Математика Дата саентиста

Информатика, математика и философия: все что важно в 2026 году Европейский университет в Санкт-Петербурге приглашает на практические встречи-мастерские, в которых объединены 3 параллельных мира: философская онтология, код и математическая логика 📌11, 18 и 25 апреля 2026 Это курс для технических директоров, системных архитекторов, специалистов по анализу, обработке и моделированию данных, онтологов и исследователей ИИ, которым тесно в рамках чистой инженерии Воркшопы проведут: Илья Егорычев, доктор философских наук, математик, философ, логик Андрей Родин, доктор философских наук, специалист по философии науки, математики и эпистемологии компьютерного представления знаний, исследователь в Университете Paris-Cité (Франция) Вячеслав Шириков, системный архитектор, сооснователь и технический директор ГК «Лартех» ➡️ Подробности и регистрация — https://tglink.io/246039c0707a75?erid=2W5zFHXhwdb #реклама О рекламодателе

🚀 GPT-5.4 Pro решил открытую задачу из FrontierMath Kevin Barreto и Liam Price с помощью GPT-5.4 Pro нашли решение, которое подтвердил математик Will Brian (UNC Charlotte) Речь про одну из открытых задач в FrontierMath и уже готовится публикация: - это не просто «помог ИИ» - это полноценная конструкция - проверена экспертом https://x.com/EpochAIResearch/status/2036114281985724906

Топ-12 GitHub-репозиториев по ИИ, отобранных по популярности и количеству звезд 🧑‍💻 Что бы ты добавил к этой подборке?

⚠️ Отчёты выглядят убедительно. Графики растут. Решения принимаются быстро. Но один вопрос может обрушить всю картину: насколько качественные ваши данные? Проблема плохих данных редко заметна сразу. Она проявляется позже — в сломанных маркетинговых акциях, ошибках кредитного скоринга, неверных управленческих решениях и потерянной прибыли. 👨‍💻 На открытом уроке 1 апреля в 20:00 МСК разберём, как на практике выявлять проблемы в данных и предотвращать их последствия. Вы узнаете, что такое Data Quality, какие 6 ключевых метрик качества данных используют международные стандарты, и как автоматизировать контроль данных с помощью современных инструментов. На занятии проведём экспресс-аудит данных на реальном примере и покажем, как находить ошибки, которые напрямую влияют на бизнес-показатели. ➡️ Открытый урок проходит в преддверии старта курса «Качество данных / Data Quality». Принять участие: https://tglink.io/bac74537e94edb?erid=2W5zFJoF4XT #реклама О рекламодателе

🚀 OpenGauss: Умный оркестратор для Lean-работ OpenGauss - это инструмент для управления рабочими процессами в Lean, позволяющий эффективно организовывать задачи, такие как доказательства и формализация. Он интегрирует несколько агентов и упрощает взаимодействие с Lean-экосистемой через удобный CLI. 🚀Основные моменты: - Многоагентная архитектура для Lean-работ - Поддержка различных рабочих процессов: prove, draft, autoprove - Удобное управление проектами и сессиями - Интеграция с Lean tooling и MCP/LSP 📌 GitHub: https://github.com/math-inc/OpenGauss

🚀 Релиз LongCat-Flash-Prover - это одна из самых сильных open-source моделей для формальной математики. Модель строит и проверяет доказательства как в реальной математике. Внутри • 🧠 Не один агент, а гибрид экспертов - модель генерирует и отбирает лучшие цепочки рассуждений • ⚙️ Алгоритм HisPO - держит длинную логику без развала • 🔍 Жесткая проверка: - Lean4 (формальная математика) - AST-анализ - проверка корректности → галлюцинации почти убраны 📊 Результаты: • 97.1% на MiniF2F (всего 72 попытки) • 41.5% на PutnamBench (очень сложные задачи) Это уже уровень, где open-source начинает догонять топовые research-модели. 📄 Paper: https://github.com/meituan-longcat/LongCat-Flash-Prover/blob/main/LongCat_Flash_Prover_Technical_Report.pdf 📂 GitHub: https://github.com/meituan-longcat/LongCat-Flash-Prover 🤗 Hugging Face: https://huggingface.co/meituan-longcat/LongCat-Flash-Prover 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml

Программисты, которые переживают из-за ChatGPT Математики, которые пережили изобретение калькулятора

