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
🤖 Как использовать агенты Hugging Face для решения задач NLP Hugging Face — ИИ-сообщество с открытым исходным кодом для прак
🤖 Как использовать агенты Hugging Face для решения задач NLP Hugging Face  — ИИ-сообщество с открытым исходным кодом для практиков машинного обучения — недавно интегрировало концепцию инструментов и агентов в свою популярную библиотеку Transformers. Если вы уже использовали Hugging Face для решения задач обработки естественного языка (NLP), компьютерного зрения и работой над аудио/речью, вам будет интересно узнать о дополнительных возможностях Transformers. Агент Transformers: реализация В этом разделе я использовал документацию Hugging Face об агентах и реализовал их на собственных примерах. Шаг 1. Требования Начнем с импорта нескольких библиотек, которые будем использовать. Обратите внимание: я включил версии этих библиотек в результаты, чтобы вы могли создать идентичную среду. import transformers, huggingface_hub, diffusers, torch from platform import python_version print(f'python: {python_version()}') print(f'transformers: {transformers.__version__}') print(f'huggingface_hub: {huggingface_hub.__version__}') print(f'diffusers: {diffusers.__version__}') print(f'torch: {torch.__version__}') Результаты: 📌 Продолжение @data_analysis_ml

📢 Внимание, продуктовые аналитики! Приглашаем принять участие в осенних конкурсах Карьерного цеха 📢 Это отличная возможност
📢 Внимание, продуктовые аналитики! Приглашаем принять участие в осенних конкурсах Карьерного цеха 📢 Это отличная возможность проверить свои профессиональные навыки, решая реальные кейсы от ведущих компаний. 🔹 Что вас ждет: Практические кейсы по аналитике двух уровней сложности. Задания станут доступны всем зарегистрировавшимся с 25 сентября. Возможность продемонстрировать свои навыки работы с данными, знание метрик, a/b тестов и многое другое Прямой эфир с экспертами, которые разберут несколько работ и дадут ценные комментарии. 🔹 Бонусы для участников: Сертификат об участии на русском и английском языке. Возможность по результатам конкурса получить работу в компании HH.ru 🔹Полное описание конкурса и регистрация на сайте Карьерного цеха. Приглашайте друзей и коллег поучаствовать вместе с вами! Подписывайтесь на канал аналитиков Карьерного Цеха, где публикуют всю важную информацию о конкурсах.🔥

Yachay AI — открытое сообщество по машинному обучению Проект предназначен для поддержки разработчиков в создании и обучении с
Yachay AI — открытое сообщество по машинному обучению Проект предназначен для поддержки разработчиков в создании и обучении собственных моделей геотеггинга. Представленная здесь архитектура моделей геотаггинга позволяет настраивать и обучать их. Кроме того проект содержит даатсеты, которые хорошо подходят для обучения в различных сценариях определения геолокации. Из интересного: сообщество также разработало инструмент для определения геолокации • Github • Проект • Датасеты @data_analysis_ml

Присоединяйтесь к вебинару livecoding и обучайте модель Machine Learning в режиме реального времени. Когда: 15 сентября в 19:
Присоединяйтесь к вебинару livecoding и обучайте модель Machine Learning в режиме реального времени. Когда: 15 сентября в 19:00. Тема: "Прогнозирование цен на автомобили с помощью машинного обучения” Длительность: около 2 часов. Кто обучает: эксперт в Data Science с 10-летним практическим опытом Что будет на вебинаре: ✅Пошаговая разборка ML-процесса ✅Практические задания с доступом к реальным данным и среде ✅Интерактивное обучение и обсуждение Вместе мы сделаем сложное простым и достигнем результатов с минимальными усилиями 💪 Бесплатное участие только для первых 30 записавшихся человек. 👉 Записаться на вебинар Реклама: ИП Кравченко Николай Васильевич LjN8KYXZ9

