальше начинаются лишние поиски, длиннее reasoning, больше токенов и выше счёт за inference.
В линейке три модели:
* 8B-BF16 — максимум качества
* 1B-BF16 — дешевле и быстрее для продакшена
* 1B-NVFP4 — версия под Blackwell/vLLM, квантованная через NVIDIA Model Optimizer
Все модели работают с входом до 32K токенов, то есть могут индексировать длинные документы, код и agent history без слишком агрессивной нарезки.
У 1B-NVFP4 на RTEB почти тот же результат, что у BF16: 72.00 против 72.38, при этом модель остаётся совместимой по embedding-space с 1B-BF16.
https://huggingface.co/blog/nvidia/nemotron-3-embed-wins-rteb
CLI-Anything: как дать AI-агентам руки для обычных приложений
Идея простая: CLI-Anything генерирует командные интерфейсы для реального софта, чтобы агент мог не «тыкать мышкой», а вызывать понятные команды.
Так можно управлять CAD-инструментами, 3D-редакторами, редакторами субтитров, браузером, Blender, FreeCAD, GIMP, Inkscape, Obsidian, Kdenlive, OBS и другими приложениями. В репозитории уже есть десятки agent-harness’ов под разные программы.
Как это выглядит:
* агент получает задачу
* вызывает CLI
* приложение делает работу
* результат можно проверить и повторить
Есть и CLI-Hub: установка через
pip install cli-anything-hub, дальше можно ставить готовые CLI через cli-hub install <name>.
GitHub: https://github.com/HKUDS/CLI-AnythingRepost from Machinelearning
+2Kimi K3 только что появилась в Kimi Code CLI
В документации Kimi Code уже есть новая модель Kimi K3 - её называют самым сильным flagship-моделем Kimi на сегодня. Упор: кодинг, игры/3D и knowledge-задачи.
Что интересно по спекам:
* model ID:
k3
* контекст: до 1M токенов
* reasoning сейчас только на max
* low и high обещают добавить позже
* на Moderato доступно до 256K
* до 1M открывается на Allegretto и выше
Переключиться можно прямо в Kimi Code CLI через команду /model. Для VS Code — через dropdown в поле ввода.
Нюанс для сторонних coding agents: если хотите полный контекст K3, вручную ставьте context window 1048576, потому что часть инструментов по умолчанию режет окно меньше максимума.
kimi.com/code/docs/en/kimi-code/models
Теперь можно запускать Thinking Machines Inkling локально.
Это огромная open-модель на 975B параметров с поддержкой текста, изображений, аудио и контекста до 1M токенов. На Hugging Face её описывают как мультимодальную модель с 41B активных параметров и поддержкой agentic-сценариев.
Unsloth уже выложила GGUF-кванты и гайд по запуску. Самый жёсткий вариант — Dynamic 1-bit, который режет размер примерно на 86% и требует около 270–290 ГБ RAM/VRAM для запуска.
Главный момент не в том, что модель «маленькая».
Она всё ещё гигантская.
Но 1-bit-квантизация делает локальный запуск таких монстров хотя бы технически реалистичным для очень мощных машин.
Для тех, кто тестирует локальные агенты, мультимодальные пайплайны и long-context задачи, Inkling выглядит как модель, которую точно стоит потрогать.
Guide: https://unsloth.ai/docs/models/inkling
GGUF: https://huggingface.co/unsloth/inkling-GGUF
+1OpenAI показала, как модели начинают прокачивать безопасность друг друга.
Новый проект называется GPT-Red. Это внутренний red-teaming агент, который специально обучают ломать другие модели: искать prompt injection, обходы, утечки через tools, браузер, файлы и подключённые приложения.
Главная идея: человеческий red team важен, но он плохо масштабируется. Люди не могут бесконечно генерировать тысячи разных атак под каждый новый агентный сценарий. Поэтому OpenAI обучает отдельную модель-атакующего, которая сама пробует атаки, смотрит на ответ модели и улучшает стратегию.
Получается self-play для безопасности: один агент атакует, другой учится не ломаться.
По данным OpenAI, GPT-Red находил успешные атаки в 84% новых сценариев против GPT-5.1, тогда как human red-teamers - в 13%. После использования этих атак в обучении GPT-5.6 Sol стал заметно устойчивее к prompt injection: OpenAI пишет про 6× fewer failures на самом сложном бенчмарке.
GPT-Red пока не выпускают для всех. Это не продукт, а внутренний инструмент, потому что модель специально натренирована на вредные сценарии.
https://openai.com/index/unlocking-self-improvement-gpt-red/
Кто-то разобрал Claude Code почти до винтика
learn-coding-agent - репозиторий для тех, кто хочет понять, как устроены современные coding agents не на уровне промо-страниц, а на уровне архитектуры.
Автор собрал разбор Claude Code по публичным источникам: цикл агента, систему инструментов, разрешения, работу с контекстом, сессии, подпроцессы, MCP, удалённые настройки, телеметрию и скрытые флаги.
Получился не “гайд по использованию”, а карта внутренней логики CLI-агента: как он принимает решение, когда просит разрешение, как вызывает инструменты, как хранит историю и как расширяется через внешние интеграции.
https://github.com/sanbuphy/learn-coding-agent