ar
Feedback

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

Анализ данных (Data analysis)

Анализ данных (Data analysis)

الذهاب إلى القناة على Telegram

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

إظهار المزيد

📈 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 51 911 مشتركاً، محتلاً المرتبة 2 581 في فئة التكنولوجيات والتطبيقات والمرتبة 11 797 في منطقة روسيا.

📊 مؤشرات الجمهور والحراك

منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 51 911 مشتركاً.

بحسب آخر البيانات بتاريخ 16 نوفمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 444، وفي آخر 24 ساعة بمقدار -8، مع بقاء الوصول العام مرتفعاً.

  • حالة التحقق: غير موثّقة
  • معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 11.63‎%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 8.47‎% من ردود الفعل نسبةً إلى إجمالي المشتركين.
  • وصول المنشورات: يحصل كل منشور على متوسط 6 040 مشاهدة. وخلال اليوم الأول يجمع عادةً 4 397 مشاهدة.
  • التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 192.
  • 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 17 نوفمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.

51 911
المشتركون
-824 ساعات
+27 أيام
+44430 أيام
أرشيف المشاركات
🖥 В больших проектах #SQL-запросы могут становиться сложными. Документирование помогает прояснить функциональность каждого запроса для других членов команды. С помощью #dbt вы можете легко документировать свои запросы с помощью команды 𝐝𝐛𝐭 𝐝𝐨𝐜𝐬 𝐠𝐞𝐧𝐞𝐫𝐚𝐭𝐞. 📌 Что такое dbt 📌 Больше примеров @data_analysis_ml

Мечтаешь стать топовым специалистом, но не хватает фундамента? Или хочешь с легкостью проходить собесы в крупные компании? Ищешь материалы и советы по подготовке? Тогда подпишись на канал "Поступашки - ШАД, Стажировки и Магистратура"! Канал ведут ведущие специалисты big data и преподаватели ШАД. Там тебя ждут: 🔺Подборки материалов по алгоритмам, математике и разработке ; 🔺Советы, как развиваться в выбранной области от практикующих специалистов; 🔺Инсайды и анонсы об актуальных стажировках, образовательных проектах и олимпиадах. ...и еще много полезного =) Подписывайся ⬇️ @postypashki_old

✔ No Black Box Machine Learning Course – Learn Without Libraries Как насчет курса по машинному обучению, который не опирается
✔ No Black Box Machine Learning Course – Learn Without Libraries Как насчет курса по машинному обучению, который не опирается на библиотеки? В этом курсе "без черного ящика" алгоритмы изучаются с нуля. Вы узнаете, как они работают и создадите несколько интересных DS проектов таких, как приложение для рисования, визуализатор данных и многое другое. • Video • Github • Course ai_machinelearning_big_data

Зовем на курс по профессии Data Scientist 13 ноября в Слёрм стартует поток «Профессия Data Scientist». Это новый курс от двух
Зовем на курс по профессии Data Scientist 13 ноября в Слёрм стартует поток «Профессия Data Scientist». Это новый курс от двух мощных экспертов: ⚡️Иван Аникин, Team Lead Yandex.Edadeal. Суммарный опыт в области DS более 6 лет, отвечал за разработку и запуск ML-проектов в Yandex, Sber, SberDevices, Лента ⚡️Владимир Бугаевский, Team Lead СберМаркет. Опыт в индустрии: 6+ лет, до этого разрабатывал рекомендательную систему VK Пульс. Они расскажут, как создавать алгоритмы, которые автоматизируют труд и заставляют компьютеры «думать» самостоятельно. Посмотреть подробную программу можно на сайте Слёрм На курсе будут разбирать такие темы, как: ✔️ Основные алгоритмы и понятия классического машинного обучения ✔️ Применение машинного обучения в бизнес-задачах ✔️ Базовые подходы для построения нейронных сетей, фреймворк PyTorch для написаний нейронных сетей ✔️ Основные библиотеки для анализа данных: jupyterlab, numpy, scipy, pandas, matplotlib 30% теории, 70% — практики Длительность курса составляет 3,5 месяца. Обучение идет в формате потока: спикеры отвечают на вопросы студентов и в групповом чате, и на онлайн-встречах. Есть и промежуточные задания, и финальный проект. По заданиям и проектам эксперты дают глубокую обратную связь-ревью. Записаться на курс можно по ссылке Реклама. ООО «Слёрм» г. Лиски, ОГРН 1193668020545