🌟 Эрик Шмидт (бывший CEO Google) выпустил сильную колонку в Time о будущем ИИ. Главная мысль: следующая революция ИИ произойдёт не в софте, а в физическом мире. Мы больше десяти лет наблюдали, как «software eats the world». Теперь начинается новая фаза - hardware eats the world. Пока американские AI-лаборатории соревнуются в лидербордах LLM, Китай делает ставку на физический ИИ: роботы, сенсоры, промышленность и реальные устройства. Несколько факторов дают Китаю серьёзное преимущество: - около 70% мирового рынка лидар-сенсоров - массовое производство harmonic reducers - ключевых механических редукторов для движения роботов - огромная производственная база За счёт масштаба Китай уже смог снизить цену домашних роботов-ассистентов примерно до $1400. Главный вывод Шмидта: Доминирование в софте не спасёт, если другая страна контролирует железо и цепочки поставок. ИИ выходит из компьютеров и начинает управлять физическим миром - роботами, машинами, фабриками и инфраструктурой. И именно здесь сейчас начинается настоящая геополитическая гонка. Источник time.com/7382151/china-dominates-the-physical-ai-race/

GPT-5.4 Pro только что показал 38% на FrontierMath Tier 4 - одном из самых сложных математических бенчмарков. Эти 50 исследовательских задач по математике могут занимать у математиков недели на решение. Еще год назад лучший результат был 2% (модель o3). Лучший open-source результат сейчас - 4.2% (Kimi K2.5). Очень впечатляющий скачок.

⚡️ Бесплатный клон Perplexity сейчас активно хайпует - Perplexica. Это опенсорс-поисковик с ИИ, который делает глубокий ресерч, проверяет факты и собирает ответы со ссылками на источники. • Глубокий поиск и фактчекинг — аккуратно собирает информацию и добавляет источники • Работает как с локальной Ollama, так и с облачными моделями Google, OpenAI и Anthropic • Можно загружать файлы — документы, видео, аудио и изображения для уточнения запроса • Есть набор инструментов и виджетов для проведения полноценного исследования • Умные подсказки помогают лучше сформулировать запрос и получить точный результат • Упор на приватность - сервис минимизирует утечки данных и контролирует их использование https://github.com/ItzCrazyKns/Perplexica

🖥 Большинство парсеров умирают через 2 дня. Ты научишься делать те, которые работают в продакшене. Это не про BeautifulSoup ради галочки. Это про системы сбора данных, которые: • не падают из-за мелких изменений на сайте • собирают данные в разы быстрее • обновляют всё автоматически по расписанию • обходят ограничения и блокировки • выглядят как полноценный сервис, а не как хаос из файлов Ты начнёшь видеть сайты не как страницы, а как источники данных, к которым можно подключаться. В итоге ты сможешь: • забирать данные для своих проектов • автоматизировать чужую рутину • создавать инструменты для аналитики • брать коммерческие заказы на сбор данных Это навык, который напрямую превращается в деньги. Не «знаю Python», а «умею профессионально добывать данные из интернета». 🎁 Скидка 50% на Stepik действует 48 часов: https://stepik.org/a/269942/

🔥 Легендарный математик - Дональд Кнут начал свою новую научную работу словами: “Shock! Shock!” Почему? Потому что Claude Opus 4.6 решил открытую задачу, над которой Кнут работал несколько недель. Речь о гипотезе разложения графов из легендарной книги The Art of Computer Programming. Кнут даже назвал статью в честь ИИ: “Claude’s Cycles” Что произошло: - Claude провёл 31 исследование - на это ушло примерно 1 час - Кнут изучил результат - оформил формальное математическое доказательство И закончил работу фразой: > *«Похоже, мне придётся пересмотреть своё мнение о генеративном ИИ.»* Это сказал человек, который написал библию компьютерных наук. И назвал научную работу в честь ИИ. Почитать саму работу можно здесь: https://cs.stanford.edu/~knuth/papers/claude-cycles.pdf

