متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
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 50 256 مشتركاً، محتلاً المرتبة 2 658 في فئة التكنولوجيات والتطبيقات والمرتبة 12 450 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 50 256 مشتركاً.
بحسب آخر البيانات بتاريخ 26 يونيو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 46، وفي آخر 24 ساعة بمقدار 6، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 9.29%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 6.48% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 4 671 مشاهدة. وخلال اليوم الأول يجمع عادةً 3 258 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 29.
- 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 27 يونيو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
50 256
المشتركون
+624 ساعات
+327 أيام
+4630 أيام
أرشيف المشاركات
🔥 Вы готовы начать этот год с мощнейшего Web3-события?
Спешим объявить об онлайн-хакатоне VK NFT x Definition для разработчиков. Участникам первого Web3-хакатона от ВКонтакте нужно будет создать мини-приложения, основанные на технологии NFT. В декабре соцсеть уже запустила сервис VK NFT, в котором можно управлять токенами. Теперь разработчики будут придумывать новые решения c NFT, а авторы лучших продуктов разделят призовой фонд — 1 500 000 рублей 🦾
Участникам надо будет решить одну из трёх задач:
1. Сделать сервис по созданию и авторизации NFT-билетов.
2. Создать механизм управления доступом к контенту через NFT.
3. Разработать любой другой интересный продукт на основе технологии NFT.
Приглашаются frontend, backend/web3-разработчики и UX/UI-дизайнеры
🗓 Дата проведения:
18–19 февраля 2023 года, онлайн.
Регистрация открыта до 16 февраля 2023 года.
👉 Узнать подробности и подать заявку на участие можно на сайте хакатона: https://cnrlink.com/definitionhack23
Вопрос ко всем участникам проектных команд — какие мысли вас посещают при создании около 700 листов документации строго по ГОСТу? Если в душе у вас зарождается праведное негодование, а в голове вы формируете план, как же избежать этой жуткой рутины, то у нас отличные новости.
9 февраля в 11:00 МСК на вебинаре «Просто о сложном: сокращение трудозатрат на разработку программной документации» мы расскажем о том, как автоматизировать большинство процессов со Сфера.Документы и сосредоточиться на самом интересном в работе — изучению, развитию и внедрению инноваций.
Зарегистрироваться на вебинар
Мы разберем вашу головную боль рутинную работу с сложными документами по полочкам, чтобы показать, как легко и просто можно закрыть все проблемные места.
Также в прямом эфире владелец продукта ответит на все ваши вопросы и за самый интересный вы сможете получить бесплатный аудит работы с документами. Подключайтесь к вебинару https://clck.ru/33Qgff и сделайте надоевшие, сложные процессы простыми.
🔟 продвинутых SQL вопросов с собеседований, на которые вы должны знать ответ.
Продолжаем серию статей по вопросам с SQL собеседований для аналитика данных.
▪ Читать
▪ Зеркало
@data_analysis_ml
5️⃣ генераторов синтетических данных на Python и как их использовать, когда вам не хватает данных
В этой статье будут рассмотрены пять библиотек Python для генерации данных и то, как их использовать.
Список Библиотек:
▪ Faker
▪ Scikit learn datasets
▪ Pyod
▪ CTGAN
▪ Mimesis
📌 Читать
✔️Зеркало
@data_analysis_ml
📂 3 способа сбора данных для DS-проекта.
Любой проект по науке о данных нуждается в данных. Чтобы извлечь их с сайта и создать необходимый набор, используются инструменты веб-скрейпинга.
Однако на одном сайте не всегда находятся все нужные данные либо там могут быть несоответствия, из-за которых можно извлечь только часть данных.
Так случилось со мной, когда я искал данные о футбольных матчах, проведенных на Чемпионатах мира с 1930 по 2022 год. Некоторые данные были извлечены, но не все. С помощью этого руководства мы извлечем остальные данные с нуля с помощью Selenium, чтобы в дальнейшем использовать их в проекте.
▪Читать
@data_analysis_ml
Хакатон с призом в 650 000 рублей
Big Data МТС готовит турнир по Machine Learning для датасаентистов, ML-инженеров и аналитиков.
Задача – определить пол и возраст владельца синтетических cookie. Участником может стать любой, от джуна до сеньора.
Призовой фонд MTC ML Cup – 650 000 рублей: 350 000 рублей за первое место, 200 000 рублей – за второе, 100 000 рублей – обладателю бронзы.