🖥 Загружай данные в 113 раз быстрее. При работе с файлами Parquet в pandas обычно сначала загружают данные в pandas DataFram
🖥 Загружай данные в 113 раз быстрее. При работе с файлами Parquet в pandas обычно сначала загружают данные в pandas DataFrame, а затем применяют фильтры. Для повышения скорости выполнения запросов следует переместить фильтры в движок PyArrow, чтобы использовать оптимизацию обработки PyArrow. В приведенном ниже коде фильтрация набора данных из 100 млн строк с помощью PyArrow выполняется примерно в 113 раз быстрее, чем при использовании pandas. 📌 Смотреть код @data_analysis_ml

🔵🗣Вырасти до хардового Middle+ аналитика. Как? Добавьте к своим скилам навыки в проектировании архитектуры и интеграций веб
🔵🗣Вырасти до хардового Middle+ аналитика. Как? Добавьте к своим скилам навыки в проектировании архитектуры и интеграций веб-сервисов! Рассмотрите — авторский курс про архитектуру и интеграции с практикой. ————— По результатам курса вы: ▫️научитесь выбирать стиль интеграции под вашу задачу; ▫️сможете проектировать с нуля и описывать интеграции в современных стилях (API: REST, SOAP, gRPC и др. + брокеры сообщений); ▫️поймете, как правильно собирать требования и моделировать в UML; ▫️подготовитесь к собеседованию, решив более 100 тестов; ▫️разработаете свой API на Python. ————— 🟢Вы получите большую базу фундаментальных знаний, доступ к урокам останется навсегда 💡 • Всю программу и отзывы смотрите в боте курса. • Результат после прохождения курса: 15 рабочих проектов в портфолио. 🔹🔹 С чего начать?🔹🔹 С открытых бесплатных уроков по архитектуре и интеграциям в боте. Переходите, нажимайте «старт». 👇 @studyit_help_bot @studyit_help_bot Скидка на курс для канала — 1 490₽ по промокоду DAMI до 15 октября.

🖥 Оптимизация хранения данных в СУБД Greenplum Greenplum — это open source MPP СУБД, основанная на PostgreSQL. Архитектура С
🖥 Оптимизация хранения данных в СУБД Greenplum Greenplum — это open source MPP СУБД, основанная на PostgreSQL. Архитектура СУБД укрупненно представляет собой систему, состоящую из n-го количества Segment Host — процессов/серверов, на которых производится хранение и обработка данных, и одного Master Host – процесса/сервера, являющегося точкой входа клиента, который также хранит внутри себя метаданные таблиц и распределяет обработку данных между сегментами. Вопрос выбора способа хранения данных для меня встал достаточно остро из-за относительно большого объема анализируемых данных. Кратко опишу набор таблиц витрины и примерное количество строк в них на данный момент: 1. Таблица с пользователями маркетплейса (более 4 млн.); 2. Корзина товаров (более 150 млн.); 3. Покупки пользователей в маркетплейсе (более 40 млн.); 4. Таблица с начислениями бонусов за покупки (более 20 млн.) 5. И т.д. (суммарно еще около 5-10 млн. строк уходят на перечень продаваемых товаров, различные справочники и другую сопутствующую информацию) Аналитические запросы, в особенности с объединением этих таблиц, занимают достаточно большое количество времени и ресурсов, что негативно складывается на работе СУБД, коллег и меня в частности. В связи с этим, оптимизация хранения таблиц является одним из основных вариантов оптимизации запросов (вкупе с объяснением того, как эти оптимальные запросы строить, но это уже совсем другая история). Рассмотрим задачу выбора оптимального способа хранения данных подробнее. 👇 📌Читать @data_analysis_ml

🦙 Medusa: Simple Framework for Accelerating LLM Generation with Multiple Decoding Heads Попробуйте модель, которая ускоряет в генерацию текста 2 раза: Medusa упрощает и ускоряет большие языковые модели. Ваша исходная модель остается нетронутой, а в процессе обучения производится только тонкая настройка новых функций. В процессе генерации каждая из этих функций выдает несколько вероятных слов для соответствующей позиции. Затем эти варианты комбинируются и обрабатываются с помощью механизма внимания, древовидной структуры. Затем, выбираются наиболее правдоподобные генерации для дальнейшего декодирования. pip install medusa-llm • Github • Как работает модель @data_analysis_ml