🌝 Крутые data science проекты с исходным кодом 1. Создание чат-ботов: https://dzone.com/articles/python-chatbot-project-build-your-first-python-pro 2. Обнаружение мошенничества с кредитными картами: https://kaggle.com/renjithmadhavan/credit-card-fraud-detection-using-python 3. Обнаружение фальшивых новостей https://data-flair.training/blogs/advanced-python-project-detecting-fake-news/ 4. Определение сонливости водителя https://data-flair.training/blogs/python-project-driver-drowsiness-detection-system/ 5. Рекомендательные системы (рекомендация фильмов) https://data-flair.training/blogs/data-science-r-movie-recommendation/ 6. Анализ настроений https://data-flair.training/blogs/data-science-r-sentiment-analysis-project/ 7. Определение пола и прогнозирование возраста https://pyimagesearch.com/2020/04/13/opencv-age-detection-with-deep-learning/ @data_analysis_ml

Присоединяйтесь к вебинару livecoding и обучайте модель Machine Learning в режиме реального времени. Когда: 15 сентября в 19:
Присоединяйтесь к вебинару livecoding и обучайте модель Machine Learning в режиме реального времени. Когда: 15 сентября в 19:00. Тема: "Прогнозирование цен на автомобили с помощью машинного обучения” Длительность: около 2 часов. Кто обучает: эксперт в Data Science с 10-летним практическим опытом Что будет на вебинаре: ✅Пошаговая разборка ML-процесса ✅Практические задания с доступом к реальным данным и среде ✅Интерактивное обучение и обсуждение Вместе мы сделаем сложное простым и достигнем результатов с минимальными усилиями 💪 Бесплатное участие только для первых 30 записавшихся человек. 👉 Записаться на вебинар

🖥 Python анализ данных с Pandas. Join, merge, concat в Pandas • Видео • Код из видео •Часть 1 •Часть 2 @pro_python_code

📌esProc SPL - это скриптовый язык для обработки данных, с хорошо продуманными богатыми функциями и мощным синтаксисом, котор
+1
📌esProc SPL - это скриптовый язык для обработки данных, с хорошо продуманными богатыми функциями и мощным синтаксисом, который может исполняться в Java-программе через интерфейс JDBC и вычисляться независимо. •Github •Документация @data_analysis_ml

🖥Python анализ данных с Pandas. PandaSQL ▪Видео ▪Код из видео ▪Введение в Pandas @data_analysis_ml

🎥 7 лучших бесплатных курсов по Конструирование признаков, которые вам стоит пройти. 1. Feature Engineering – Coursera Этот курс предлагается компанией Google Cloud. В этом курсе вы узнаете, что является хорошим признаком и как работать с ним в модели машинного обучения. 2. Feature Engineering for Machine Learning in Python– DataCamp Это еще один хороший курс по отбору признаков. В этом курсе вы узнаете об основах отбора признаков и о том, как конструировать новые признаки с помощью pandas. 3. Feature Engineering for Machine Learning– Udemy В этом курсе Udemy вы узнаете о различных методах по работе с данными. 4. Data Processing and Feature Engineering with MATLAB– Coursera В этом курсе вы будете объединять данные из различных датасетов и работать с примерами, когда часть дынных отсутствует. В начале курса вы изучите различные типы распределений. 5. Feature Engineering in R– Datacamp В данном курсе используется программирование на языке R для отбора признаков. В этом курсе вы узнаете, как преобразовывать категориальные признаки в числовые представления и техники кодирования данных. 6. Feature Engineering with PySpark– Datacamp Это еще один курс по работе с признаками от Datacamp. В этом курсе вы узнаете, как подготовить и очистить данные и как создать новые функции для модели машинного обучения. Затем вы узнаете, как построить модель машинного обучения и как оценить ее. 7. Feature Engineering– Kaggle Этот курс доступен на сайте Kaggle. В этом курсе вы изучите процесс отбора признаков. В ходе курса вы научитесь определять важные признаки из вашего датасета. @data_analysis_ml

