Математика Дата саентиста

🦾 На открытом уроке от Otus разберём, как сегодня ищут аномалии во временных рядах. Поговорим о точечных, контекстуальных и коллективных аномалиях, разберём кейсы, где статистические пороги не работают, и перейдём к современным ML- и DL-подходам. Вы увидите арсенал методов — от линейных моделей и SVM до ансамблей, графовых подходов и специализированных нейросетевых детекторов. Вы научитесь выбирать метод под конкретный тип данных и задачу, снижать количество ложных срабатываний и интерпретировать результаты моделей. Получите рабочие примеры на Python, которые можно адаптировать под мониторинг, финансы, IoT или безопасность. 📌 Встречаемся 18 февраля в 20:00 МСК в преддверии старта курса «Machine Learning. Advanced». Регистрация открыта: https://otus.pw/cMM0/?erid=2W5zFH8rfoe Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

Крупная новость: компания Axiom заявляет, что их AI-система решила четыре ранее нерешённые математические задачи, включая сложную гипотезу из алгебраической геометрии, которую долго не могли полностью доказать математики. Это ещё один сигнал, что возможности AI-рассуждения выходят за рамки простого распознавания шаблонов и приближаются к настоящему математическому мышлению. Если результаты подтвердятся, такие системы могут значительно ускорить научные открытия https://x.com/axiommathai/status/2019449659807219884

🖥 OpenAI выпустили Frontier - инфраструктуру для настоящих AI-сотрудников. Frontier - это не про «умнее модель», а про то, чтобы AI реально работал внутри компании и выполнял задачи от начала до конца. Главная проблема корпоративных агентов сегодня не интеллект, а отсутствие контекста, доступа к системам и контроля. Что делает Frontier: - Общий семантический слой Данные в компаниях разбросаны: CRM, тикеты, хранилища, внутренние сервисы. Frontier объединяет их, чтобы агент работал с бизнес-сущностями (клиент, заказ, сделка), а не с разрозненными системами. - Среда выполнения агентов Агент может: - работать с файлами - запускать код - вызывать инструменты - управлять компьютером - выполнять многошаговые процессы от начала до конца - Память Агенты сохраняют «воспоминания» о прошлых действиях и используют их для улучшения следующих запусков. - Контроль качества Встроенные механизмы оценки и обратной связи учат агента, что считается «хорошим результатом» именно для задач компании. - Управление и безопасность У каждого агента есть: - собственная идентичность - права доступа - ограничения - аудит действий Это критично для корпоративных и регулируемых сред. - Гибкое развертывание Можно запускать: - локально - в корпоративном облаке - в инфраструктуре OpenAI Интеграция через открытые стандарты без необходимости переносить все системы. Результаты пилотов: - оптимизация процессов: с 6 недель до 1 дня - +90% времени у sales на работу с клиентами - до +5% роста производственного выпуска Пока Frontier доступен ограниченному числу компаний. Широкий запуск ожидается в ближайшие месяцы. Главный вывод: следующий этап AI — это не «умнее модель», а инфраструктура, которая превращает модель в полноценного цифрового сотрудника. https://openai.com/ru-RU/index/introducing-openai-frontier/

🚀 Релиз Claude Opus 4.6 Anthropic прокачали флагманскую модель: Opus 4.6 теперь лучше планирует, дольше держит сложные агентские задачи, стабильнее работает с огромными кодовыми базами и умеет находить собственные ошибки. Главный апдейт - это 1 миллион токенов контекста (в бете). Такой объём позволяет держать в памяти большие проекты, длинные документы и сложные цепочки рассуждений без потери связности. По результатам тестов Opus 4.6 показывает state-of-the-art в задачах: • агентское программирование • междисциплинарное рассуждение • knowledge work • агентский поиск Параллельно расширяются возможности Claude в Excel, PowerPoint, Claude Code и API - чтобы модель могла глубже встраиваться в рабочие процессы, аналитику и разработку. www.anthropic.com/news/claude-opus-4-6 @ai_machinelearning_big_data

Не двигайтесь: вы в ИИ-кадре Этот бот создает фото для соцсетей в футуристичном стиле. Его можно поставить на аватарку, особенно если идете на t-sync conf. Конференция от Группы «Т-Технологии» для опытных инженеров впервые пройдет в Москве 7 февраля. Попробовать бота можно здесь. А узнать больше о t-sync conf и зарегистрироваться — здесь