⚡️ bhosmer PyTorch только что выпустил удивительный инструмент для визуализации умножения матриц! Внутри: Визуализация умножения матриц, операций на ними и не только Запустите его в браузере: http://bhosmer.github.io/mm/. Подробнее читайте в блоге👇 http://pytorch.org/blog/inside-the-matrix/ @data_analysis_ml

В начале сентября прошла Practical ML Conf, а сейчас Яндекс опубликовал плейлист с записями докладов, в которых ведущие инженеры ВТБ, Авито, Сбера и самого Яндекса рассказывают о своем опыте применения практического машинного обучения. Из запоминающегося: Алексей Морозов из Поиска поделился кейсом модернизации нейронных сетей, которая позволяет ML-инженерам и исследователям не беспокоиться о работоспособности инфраструктуры и автоматически масштабироваться в процессе работы. Руководитель группы компьютерного зрения и робототехники, Валерий Ильин, рассказал о том, как компьютерное зрение используется в роботах на складах Яндекс Маркета. Записи этих докладов и всех остальных можно найти здесь. @data_analysis_ml

⭐️ 7 лучших бесплатных курсов университета MIT по программной инженерии и науке о данных. Эти курсы - ваш билет к совершенств
⭐️ 7 лучших бесплатных курсов университета MIT по программной инженерии и науке о данных. Эти курсы - ваш билет к совершенству. Возможность получить актуальные знания бесплатно от одного из лучших учебных заведений мира. Ознакомьтесь с ними ниже: 1. Концепции программной инженерии. https://ocw.mit.edu/courses/16-355j-software-engineering-concepts-fall-2005/ 2. Foundations Of Software Engineering. https://ocw.mit.edu/courses/1-124j-foundations-of-software-engineering-fall-2000/ 3. Компьютерные алгоритмы в системной инженерии. https://ocw.mit.edu/courses/1-204-computer-algorithms-in-systems-engineering-spring-2010/ 4 Integrating ESystems & Global Information Systems. https://ocw.mit.edu/courses/15-565j-integrating-esystems-global-information-systems-spring-2002/ 5. Оптимизация проектирования мультидисциплинарных систем. https://ocw.mit.edu/courses/ids-338j-multidisciplinary-system-design-optimization-spring-2010/ 6. Статистическое мышление и анализ данных. https://ocw.mit.edu/courses/15-075j-statistical-thinking-and-data-analysis-fall-2011/ 7. Вычисления и анализ данных. https://ocw.mit.edu/courses/1-017-computing-and-data-analysis-for-environmental-applications-fall-2003/ @data_analysis_ml

📊 Vizro Если вы хотите использовать модульный и простой код для создания красивых дашбордов, рекомендуем попробовать библиотеку vizro. С помощью нескольких строк кода и простой конфигурации можно создавать сложные дашборды, которые автоматически генерируются на основе Plotly и Dash. pip install vizro • Github • Документация • Примеры с кодом @data_analysis_ml

Системный аналитик — это важный член команды в разработке и улучшении IT-систем. Почему этой роли в последнее время придается
Системный аналитик — это важный член команды в разработке и улучшении IT-систем. Почему этой роли в последнее время придается такое большое значение? Ответ на этот вопрос мы разберем на вебинаре “Почему в IT нужны системные аналитики” Что будет на занятии: — Определение системного аналитика и его роли в IT — Важность системного аналитика в команде — Будущее профессии системного аналитика Дата: 5 октября в 19:00 по мск Бесплатная регистрация: https://clck.ru/35veXZ

🐍Как Snowflake повышает эффективность dbt-моделей на Python dbt — это инструмент, помогающий управлять всеми трансформациями
🐍Как Snowflake повышает эффективность dbt-моделей на Python dbt — это инструмент, помогающий управлять всеми трансформациями данных, которые выполняются в базах данных с использованием SQL. Допустим, у вас есть таблица с общим числом клиентских заказов, и нужно подсчитать, сколько из них пришлось на праздничные дни. Выполнить эту задачу можно с помощью двух SQL-запросов. 1. Добавить столбец is_holiday в таблицу sf100_orders, объединив ее с all_holidays. Назвать полученную таблицу sf100_orders_annotated. 2. Подсчитать строки, для которых is_holiday=true в таблице sf100_orders_annotated. Эти два шага объединяют исходные данные, визуализированные с помощью dbt: в изображении. Производный граф: из двух исходных таблиц составляется таблица count_holidays Используя dbt, можно записать эти две трансформации в виде “dbt-моделей”, которые представляют собой файлы, содержащие SQL и некоторую конфигурацию dbt (при необходимости): -- sf100_orders_annotated.sql {{ config(materialized='table') }} select a.*, b.date is not null is_holiday from {{ref('sf100_orders')}} a left join {{ref('all_holidays')}} b on a.o_orderdate = b.date -- count_holidays.sql {{config(materialized='table')}} select count(*) total_days , count_if(is_holiday) holiday_count , holiday_count/total_days ratio from {{ref('sf100_orders_annotated')}} Эти два файла выглядят как типичный SQL, но с некоторым отличием. Вместо ссылок на таблицы dbt позволяет ссылаться на другие “модели” с помощью аннотаций {{ref(‘sf100_orders_annotated’)}}. Таким образом, dbt определяет связь и зависимости между всеми трансформациями, через которые проходят данные. Продолжение @data_analysis_ml