⚡Легкий способ получать свежие обновлении и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: Go: t.me/Golang_google Java: t.me/java_library Базы данных: t.me/sqlhub Машинное обучение: t.me/ai_machinelearning_big_data Data Science: t.me/machinelearning_ru C/C++/ t.me/cpluspluc C#: t.me/csharp_ci Хакинг: t.me/linuxkalii Мобильная разработка: t.me/mobdevelop Docker: t.me/+0WdB4uvOwCY0Mjdi Python: t.me/python_job_interview Rust: t.me/rust_code Javascript: t.me/javascriptv React: t.me/react_tg PHP: t.me/phpshka Android: t.me/android_its Linux: t.me/+A8jY79rcyKJlYWY6 Big Data: t.me/bigdatai Devops: t.me/devOPSitsec Тестирование:https://t.me/+F9jPLmMFqq1kNTMy Собеседования: https://t.me/machinelearning_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 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers ИИ: t.me/vistehno 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

⚡ 7 БЕСПЛАТНЫХ курсов по математике для Аналитиков данных. 1. Linear Algebra Refresher Course Это бесплатный курс для изучения основ линейной алгебры. 2. Intro to Statistics Курс "Введение в статистику" - это совершенно БЕСПЛАТНЫЙ курс для начинающих. Курс ведет сооснователь Udacity Себастьян Трун. Структура курса интересна и увлекательна для начинающих. 3. Intro to Inferential Statistics Более продвинутый курс - "Введение в описательную и инференциальную статистику". 4. Intro to Descriptive Statistics Курс "Введение в описательную статистику" - это объемный курс с уклоном в практику. 5. Eigenvectors and Eigenvalues Это очень короткий курс, в котором вы изучите линейные преобразования, векторы, метод главных компонентов. 6. Intro to Artificial Intelligence Курс начинается с основ искусственного интеллекта и его приложений. В рамках этого курса вы познакомитесь с различными алгоритмами поиска, такими как поиск по дереву, поиск по графу, поиск по ширине, поиск по A* и т.д. 7. Differential Equations in Action В этом курсе 7 уроков. В нем вы научитесь находить решения систем дифференциальных уравнений. @data_analysis_ml

У Яндекс Практикума есть бесплатный курс по основам Python-разработки. Программу составили опытные разработчики и методисты,
У Яндекс Практикума есть бесплатный курс по основам Python-разработки. Программу составили опытные разработчики и методисты, чтобы вы сами могли освоить базу Python. На курсе вы — узнаете, какие задачи решает бэкенд-разработчик; — будете писать код на Python — с первого урока; — создадите программного помощника Анфису; — узнаете, как устроено полноценное обучение в Практикуме. После бесплатного курса вы сможете принять спокойное, взвешенное решение. → Начните действовать: разберитесь бесплатно, что к чему в Python.