✔️ В MIT научили процессоры считать на собственном тепловыделении. Инженеры из MIT разработали кремниевые микро-структуры, которые превращают тепловые потери в ресурс для обработки данных. В основе лежит метод аналоговых вычислений: входная информация кодируется в виде температурных значений, а математическая операция выполняется в процессе диффузии тепла через специальный пористый материал. Такая "тепловая математика" работает очень точно. Ученым удалось провести умножение матриц на векторы с точностью выше 99%. Чтобы добиться такого результата, форму и расположение пор в кремнии рассчитывали с помощью специальных алгоритмов. Конечно, заменить видеокарты Nvidia для обучения ChatGPT эти чипы пока не смогут — есть вопросы к скорости передачи данных. Но у технологии есть крутое применение уже сейчас: датчики контроля оборудования. mit.edu

🚀 PolymathicAI выпустила огромный открытый датасет для ML-исследований -*The Well* 📦 Это коллекция численных физических симуляций общего назначения — всего ~15 ТБ данных, разбитых на 16 разнообразных наборов, включающих такие области, как: • динамика жидкостей и турбулентность • биологические системы • акустическое рассеяние • магнито-гидродинамика и моделирование внегалактических сред • даже симуляции сверхновых 🌌 И всё это можно использовать для обучения и оценки моделей ML. 📊 Зачем это нужно: ИИ и ML всё чаще используются для ускорения или замены тяжёлых физических симуляций (surrogate modeling), но до сих пор публичные данные были фрагментированы и маленькие. “The Well” даёт единый формат, большой объём и сложные динамические процессы - отличная база для: • обучения нейросетей, которые предсказывают физическое поведение • бенчмарков и сравнительных исследований • создания более быстрых моделей вместо тяжёлых классических симуляторов 📚 Как использовать: Проект предоставляет Python/PyTorch API - можно легко загрузить данные в даталоадер и использовать их в тренировке моделей. Данные доступны также через Hugging Face и в формате HDF5 для удобства. 💡 Это открытый ресурс с BSD-3-Clause лицензией, ориентированный на высокоуровневые ML-задачи и научные исследования. Это может стать новым стандартным набором для обучения моделей, которые симулируют сложные физические системы вместо традиционных вычислительных методов. 🔗 Репозиторий на GitHub: github.com/PolymathicAI/the_well

Теренс Тао говорит, что эпоха ИИ показывает одну неудобную вещь: наше определение интеллекта было неверным. Мы думали, что интеллект - это что-то туманное, почти мистическое. Интуиция. Осознанность. Глубокое понимание. А потом приходит ИИ… и начинает решать задачи, которые считались признаком “настоящего мышления”. Но когда смотришь внутрь, там нет озарений, нет “понимания”. Только: • статистика • нейросети • предсказание следующего токена • эвристики • оптимизация И всё. Никакой магии. Никакого "внутреннего света разума". И тут возникает неудобная мысль: А вдруг это и есть большая часть того, что делаем мы? Может, человеческое мышление - это тоже огромный стек трюков, паттернов и предсказаний, просто реализованный на биологическом железе. ИИ не обесценивает интеллект. Он разбирает его на детали. И оказывается, что “разум” может быть не чем-то мистическим, а инженерной конструкцией. И это, возможно, самое тревожное открытие всей AI-эры.

🧠 Автоматическое создание бэкапов каталога в Python Сохрани себе простой скрипт на Python для автоматического создания бэкапа каталога. Это удобно, если нужно сохранить важные файлы перед их изменением. Скрипт использует библиотеку shutil для копирования содержимого в другую папку с отметкой времени.

import os
import shutil
from datetime import datetime
def backup_directory(source_dir, backup_base_dir):
    if not os.path.exists(source_dir):
        print("Исходный каталог не существует.")
        return
    timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
    backup_dir = os.path.join(backup_base_dir, f"backup_{timestamp}")
    shutil.copytree(source_dir, backup_dir)
    print(f"Резервная копия создана в {backup_dir}")
source = "путь/к/вашему/каталогу"
backup_base = "путь/к/каталогу/бэкапов"
backup_directory(source, backup_base)