⚡️ Sakana AI представили два исследования - Text-to-LoRA и Doc-to-LoRA, которые делают кастомизацию LLM быстрее и значительно проще. Идея в том, чтобы модели могли мгновенно адаптироваться к новым задачам или информации — без долгого fine-tuning, сложных пайплайнов и огромных промптов. Сегодня у LLM есть проблема: чтобы обучить модель под новую задачу или добавить знания, обычно требуется: - дорогое и длительное дообучение - context distillation - или длинные, затратные по памяти промпты Sakana AI предложили другой подход. Они обучили гиперсеть (Hypernetwork), которая генерирует LoRA-адаптеры «на лету». Теперь вместо сложного процесса оптимизации достаточно одного forward-pass, чтобы: - адаптировать модель под новую задачу - или «встроить» в неё новый документ Что показывают эксперименты: Text-to-LoRA - модель специализируется под новую задачу - достаточно текстового описания на естественном языке Doc-to-LoRA - модель может «внутренне запомнить» длинный документ - показывает почти идеальную точность на задачах, где текст в 5 раз длиннее контекстного окна - способна переносить визуальные знания из vision-language модели в текстовую LLM При этом обе технологии работают с задержкой меньше секунды. Главное значение работы — снижение порога кастомизации. Вместо сложного ML-процесса пользователь сможет специализировать модель простым текстовым запросом. Код и исследования уже открыты для сообщества: Doc-to-LoRA Paper: https://arxiv.org/abs/2602.15902 Code: https://github.com/SakanaAI/Doc-to-LoRA Text-to-LoRA Paper: https://arxiv.org/abs/2506.06105 Code: https://github.com/SakanaAI/Text-to-LoRA @machinelearning_interview

⚡️ Карпаты поделился наблюдением, которое хорошо описывает то, что сейчас происходит с разработкой. За последние пару месяцев программирование изменилось не постепенно, а резко. Раньше кодинг-агенты выглядели как интересный эксперимент - могли помочь с фрагментами кода, но не тянули реальные задачи. Сейчас ситуация другая: модели научились держать контекст, последовательно решать проблемы и доводить работу до конца. По сути, они получили главное качество инженера - упорство. Типичный сценарий сегодня выглядит так: ты ставишь задачу высокого уровня, агент подключается к серверу, настраивает окружение, устанавливает зависимости, поднимает сервисы, пишет код, тестирует, исправляет ошибки и возвращается с готовым результатом и отчётом. То, что раньше занимало выходные, теперь может решаться за десятки минут автономной работы. И это меняет сам подход к разработке. Раньше основной навык был - писать код. Теперь основной навык - формулировать задачи, декомпозировать их и управлять процессом. Новый рабочий процесс: * описываешь цель на естественном языке * запускаешь агента * наблюдаешь за прогрессом * проверяешь результат * корректируешь направление Ключевая компетенция смещается вверх по уровням абстракции: * архитектурное мышление * правильная декомпозиция * настройка инструментов и среды * оркестрация нескольких агентов * контроль качества Это ещё не магия. Агентам всё ещё нужны: * чёткие спецификации * понятные критерии успеха * тесты и верификация * человеческое суждение и вкус Лучше всего они работают там, где результат можно проверить автоматически. Но главное изменение уже произошло. Программирование постепенно превращается из «написания кода» в управление вычислительной системой, которая пишет код за тебя. И сейчас выигрывают не те, кто быстрее печатает, а те, кто умеет мыслить на уровне систем, задач и результатов. Если раньше ценился coding, то теперь растёт ценность agent-engineering. https://x.com/karpathy/status/2026731645169185220

Курсы повышения квалификации при МГУ "Машинное обучение. Искусственные нейронные сети и генетические алгоритмы" Заканчивается прием заявок на прохождение курсов повышения квалификации "Машинное обучение. Искусственные нейронные сети и генетические алгоритмы", проводимых НИИ ядерной физики имени Д.В.Скобельцына Московского Государственного Университета имени М.В.Ломоносова. Окончившим курсы МГУ выдаёт удостоверение установленного образца о повышении квалификации на бланке строгого учёта с подписью проректора и гербовой печатью МГУ, в твёрдом переплёте. Внимание! Занятия будут проходить в двойном формате - очно на территории МГУ на Воробьевых горах с возможностью подключения через zoom, что позволяет обучаться лицам из любого региона РФ. Занятия будут проходить два раза в неделю в вечернее время. Начало занятий 27 февраля 2026 г. Получить более подробную информацию о программе обучения и подать заявку для прохождение курсов Вы можете по этому адресу.