🔥 Дайджест полезных материалов из мира : Data Science за неделю Почитать: — Руководство по масштабированию MLOps — Data больше не Big: как данные перестали быть большими и почему это полезно для бизнеса — Что нового в Pandas 2.1 — Готовые скрипты Python — Data Vendor Lock-In and Web3 — Mastering Data Preparation for Your Dream Data Job: Using Job Postings Data — Matplotlib Tutorial #7: Plot Color Customization — 10 NoSQL databases available as alternatives to MongoDB — Data Science in Human Resources: Talent Acquisition and Retention — Explain the Central Limit Theorem in Data Science with Python? — Ultimate Guide: Best Books for Data Science with Ratings for All Levels — Professional literature as a way to improve your analytics skills — Top 10 Online Courses to Learn ChatGPT in 2023 — Matplotlib Tutorial #6: Plot Line Customization Посмотреть: 🌐 Streamlit LLM Hackathon (⏱ 03:27) 🌐 Полный курс по библиотеке Numpy. Матрицы (⏱ 11:24) 🌐 Python+SQL работа с базами данных. (⏱ 11:10) 🌐 Полный курс по библиотеке Numpy. Полезные функции (⏱ 11:05) 🌐 Полный курс по библиотеке Numpy. Применение Numpy (⏱ 11:52) 🌐 Полный курс по библиотеке Numpy. Создание матриц из файла (⏱ 15:55) 🌐 Python Атоматизация отправки email с selenium (⏱ 04:59) 🌐 Полный курс по библиотеке Numpy. Продвинутые методы работы с матрицами (⏱ 07:28) 🌐 Python анализ данных с Pandas. (⏱ 17:04) 🌐 Lightning Interview “Beyond the Code: How AI Is Disrupting the Programmer's Role” (⏱ 58:40) 🌐 Уроки Golang с нуля /#26 - Обработка ошибок (⏱ 08:14) 🌐 Introduction to Generative Art with Stable Diffusion, presented by HP Inc - Hunter Kempf (⏱ 43:48) 🌐 Emerging Approaches to AI Governance: Tech-Led vs Policy-Led - Ilana Golbin (⏱ 44:36) 🌐 Wow, NVIDIA’s Rendering, But 10X Faster! (⏱ 06:58) Хорошего дня!

🗺Leafmap - Python пакет для создания интерактивных карт для геопространственного анализа. Эта библиотека доступна в среде Jupyter, Google Colab, Jupyter Notebook и JupyterLab, и позволяет анализировать и визуализировать геоданные без особого труда. Leafmap теперь поддерживает загрузку и визуализацию данных из Google Solar API, включая аэроснимки, маску зданий, цифровую модель поверхности, годовой/месячный/часовой солнечный поток 🛰️☀️. ▪Github ▪Documentation ▪Лекции по работе с Leafmap @data_analysis_ml

👩‍💻Как выглядит карьера специалиста по Data Science: где и чему учиться, какие soft skills нужно освоить и как не выгореть в профессии? В новом выпуске «Уютного ФКНчика» обсуждаем, как попасть в анализ данных и куда двигаться. ⏺️Ведущий: Евгений Соколов, научный руководитель Центра непрерывного образования ФКН Гости: ⏺Ян Пиле, руководитель группы аналитики VK и преподаватель Центра непрерывного образования ФКН НИУ ВШЭ ⏺Алексей Борисенко, инженер-разработчик по интерпретации данных в Schlumberger и выпускник программы профессиональной переподготовки «Специалист по Data Science» Центра непрерывного образования ФКН НИУ ВШЭ Подкаст организован Центром непрерывного образования ФКН.

👩‍💻Как выглядит карьера специалиста по Data Science: где и чему учиться, какие soft skills нужно освоить и как не выгореть в профессии? В новом выпуске «Уютного ФКНчика» обсуждаем, как попасть в анализ данных и куда двигаться. ⏺️Ведущий: Евгений Соколов, научный руководитель Центра непрерывного образования ФКН Гости: ⏺Ян Пиле, руководитель группы аналитики VK и преподаватель Центра непрерывного образования ФКН НИУ ВШЭ ⏺Алексей Борисенко, инженер-разработчик по интерпретации данных в Schlumberger и выпускник программы профессиональной переподготовки «Специалист по Data Science» Центра непрерывного образования ФКН НИУ ВШЭ Подкаст организован Центром непрерывного образования ФКН.

🖥 Полный курс по библиотеке Numpy. Урок 5: Продвинутые функции. ▪Видео ▪Код из видео ▪Часть 1 ▪Часть 2 ▪Часть 3 ▪Часть4 @dat
🖥 Полный курс по библиотеке Numpy. Урок 5: Продвинутые функции. ▪Видео ▪Код из видео ▪Часть 1 ▪Часть 2 ▪Часть 3 ▪Часть4 @data_analysis_ml