🖥 Парсинг на Python - от DOM до асинхронщины. Стань Гуру Парсинга. Один из лучших курсов по Парсинг на Stepik со скидкой 48% Освой Python-парсинг так, как это делают в реальных проектах. Не учебные “игрушки”, а рабочие инструменты для сбора данных с сайтов, API и динамических сервисов. На курсе ты шаг за шагом пройдешь путь от нуля до уровня, где умеешь стабильно забирать данные, работать с защитами, динамикой и автоматизацией. Без воды - только то, что используют в продакшене. В итоге ты сможешь не просто “писать на Python”, а решать практические задачи: анализ данных, мониторинг, автоматизация, фриланс-заказы и собственные проекты. Сегодня можно забрать курс со скидкой 48%: https://stepik.org/a/269942/

🧠 UnsolvedMath - 1000+ открытых математических задач как бенчмарк для ИИ Появился мощный ресурс для оценки настоящего reasoning, а не заученных паттернов. Выложен датасет UnsolvedMath — это: - 1000+ открытых математических проблем - 600+ задач из списка Эрдёша - аккуратно структурировано в machine-friendly формате Главная идея — создать бенчмарк, который нельзя “выучить” на этапе тренировки. Если модель показывает прогресс здесь — это уже не воспроизведение данных, а реальное рассуждение. Почему это важно Обычные тесты: - часто содержат задачи, похожие на обучающие данные - проверяют знание, а не исследовательское мышление UnsolvedMath: - требует построения новых гипотез - проверяет глубину логики - показывает, способна ли модель делать научно полезные инсайты Любые новые идеи или нетривиальные наблюдения по этим задачам — уже метрика силы reasoning-модели. Сейчас, по заявлениям авторов, лидирует GPT-5.2 с Extended Thinking, с заметным отрывом. Обещают тесты и подробный whitepaper. Это шаг к тому, чтобы оценивать ИИ не по “угадай ответ”, а по способности двигать границы знаний. https://huggingface.co/datasets/ulamai/UnsolvedMath

Postgres: best practices для AI-агентов (и почему это важно) Supabase выпустили Postgres Best Practices - набор правил/“скиллов” для AI coding agents (Claude Code, Cursor, Copilot и т.д.), чтобы они писали не просто рабочий SQL, а нормальный продовый Postgres. Потому что классическая проблема такая: агент сгенерит “правильный” запрос, тесты пройдут, а через 2 недели это превратится в: - медленные JOIN’ы - seq scan на миллионы строк - взрыв коннектов - блокировки - RLS, которая внезапно тормозит всё Что внутри “Postgres Best Practices” Это структурированный набор правил по 8 темам (от самых критичных к менее критичным): - Query Performance (Critical) - как писать запросы, чтобы не убивать базу - Connection Management (Critical) - пулы, лимиты, правильная работа с коннектами - Schema Design (High) - индексы, типы, ключи, нормальные схемы - Concurrency & Locking (Medium-High) - как не словить дедлоки и долгие locks - Security & RLS (Medium-High) - RLS без боли и сюрпризов - Data Access Patterns (Medium) - как правильно читать/писать данные в приложении - Monitoring & Diagnostics (Low-Medium) - что мониторить и как дебажить - Advanced Features (Low) - продвинутые приёмы Самое полезное: это не “статья”, а готовый набор инструкций, который агент может автоматически применять, когда он: - пишет SQL - проектирует схему - предлагает индексы - оптимизирует запросы - настраивает RLS / connection pooling То есть агент начинает думать ближе к DBA, а не как генератор SQL. https://supabase.com/blog/postgres-best-practices-for-ai-agents

Карьера — это путь, на котором иногда хочется остановиться и сверить курс. Вы осваиваете новые навыки и решаете задачи, но превращается ли это в системный рост или просто в движение по инерции? Вместо неопределенности хочется ясности: четкого понимания, какие навыки действительно важны, в каком направлении движется карьера и куда стоит направить усилия для уверенного развития. На вебинаре «Аналитик данных: все, что нужно знать для старта в профессии в 2026» Анатолий Карпов поможет навести порядок в этом хаосе: объяснит, как сегодня устроена аналитика, какие навыки дают реальную ценность и как выстроить развитие так, чтобы чувствовать опору и уверенность в своих шагах. Анатолий Карпов — ez-аналитик Mailꓸru Group и VK, самый читаемый эксперт в аналитике, по исследованию NEWHR. Зарегистрируйтесь на вебинар и получите ясность в своем развитии — https://clc.to/erid_2W5zFH7HdvG Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627. erid: 2W5zFH7HdvG