#карьерные_форумы #junior #intern # IT 🖥 Дайджест дней карьеры для начинающих IT-специалистов На форуме “Найти IT” Сбер, Рос
#карьерные_форумы #junior #intern # IT 🖥 Дайджест дней карьеры для начинающих IT-специалистов На форуме “Найти IT” Сбер, Росатом, Kaspersky и 40+ топовых компаний завалят вас предложениями о работе! 📍 Где и когда: — Москва: 3 октября — Санкт-Петербург: 7 октября — Новосибирск: 26 октября 💥 Участников ждут мастер-классы и кейсы от крутых компаний, предварительные собеседования и Q&A, мерч, призы и вкусная еда. И все это бесплатно 😲 Нужно только прийти! 🔗 Регистрация Реклама. ООО "ФТ". ИНН 7731611424. erid: LjN8KXdey

🔪 Jackknife+: «швейцарский нож» в конформном прогнозировании для регрессии Jackknife+ — это эффективный метод конформного пр
🔪 Jackknife+: «швейцарский нож» в конформном прогнозировании для регрессии Jackknife+ — это эффективный метод конформного прогнозирования, разработанный ведущими исследователями в области машинного обучения из Чикагского университета, Стэнфордского университета, Университета Карнеги-Меллона и Калифорнийского университета в Беркли. Наша задача — построить функцию регрессии с помощью обучающих данных, которые включают пары признаков (Xi, Yi). Нам нужно предсказать выход Yn+1 для нового вектора признаков Xn+1=x и создать соответствующий интервал погрешности для этого предсказания. Предположительно данный интервал будет включать истинное значение Yn+1 с заранее определенной вероятностью охвата. Прямой подход может заключаться в подгонке базовой регрессионной модели к обучающим данным, вычислении остатков и использовании этих остатков для оценки квантиля. Этот квантиль затем может быть использован для определения ширины интервала прогнозирования для новой тестовой точки. Однако такой подход имеет тенденцию недооценивать фактическую погрешность из-за чрезмерной подгонки: остатки, полученные из обучающего множества, обычно меньше, чем те, которые можно было бы получить на основе неизвестных тестовых данных. 📌Читать @data_analysis_ml

Считаете ребенку недостаточно школьной программы? Опрос 200 тысяч школьников в России показал, что 60% из них мечтают построи
Считаете ребенку недостаточно школьной программы? Опрос 200 тысяч школьников в России показал, что 60% из них мечтают построить карьеру в IT. Школа не может помочь реализовать все мечты ребёнка, а IT-кружки рядом с домом часто дают поверхностную информацию без учёта его способностей и интересов: он теряется, опускает руки и бросает своё увлечение. Главная задача Московской школы программистов — не только дать фундаментальные знания в IT, но и сохранить у ребёнка интерес к профессии. Мы берём ответственность за успеваемость и прогресс каждого ученика. Ребёнок что-то не понял? Объясним через простую игровую практику. Много пропустил из-за болезни? Проведём дополнительные бесплатные занятия. Мы находим подход к каждому ребёнку. Регистрируйтесь и начните путь к программированию! Реклама. ЧУ ДО "МОСКОВСКАЯ ШКОЛА ПРОГРАММИСТОВ". ИНН 9715290128. erid: LjN8KGBxd