9 сентября Сбер приглашает IT-специалистов поучаствовать в отборе: пройти все интервью, познакомиться с командой и, возможно,
9 сентября Сбер приглашает IT-специалистов поучаствовать в отборе: пройти все интервью, познакомиться с командой и, возможно, даже получить оффер. Какими задачами занимаются DS-специалисты крупнейшего банка страны? 👇 ✔️ Обучают все модели искусственного интеллекта: от классического ML до глубоких нейронных сетей. ✔️ Создают инновационные сервисы от систем принятия решений до компьютерного зрения и обработки естественного языка ✔️ Развивают блочное хранилище на Teradata и DataLake на Hadoop. ✔️ Работают на Python, Spark, SQL, Hadoop, GreenPlum. За год команда разрабатывает и внедряет более 200 моделей для отделений банка, приложений, колл-центра, банкоматов и так далее, поэтому работа точно будет интересной и разнообразной. Переходите по ссылке и регистрируйся на One Day Offer, чтобы получить оффер мечты! 💚

👆 Принципы SOLID в инженерии данных. Часть 1. SOLID — это набор основных принципов процесса разработки ПО, направленных на упрощение чтения, тестирования и сопровождения кода. Как расшифровывается SOLID Акроним SOLID расшифровывается так: • Single responsibility principle («Принцип единственной ответственности»). • Open/close principle («Принцип открытости/закрытости»). • Liskov substitution principle («Принцип подстановки Лисков»). • Interface segregation principle («Принцип разделения интерфейса»). • Dependency inversion principle («Принцип инверсии зависимостей). 1. Принцип единственной ответственности Согласно этому принципу, класс должен меняться только по одной причине. То есть у каждого модуля должно быть только одно назначение, отчего код становится удобнее для восприятия и тестирования. Примеры Продемонстрируем нарушение и соблюдение принципа единственной ответственности, создав простой класс для банковского счета: а) нарушение принципа: class BankAccount: def __init__(self, account_number: int, balance: float): self.account_number = account_number self.balance = balance def deposit_money(self, amount: float): self.balance += amount def withdraw_money(self, amount: float): if amount > self.balance: raise ValueError("Unfortunately your balance is insufficient for any withdrawals right now ... ") self.balance -= amount def print_balance(self): print(f'Account no: {self.account_number}, Balance: {self.balance} ') def change_account_number(self, new_account_number: int): self.account_number = new_account_number print(f'Your account number has changed to "{self.account_number}" ') Принцип нарушается, поскольку классом BankAccount контролируется больше одной задачи, связанной с банковскими счетами: управление профилями счетов и управление денежными средствами. б) соблюдение принципа: А вот пример соблюдения принципа: class DepositManager: def deposit_money(self, account, amount): account.balance += amount class WithdrawalManager: def withdraw_money(self, account, amount): if amount > account.balance: raise ValueError("Unfortunately your balance is insufficient for any withdrawals right now ... ") account.balance -= amount class BalancePrinter: def print_balance(self, account): print(f'Account no: {account.account_number}, Balance: {account.balance} ') class AccountNumberManager: def change_account_number(self, account, new_account_number): account.account_number = new_account_number print(f'Your account number has changed to "{account.account_number}" ') class BankAccount: def __init__(self, account_number: int, balance: float): self.account_number = account_number self.balance = balance self.deposit_manager = DepositManager() self.withdrawal_manager = WithdrawalManager() self.balance_printer = BalancePrinter() self.account_number_manager = AccountNumberManager() def deposit_money(self, amount: float): self.deposit_manager.deposit_money(self, amount) def withdraw_money(self, amount: float): self.withdrawal_manager.withdraw_money(self, amount) def print_balance(self): self.balance_printer.print_balance(self) def change_account_number(self, new_account_number: int): self.account_number_manager.change_account_number(self, new_account_number) Задачи, связанные с управлением банковским счетом, мы разделили на отдельные классы, упростив в случае необходимости изменение классов одинакового назначения. в) пример расширения кодовой базы: 🔘 Продолжение части 1. 🔘 Часть 2.