💼 5 AI-репозиториев, которые реально помогут устроиться на работу в 2026 Сохрани себе - это готовые идеи, которые можно собрать в портфолио и показать на собесе. 1) RAG с нуля (RAG from Scratch) Поймёшь, как устроены retrieval, embeddings, чанкинг, ранжирование и ответы LLM. GitHub: https://github.com/langchain-ai/rag-from-scratch 2) AI-агент для соцсетей (Social Media Agent) Автоматизация контента: генерация постов, планирование, работа с трендами. GitHub: https://github.com/langchain-ai/social-media-agent 3) Анализ медицинских изображений (Medical Image Analysis) Компьютерное зрение + реальные кейсы: классификация, сегментация, пайплайны. GitHub: https://github.com/databricks-industry-solutions/pixels 4) MCP Tool-Calling агенты Агенты, которые умеют вызывать инструменты и внешние сервисы (LangGraph + MCP). Notebook: https://docs.databricks.com/aws/en/notebooks/source/generative-ai/langgraph-mcp-tool-calling-agent.html 5) AI-ассистент с памятью (Assistant with Memory) Персонализация: хранение контекста, long-term memory, улучшение диалогов со временем. GitHub: https://github.com/Makememo/MemoAI Если хочешь войти в AI - собирай не “игрушки”, а проекты, которые показывают реальные навыки.

⚡️Пошаговый план: как получить оффер на аналитика в 2026 году? Приглашаем на бесплатный вебинар, где Андрон Алексанян - эксперт в области аналитики и CEO школы аналитики Simulative — в прямом эфире разберет все важные аспекты в работе аналитика, а также расскажет как получить оффер быстрее других. Это очень полезное событие для тех кто только зашел в аналитику и для тех, кто хочет в нее зайти в ближайшее время. Особенно если вы не понимаете, какие навыки действительно важны или боитесь, что без опыта вас не возьмут на работу. Кстати тут разберут и возрастной аспект: как стать аналитиком в 30/40/50 лет и т.д. На вебинаре будет: 🟠Разберем полный роадмап: что учить, в каком порядке, до какого уровня; 🟠Структура хорошего портфолио с примерами; 🟠Что говорят реальные наниматели - какие у них сейчас требования:

— Покажем реальные примеры, как оформить резюме и портфолио, чтобы привлекать внимание; — Обсудим какие отклики работают, а какие сразу отправляют в корзину; — Изнанка найма: инсайдерский взгляд на процессы отбора

🟠 Практические техники для новичков: разберём, как компенсировать недостаток опыта и быстро закрывать пробелы в знаниях. 💬 Всем зарегистрировавшимся Simulative пришлют полезный материал — карту компетенций аналитика данных со всеми нужными инструментами для освоения. 😶Зарегистрироваться на бесплатный вебинар

🧊 pyPFC - Python-библиотека для Phase Field Crystal (PFC) симуляций Если ты занимаешься моделированием материалов, кристаллов или фазовых переходов - сохрани. pyPFC позволяет запускать PFC-симуляции быстро и удобно прямо на Python. Что такое Phase Field Crystal (PFC)? PFC (Phase Field Crystal) - это метод моделирования, который описывает материал как непрерывное поле плотности. Проще: - вместо того чтобы симулировать каждый атом отдельно (как в molecular dynamics) - PFC моделирует “узор кристаллической решётки” как волну/поле За счёт этого PFC может моделировать процессы на более длинных временных масштабах, чем классические атомарные симуляции. PFC используют, чтобы изучать: - рост кристаллов и формирование структуры - дефекты решётки (дислокации) - зернистость и границы зёрен - фазовые переходы и самоорганизацию - поведение материалов при охлаждении/нагреве Что даёт pyPFC: ⚡ ускорение на GPU через PyTorch (можно гонять и на CPU, и на RTX) 🧪 готовые 3D-симуляции, примеры, эксперименты 🧩 удобно для исследований и обучения 📦 open-source проект + нормальная инженерная структура GitHub: https://github.com/HHallb/pyPFC