⚠️ Извлечение признаков из временных рядов — этап, где большинство ML-моделей начинает ломаться. Тренд и сезонность — лишь верхушка айсберга. Основные закономерности часто скрыты в шуме, частотах и локальных паттернах, которые не видны на графике, но критичны для качества прогноза. 🦾 На открытом уроке разберём, как превратить сырой временной ряд в информативный датасет. Вы увидите, почему скользящие средние и лаги часто не дают эффекта, как использовать частотную область (FFT, вейвлеты), какие библиотеки автоматической генерации признаков применимы на практике и как не утонуть в сотнях фичей. В live-разборе на Python пройдём путь от сырого ряда до оценки вклада признаков в качество модели. Урок будет полезен data scientists, ML-инженерам и аналитикам, работающим с IoT, финтехом, ритейлом и телекомом. ➡️ Встречаемся в рамках курса «Machine Learning. Professional», регистрация открыта: https://otus.pw/lPADK/?erid=2W5zFHGnLnm Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

📌 Аnthropic измерил, как люди на самом деле используют ИИ-агентов. Создатели Claude проанализировали миллионы взаимодействий в Claude Code и через публичный API с помощью их инструмента Clio, чтобы понять, сколько автономии люди реально дают агентам, в каких доменах те работают и насколько рискованны их действия. 🟡 Агенты работают все дольше без участия человека. За 3 месяца медианная длина самых долгих сессий в Claude Code почти удвоилась - с 25 до более чем 45 минут непрерывной работы. Причем рост плавный и не коррелирует с релизами новых моделей. Это значит, что дело не только в возможностях модели, а в том, как пользователи выстраивают взаимодействие с агентом. 🟡Опытные пользователи ведут себя иначе, чем новички. Среди тех, кто только начинает пользоваться Claude Code, около 20% сессий запускают с полным авто-апрувом, это когда агент выполняет все действия без подтверждений. У опытных пользователей эта доля больше 40%. Плюс они чаще прерывают агента вручную. Аnthropic предполагает, что это не потому, что теряется доверие, а потому что они берутся за более сложные задачи и лучше понимают, когда нужно вмешаться. 🟡Неочевидный факт: агент сам ограничивает свою автономию чаще, чем это делает человек. На самых сложных задачах Claude Code останавливается и задает уточняющий вопрос вдвое чаще, чем по принудительному прерыванию человеком. 🟡Картина по доменам Почти половина всей агентной активности через API - за разработкой ПО. Есть прирост использования в медицине, финансах и кибербезопасности, но пока в небольших объемах. По итогу исследования, Аnthropic пришла к выводу, что эффективный надзор за агентами требует не только технических ограничений, но и новой инфраструктуры пост-деплойного мониторинга и новых паттернов взаимодействия - где и человек, и агент совместно управляют автономией и рисками. Текущие модели, по данным компании, технически способны на большую самостоятельность, чем им позволяют на практике. @ai_machinelearning_big_data

Станьте Deep Learning Engineer с дипломом 👍 Голосовые помощники, распознавание лиц, рекомендации в приложениях, медицинская диагностика — нейросети используются уже во всех сферах бизнеса. Компании ищут DL-специалистов, чтобы точнее обучать и настраивать нейросети под свои запросы. Освоить Deep Learning самостоятельно сложно, но ребята из Simulative нашли решение, где учёба становится понятной и структурированной, а все темы разбираются на практике 🔥 Simulative запускает программу профессиональной переподготовки «Инженер глубокого обучения нейросетей». По итогам обучения вы получите:

🎓 Диплом гособразца

Официальный диплом о профессиональной переподготовке с квалификацией «Специалист по большим данным».

💯 Практика

Более 40 практических работ в формате симуляции реальной работы DL-инженера — всё пойдёт в портфолио.

🙌🏽 Онлайн обучение

Учитесь из любой точки мира, совмещая с работой, а доступ к материалам останется навсегда. Курс подходит для специалистов любого уровня: новичок, аналитик, ML-инженер или выпускник — на программе опытные менторы помогут выстроить вашу персональную траекторию роста в Deep Learning. Что вы освоите: 🟠Создание и обучение нейросетей с нуля 🟠Компьютерное зрение (Computer Vision) 🟠NLP (обработка текста) 🟠Генеративные модели 🟠MLOps и продакшн-подход 🕖 Старт обучения — 12 марта, количество мест на поток ограничено Бронируйте место на курсе прямо сейчас и получите скидку 30% 😶ПОЛУЧИТЬ СКИДКУ НА КУРС