🔥 Дайджест полезных материалов из мира Data Science за неделю Почитать: — TechArena Ireland: как готовился хакатон — Построение пайплайна обработки данных в реальном времени с использованием Python — Исследования возможностей нейронных сетей глубокого обучения в распознавании маскируемого трафика — Как мы создавали self-service функционал проверки качества данных для ML-моделей — Становясь Пангеей: будущее современного стека для анализа данных — Как я пришёл в дата-анализ после долгих блужданий по онлайн-курсам, маршрут со всеми тупиками и ухабами — Как оценить объем работ по миграции хранилища данных на Arenadata DB / Greenplum: методика и пример — Data Science for Beginners: 2023 - 2024 Complete Roadmap — A Beginner's Guide to Data Analytics: Understanding the Fundamentals — The Start of My Year-long Journey into AI: From Novice to Engineer — Data Science for Beginners: 2023–2024 Complete Roadmap — Data Science for Beginners: 2023 - 2024 Complete Roadmap — Data Science Roadmap. — How can Ed-tech companies adopt AI, and what ways will it help in revenue generation and in work Operations? — Matplotlib Tutorial: Let’s Take Your Country Maps to Another Level — Data Analysis with SQL — Autoscout24 SQL Analysis Посмотреть: 🌐 Large Language Models Are Not (Necessarily) Generative Ai - Karin Verspoor, PhD (⏱ 29:59) 🌐 Django начало работы. (⏱ 08:18) 🌐 Популярная задача с собеседования в Яндекс #python #задача #программирование #собеседование (⏱ 01:00) 🌐 Новые функции в IOS 17 (⏱ 00:29) 🌐 TokenFlow редактирование видео с помощью текстового описания (⏱ 00:22) 🌐 Парсер телеграм каналов на Python. Гайд по написанию мощного бота. (⏱ 11:58) 🌐 Задача из Собеседования в Яндекс с зарплатой 85000 рублей #python #собеседование #задача #yandex (⏱ 00:59) 🌐 Асинхронный парсинг сайтов на Python (⏱ 22:06) 🌐 Evolving Trends in Prompt Engineering for LLMs with Built-in Responsible AI Practices (⏱ 33:21) 🌐 OpenAI’s ChatGPT Has Been Supercharged! (⏱ 06:48) 🌐 Evolving Trends in Prompt Engineering for LLMs with Built-in Responsible AI Practices (⏱ 33:21) 🌐 OpenAI’s ChatGPT Has Been Supercharged! (⏱ 06:48) 🌐 New AI Listened To 20,000 Hours Of Music. What Did It Learn? (⏱ 07:33) Хорошего дня! @data_analysis_ml

🖥 GIF Если вы хотите без особых усилий анимировать график matplotlib в Python, используйте библиотеку gif. Следующая анимация создана с помощью gif. pip install gif import gif from random import randint from matplotlib import pyplot as plt x = [randint(0, 100) for _ in range(100)] y = [randint(0, 100) for _ in range(100)] # (Optional) Set the dots per inch resolution to 300 gif.options.matplotlib["dpi"] = 300 # Decorate a plot function with @gif.frame @gif.frame def plot(i): xi = x[i*10:(i+1)*10] yi = y[i*10:(i+1)*10] plt.scatter(xi, yi) plt.xlim((0, 100)) plt.ylim((0, 100)) # Construct "frames" frames = [plot(i) for i in range(10)] # Save "frames" to gif with a specified duration (milliseconds) between each frame gif.save(frames, 'example.gif', duration=50) • Github @data_analysis_ml

⚡ Крутая олимпиада по анализу данных DANO. Открыта регистрация на олимпиаду по анализу данных от Тинькофф и НИУ ВШЭ где победители и призеры получат дополнительные преимущества при поступлении в различные высшие учебные заведения по всей стране. Например, в НИУ ВШЭ, УрФУ, Университет Иннополис, РЭШ, ИТМО и АГУ. Десять участников, набравших наибольшее количество баллов, также будут иметь возможность обучаться в Центральном университете, за счет выделенных грантов, которые покроют 100% стоимости обучения. Зарегестрироваться можно до 4 октября. Этапы олимпиады Первый (отборочный) этап. Направлен на проверку базовых знаний математики и логики. Открыт для всех желающих. Второй (отборочный) этап. Направлен на проверку умения анализировать данные. Открыт только для школьников, победивших или занявших призовое место в предыдущем этапе. Заключительный этап состоит из двух туров: сначала участники решают задачи продвинутого уровня по анализу данных, а во втором туре работают над реальным командным исследовательским проектом совместно с экспертами. Второй тур пройдет офлайн — с выездом на неделю в Подмосковье. @data_analysis_ml