Начало – 30 января, регистрация открыта до 15 марта: простая анкета для участников и все подробности.
🔥 7 расширенных операций со списками Python, которые могут эффективно оптимизировать ваш код
В этой статье мы покажем вам семь расширенных операций со списками, которые сделают ваш код аккуратнее, чище и качественнее.
▪Читать
▪Зеркало
@data_analysis_ml
Насколько перспективно учиться анализу данных в 2023 году? Вместе разберёмся на вебинаре. Эксперты расскажут, в каких специалистах нуждаются компании и так ли важно знать математику на 5+.
→ Бесплатно, 30 января в 15:00
Ваши проводники в профессию:
◾️Ирина Ефимова, руководитель продуктовых исследований направления анализа данных в Яндекс Практикуме
◾️Артём Исакин, руководитель трудоустройства направления анализа данных
◾️Выпускник курса Практикума «Аналитик данных», который также поделится своим опытом.
На вебинаре рассмотрим:
— какие аналитики данных работают в компаниях, чем они различаются;
— что от начинающего аналитика ждут работодатели;
— насколько профессия будет востребована в будущем;
— и нужны ли для неё математика и программирование.
После вебинара вы сможете задать вопросы.
→ Зарегистрироваться на вебинар
❓Хотите перейти в BI-аналитику?
Сделайте первые шаги на пути к новому этапу в карьере уже 30 января в 20:00! Приглашаем вас на открытый урок «Подготовка данных для дашборда в Pandas» в OTUS.
Вебинар состоится в рамках онлайн-курса «BI-аналитика» для продуктовых и маркетинговых аналитиков, аналитиков данных, Product Owner’ов и Project Manager’ов, Data Scientist’ов, Data Engineer’ов и выпускников, которые хотят работать в области BI-аналитики.
✅На занятии вы узнаете про методы предобработки и “очистки” данных для дальнейшего построения дашбордов в Python Pandas.
➡️Какой результат мы получим?
Преобразуем учебный набор данных, очистим его от пропусков и дубликатов, посмотрим различные способы трансформации (группировка, транспонирование строк/столбцов и т.д.).
➡️Пройдите вступительный тест, чтобы определить уровень своей подготовки и записаться на урок: https://otus.pw/3QTv/
Реклама. Информация о рекламодателе на сайте www.otus.ru.
🔍 4 Библиотеки Python для Feature Engineering, которые вам стоит использовать в 2023 году
"Feature Engineering" (отбор признаков)- это процесс использования предметной области данных для создания признаков.
Feature Engineering является фундаментом для приложений машинного обучения, a также процессом трудным и затратным. Необходимости ручного конструирования признаков можно избежать при автоматизации прикладного обучения признакам.
В этой статье я покажу вам 4 популярные библиотеки Python для автоматизированного отбора признаков с которыми каждый Data Science-разработчик должен быть знаком.
▪Читать
▪Зеркало
@data_analysis_ml
⚡️Как системному аналитику выбрать технологию для API?
🗓Обсудим во вторник, 31 января в 20:00 мск на вебинаре онлайн-курса «Системный аналитик. Advanced» в OTUS.
Вместе с преподавателем курса и ведущим аналитиком продуктовой команды Иннокентием Бодровым, посмотрим, как можно работать с классическими REST и SOAP, попробуем заменить их на gRPC и GraphQL. А также разберем несколько кейсов и решим, в каком из них какую технологию лучше применить.
✅Занятие «Выбираем технологию для API» будет полезно:
— Аналитикам, перед которыми стоят задачи работы с API, использующими разные технологии
— Тем, кто только пытается выбрать, какой API создавать
👉Для регистрации пройдите вступительный тест: https://otus.pw/8kb1/
Repost from Центр непрерывного образования ФКН НИУ ВШЭ
Хотите освоить новую профессию в сфере data science?
14 февраля стартует программа профессиональной переподготовки «Специалист по Data Science».
Программа организована Центром непрерывного образования ФКН НИУ ВШЭ. Обучение очное, ведется онлайн-трансляция и рассылаются видеозаписи каждого занятия.
📋Вы начнете обучение с программирования и базовых разделов математики.
А потом приступите к последовательному освоению разделов по:
✅машинному обучению,
✅прикладной статистике и обработке данных,
✅работе с большими данными,
✅глубинному обучению и его применениям к изображениям, текстам и сигналам.
Большой акцент в программе сделан на практическую работу, поэтому к окончанию курса вы получите не только знания и диплом, но и портфолио проектов.
Старт: 14 февраля ❤️
Продолжительность обучения: 15 месяцев.
Стоимость: 465 000 рублей. Оплату можно разделить на 8 взносов.
Программа курса и регистрация по ссылке.
⚡️ Как работать с Big Data быстрее и эффективнее: Kubernetes для Data Science
Традиционный подход к построению работы с большими данными — развернуть Hadoop-кластер, установить дополнительные инструменты и построить на нем платформу для работы с данными. Но в таком подходе есть несколько ограничений, вроде невозможности разделения Storage- и Compute-слоев, сложностей масштабирования и изоляции сред для разных приложений. Даже несмотря на то, что Hadoop можно арендовать у облачного провайдера как сервис (aaS), такой подход все равно мало чем отличается от развертывания на собственном оборудовании.
Однако есть другой, Cloud-Native подход работы с большими данными. Он позволяет решить эти проблемы, а также получить дополнительные возможности от облачных технологий. Для этого используют Kubernetes, интегрируя его с различными инструментами.
Из статьи вы узнаете, как Kubernetes помогает в работе с Big Data, какие используются инструменты и какие преимущества можно получить по сравнению с классическим развертыванием.
▪Читать
@data_analysis_ml
Каждый классический БА периодически сталкивается с проблемами:
🧐не понимает, о чём говорят разработчики
🤔есть технические знания, но нет системности и структурности
😞 коллеги вынуждены объяснять технические вопросы буквально на пальцах
😕чувствует себя неуверенно при общении в команде
😐 есть страх приступить к работе на начальной стадии проекта
Возможно, и вам знакомы эти проблемы из-за недостаточности технических знаний, отсутствия их системности?
26 января в 19:00 МСК мы проведем вебинар «Технические навыки как спасательный круг для бизнес-аналитика».
🔥Разберём реальные кейсы, поставившие в тупик опытных БА:
✔️как спроектировать информационную систему с применением объектной модели и диаграммы классов;
✔️как разработать требования по интеграции с применением разных паттернов в зависимости от количества и особенностей интегрируемых систем и необходимого функционала;
✔️как описать требования к разным моделям управления доступом.
На вебинаре вы узнаете, как технические знания помогают эффективно решать задачи БА, какие навыки прокачать, чтобы повысить свою зарплату.
В подарок за регистрацию на вебинар
🎁 Гайд «Типы интеграции информационных систем с подробным описанием»
Регистрируйтесь! >>>
❌Повтор и запись вебинара не планируются!
Спикер - Александр Грижневич:
➡️ Основатель онлайн-школы для аналитиков GetSkills (Минск)
➡️ 20 лет в IT - 12 лет в разработке и 8+ лет в системном и бизнес-анализе
➡️ 6+ лет преподавания и менторства
➡️ 8 авторских курсов
➡️ 450+ выпускников
🏠 Строим свое будущее: как выбрать квартиру, опираясь на методы регрессионного анализа?
Для анализа ситуации на рынке недвижимости будем использовать готовый датасет, который состоит из списков уникальных объектов популярных порталов по продаже недвижимости.
Набор данных содержит информацию о месторасположении дома, материале, из которого он построен (кирпичный, панельный, деревянный и т.д.), количестве этажей, площади квартиры и его стоимости.
▪Читать
@data_analysis_ml
Для старта карьеры в машинном обучении не хватает опыта?
Решайте реальные рабочие задачи на Симуляторе ML. Под руководством ведущих Data Scientists — Валерия Бабушкина и Богдана Печёнкина — вы не просто прокачаете отдельные навыки, а поймёте, как сводить бизнес-задачи к задачам машинного обучения.
Поработав над проектами различного уровня сложности, вы научитесь:
- Понимать, какие у бизнеса есть проблемы и какими метриками их можно измерить
- Проводить А/В-тесты, чтобы подтверждать прирост метрик
- Формулировать задачу для модели
- Выбирать подходящую модель и обучать её
- Организовывать процесс доставки данных для модели
- Оборачивать модель в сервис и деплоить его
После симулятора вы сможете успешно пройти собеседование на позицию в сфере ML, получить хорошую работу и приносить пользу бизнесу уже с первых дней.
Симулятор работает в режиме подписки и постоянно пополняется новыми задачами. А первые задачи можно порешать бесплатно на демоверсии симулятора.
Присоединяйтесь: https://bit.ly/3Hp1AYe