Тренд на «универсалов»: кто будет востребован в аналитике в 2026? Эра «просто аналитиков», которые умеют только собирать таблицы, проходит. Сейчас заметен четкий сигнал рынка: компаниям нужны специалисты полного цикла — те, кто понимает путь данных от сбора до принятия бизнес-решения. Знания таблиц и базового SQL больше недостаточно, если вы хотите получать приглашения на собеседования и выигрывать конкуренцию у других кандидатов. Чтобы не тонуть в бесконечном списке требований работодателей, важно сфокусироваться на самом нужном. Илья Ковалёв (Senior-аналитик Dodo Brands) и Наталья Рожкова (HR-эксперт) проведут прямой эфир о том, как выжить и вырасти в этой среде 👍

🟠На примерах из Dodo посмотрим, как вести задачу от сырых данных до рабочего дашборда. 🟠Почему универсальные навыки стали преимуществом и как джуну соответствовать этому фильтру. 🟠Советы от HR, как доработать резюме и отклики, чтобы «пробивать» автоматические фильтры и внимание рекрутеров.

💬 Всем зарегистрировавшимся Simulative пришлют полезный материал — карту компетенций аналитика данных со всеми нужными инструментами для освоения. 🔗 Регистрируйтесь на бесплатный вебинар

🧠 Почти 40 лет прошло… и мы снова спорим о том же. Только теперь - про ИИ. В 1986 году учителя математики протестовали против калькуляторов. Боялись, что дети перестанут учить базу и будут просто “жать кнопки”. И на тот момент это была вполне реальная проблема. Перематываем в 2026 - и мы видим тот же спор, только уже про AI. Но есть важная разница: Калькулятор - просто даёт ответ. А ИИ способен сделать весь процесс: - придумать решение - объяснить шаги - написать код - оформить вывод - предложить варианты И вот это уже не “удобный инструмент”. Это смена самой модели обучения и работы. Калькулятор ускорял вычисления. ИИ ускоряет мышление и действия. И именно поэтому спор вокруг него будет намного жестче.

🧠 Grok 4.20: ИИ нашёл новую Bellman-функцию и продвинул сложную задачу в анализе По сообщениям, Grok 4.20 смог идентифицировать новую Bellman function, которая помогает продвинуться в одной из “тяжёлых” тем математики - на стыке: - гармонического анализа - стохастических процессов - и поведения случайных средних Самое интересное - ИИ не просто “угадал ответ”, а предложил явную формулу, основанную на времени выхода броуновского движения (exit time of Brownian motion). Результат: - удалось улучшить известную нижнюю оценку - и приблизить математическое сообщество к более точному пониманию того, как ведут себя средние значения в стохастических системах Мы входим в эпоху, где ИИ ускоряет математику не на проценты - а на порядки. ⚡️ https://x.com/PI010101/status/2011560477688463573

DeepSeek снова в игре 🔥 "Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models" Идея мощная: DeepSeek предлагают Engram - модуль памяти, который добавляет к LLM *lookup-память* с доступом за O(1). Что это значит по-человечески: вместо того чтобы каждый раз “вспоминать” шаблоны через слои трансформера, модель может моментально доставать нужные куски знаний из отдельной памяти. Engram - это: - хешированная N-gram память (modernized hashed N-gram embeddings) - которая работает как быстрый словарь: *пришёл паттерн → достали представление → усилили модель* Анализ показывает интересное: 🧠 Engram снижает необходимость ранним слоям заново реконструировать “статичные паттерны” (частые формы, устойчивые токены, регулярные последовательности) ➡️ То есть ранние слои (слои трансформера, которые стоят ближе всего ко входу.) меньше заняты “механической работой”и больше ресурсов остаётся на главное. В результате модель становится как будто глубже там, где надо: - reasoning - планирование - длинные цепочки мыслей Фактически это новый тип sparsity: не только MoE/спарсные слои, а спарсная память с быстрым доступом. Это уже похоже на шаг к LLM, где часть знаний живёт как “кэш-память”, а не внутри весов. Paper: https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf