Data Science

Google gave AI consciousness and it aligned with human beliefs across every domain they tested. They took consciousness away and the model rejected them. 📓 Read @datascienceiot

Как выглядят задачи машинного обучения в бигтехе? Открыта регистрация на E-CUP 2026 Students — ежегодное соревнование от Ozon Tech. В этом сезоне — для студентов, которые интересуются ML, Data Science, Big Data и аналитикой данных. Вас ждут три трека: поиск дубликатов товаров, ИИ-модерация карточек маркетплейса и прогнозирование поведения пользователей. Все задачи основаны на реальных обезличенных данных Ozon. Участвовать можно по одиночке или в команде до пяти человек. Соревнование проходит онлайн с финалом на масштабной конференции E-CODE. Что ждёт участников: - призовой фонд 7 200 000 ₽; - обратная связь от инженеров Ozon Tech; - нетворк с экспертами индустрии; - лимитированный мерч; - билеты на конференцию E-CODE, где наградят победителей. Подробнее — на сайте E-CUP 2026 Students. ➡️ Регистрация уже открыта! Присоединяйтесь, чтобы выйти за рамки учебных проектов, попробовать свои силы в задачах настоящего бигтеха и сравнить своё решение с лучшими участниками.

"Patterns, Predictions, and Actions: A Story About Machine Learning" 📓 Read @datascienceiot

Сложный индустриальный ML, работа с генеративными подсказками, уровни дообучения и агентский Cotype — на E-CODE 2026 трек ML&DS снова впечатляет. Программа ещё пополняется. Но уже сейчас понятно, что успевшая заслужить высокоранговую славу конференция Ozon Tech снова станет одним из ключевых событий в индустрии. Осталось только пройти модерацию, чтобы убедиться лично: https://ecode.ozon.tech/. Ну, и дать огня на вечеринках, конечно!

Andrej Karpathy just dropped 12-page PDF on "Graph Engineering" for multi-agentic systems the shift: Karpathy's loop runs 700 experiments and forgets all of them. A graph remembers forever here's the full system: step 1 → build one loop: generate, critique, revise. 630 lines, 700 experiments in 48 hours step 2 → go parallel: agents in separate worktrees, same repo, different branches, no conflicts step 3 → add a knowledge graph: extract entities, resolve aliases, assemble typed edges, query through subgraphs step 4 → ground your evaluator: it checks claims against graph edges, not vibes step 5 → plug the graph as shared memory. workers write to it. evaluators fact-check against it. Loops persist overnight step 6 → the agent forgets. the graph does not. stop rebuilding context from scratch every session Karpathy ran 1 agent in 1 direction. Anthropic's graph runs 1,000 with shared memory - same model, it's the architecture https://drive.google.com/file/d/1-GOg0kxcp8tx1BMUECMj2yJq6JYGmfhb/view

Updated 2204-page PDF Mathematics ebook: "Algebra, Topology, Differential Calculus, and Optimization Theory For Computer Science and Machine Learning" Find it here: https://cis.upenn.edu/~jean/gbooks/geomath.html

Open source не создаёт кризис кибербезопасности. Он помогает её решать. Cisco Foundation AI открывает модели, датасеты и инструменты для анализа уязвимостей, threat intelligence и автоматизации работы специалистов по безопасности. Среди релизов — Foundation-Sec и компактные агентные модели Antares для поиска уязвимого кода. Открытый код позволяет исследователям проверять модели, находить слабые места и совместно улучшать защиту. Закрытость сама по себе безопасность не гарантирует. huggingface.co/fdtn-ai

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

🔥 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.

Galois Theory of Algorithms Noson S. Yanofsky∗ 📓 Read @datascienceiot

SQL и Python есть: что часто отсекает на собеседовании Классика вакансий на аналитика: SQL и Python на уровне «уверенно», статистика — «понимание методов A/B-тестирования и работы с большими выборками». Первые две галочки ставятся спокойно. Третья часто оказывается самым сложным местом на собеседовании. Статистика и ML (машинное обучение) плохо ложатся на короткие курсы — они дают фрагменты, а не систему. Академическая программа работает иначе: серьезная математическая база плюс прикладные задачи по ML. Именно так устроена совместная онлайн-магистратура karpovꓸcourses и НИУ ВШЭ «Аналитика больших данных». От ВШЭ — экспертиза и опыт одного из крупнейших вузов России, от karpovꓸcourses — практический опыт в сфере анализа данных. 21 июля в 18:00 мск проведут бесплатный День открытых дверей. На эфире разберут: из чего состоит программа, как устроена практика через тренажеры от karpovꓸcourses и как совмещать обучение с работой. Ведут эфир Анатолий Карпов — основатель karpovꓸcourses, самый популярный эксперт в сфере аналитики данных (по данным NEWHR) — и Евгений Соколов, руководитель департамента больших данных и информационного поиска ФКН НИУ ВШЭ. Присоединяйтесь по ссылке — после эфира всем участникам придет запись: https://clc.to/erid_2W5zFGRNGWm Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFGRNGWm

Applied Causal Inference Powered by Machine Learning and AI 📓 Read @datascienceiot

Linear Algebra for Computer Science 📓 Read @datascienceiot

Game Theory: http://arxiv.org/abs/1512.06808 ————— #GameTheory #Gamification #Mathematics #Statistics #Probability @datascienceiot

he Little Book of Generative AI Foundations: An Intuitive Mathematical Primer 📓 Read @datascienceiot

Gemma 4 Technical Report 📓 Read @datascienceiot

Understanding Machine Learning: From Theory to Algorithms (Free PDF) Download PDF: https://clcoding.com/2026/07/understanding-machine-learning-from.html

Хотите развиваться в Data Science? Строить ML-продукты для миллионов пользователей? Авито и ведущие вузы страны открывают набор на две совместные магистратуры. Для тех, кто хочет в Data Science — «Прикладное машинное обучение и анализ данных» (МФТИ). Современные ML-подходы, работа с реальными данными Авито, эксперты компании и преподаватели МФТИ. Заявки до 12 июля. Для тех, кто хочет работать над ML-продуктами — «Машинное обучение в цифровом продукте» (НИУ ВШЭ). Полный цикл разработки ML-решений, практические кейсы Авито, преподаватели из индустрии. Заявки до 8 августа. Что объединяет все три программы: эксперты Авито и вузов, реальные бизнес-задачи, сильное профессиональное сообщество и шанс попасть в Авито уже во время обучения. Старт — в сентябре. Выбирайте программу и делайте шаг к карьере в IT вместе с Авито.

Everything You Always Wanted To Know About Mathematics* 📓 Read @datascienceiot

Если компания хочет запускать ИИ-сервисы, обучать модели или работать с большими объемами данных, ей нужны мощные облачные серверы с видеокартами. У MWS Cloud с этим все хорошо: сервис вошел в топ-3 рейтинга GPU Cloud 2026 по версии CNews Market. Что есть у MWS: — 13 видов графических ускорителей — более 30 видов производительных процессоров — 60+ готовых конфигураций серверов — быстрый запуск без долгого ожидания — возможность арендовать мощности в ЦОД MWS или развернуть решение у себя — SLA 99,95% Облако подойдет для задач искусственного интеллекта, машинного обучения, работы с большими языковыми моделями, речевой аналитики и других проектов, где обычных мощностей уже не хватает. Для разработчиков также доступны готовые инструменты MWS: платформа для работы с открытыми LLM, речевая аналитика в облаке и ML-платформа. Параллельно MWS развивает собственную облачную платформу, где уже доступно preview виртуальной инфраструктуры с GPU. @datascienceiot