Data Science
Open in Telegram
DS По всем вопросам- @haarrp @ai_machinelearning_big_data - machine learning @pythonl - Python @itchannels_telegram - 🔥 best it channels @ArtificialIntelligencedl - AI @pythonlbooks-📚 @programming_books_it -📚 Реестр РКН: https://clck.ru/3Fk3zS
Show more
Network:📈 Analytical overview of Telegram channel Data Science
Channel Data Science (@datascienceiot) is an active participant. Currently, the community unites 42 626 subscribers, ranking 3 144 in the Technologies & Applications category and 14 811 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 42 626 subscribers.
According to the latest data from 26 October, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 3 over the last 30 days and by -10 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 6.38%. Within the first 24 hours after publication, content typically collects 2.47% reactions from the total number of subscribers.
- Post reach: On average, each post receives 2 721 views. Within the first day, a publication typically gains 1 053 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 0.
- Thematic interests: Content is focused on key topics such as llm, агентов, api, октября, разработчиков.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“DS
По всем вопросам- @haarrp
@ai_machinelearning_big_data - machine learning
@pythonl - Python
@itchannels_telegram - 🔥 best it channels
@ArtificialIntelligencedl - AI
@pythonlbooks-📚
@programming_books_it -📚
Реестр РКН: https://clck.ru/3...”
Thanks to the high frequency of updates (latest data received on 27 October, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
42 626
Subscribers
-1024 hours
+777 days
+330 days
Loading data
Similar Channels
![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dx&w=96&q=75){kind=small}
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
October '26Oct '26
October '26
+253
in 3 channels
September '26
+284
in 1 channels
Get PRO
August '26
+486
in 2 channels
Get PRO
July '26
+594
in 3 channels
Get PRO
June '26
+156
in 2 channels
Get PRO
May '26
+183
in 2 channels
Get PRO
April '26
+170
in 4 channels
Get PRO
March '26
+338
in 2 channels
Get PRO
February '26
+499
in 2 channels
Get PRO
January '26
+687
in 0 channels
Get PRO
December '25
+380
in 2 channels
Get PRO
November '25
+530
in 2 channels
Get PRO
October '25
+374
in 1 channels
Get PRO
September '25
+587
in 7 channels
Get PRO
August '25
+609
in 1 channels
Get PRO
July '25
+750
in 3 channels
Get PRO
June '25
+525
in 1 channels
Get PRO
May '25
+454
in 3 channels
Get PRO
April '25
+560
in 11 channels
Get PRO
March '25
+573
in 4 channels
Get PRO
February '25
+545
in 7 channels
Get PRO
January '25
+842
in 20 channels
Get PRO
December '24
+848
in 5 channels
Get PRO
November '24
+1 777
in 32 channels
Get PRO
October '24
+1 710
in 6 channels
Get PRO
September '24
+1 402
in 7 channels
Get PRO
August '24
+1 164
in 4 channels
Get PRO
July '24
+1 033
in 7 channels
Get PRO
June '24
+1 066
in 7 channels
Get PRO
May '24
+1 000
in 37 channels
Get PRO
April '24
+935
in 45 channels
Get PRO
March '24
+1 187
in 22 channels
Get PRO
February '24
+1 142
in 3 channels
Get PRO
January '24
+1 230
in 45 channels
Get PRO
December '23
+687
in 42 channels
Get PRO
November '23
+382
in 3 channels
Get PRO
October '23
+1 012
in 20 channels
Get PRO
September '23
+872
in 0 channels
Get PRO
August '23
+747
in 0 channels
Get PRO
July '23
+560
in 0 channels
Get PRO
June '23
+865
in 0 channels
Get PRO
May '23
+1 528
in 0 channels
Get PRO
April '23
+363
in 0 channels
Get PRO
March '23
+417
in 0 channels
Get PRO
February '23
+423
in 0 channels
Get PRO
January '23
+472
in 0 channels
Get PRO
December '22
+770
in 0 channels
Get PRO
November '22
+380
in 0 channels
Get PRO
October '22
+534
in 0 channels
Get PRO
September '22
+578
in 0 channels
Get PRO
August '22
+1 100
in 0 channels
Get PRO
July '22
+464
in 0 channels
Get PRO
June '22
+366
in 0 channels
Get PRO
May '22
+403
in 0 channels
Get PRO
April '22
+514
in 0 channels
Get PRO
March '22
+462
in 0 channels
Get PRO
February '22
+304
in 0 channels
Get PRO
January '22
+400
in 0 channels
Get PRO
December '21
+287
in 0 channels
Get PRO
November '21
+224
in 0 channels
Get PRO
October '21
+1 533
in 0 channels
Get PRO
September '21
+382
in 0 channels
Get PRO
August '21
+412
in 0 channels
Get PRO
July '21
+507
in 0 channels
Get PRO
June '21
+611
in 0 channels
Get PRO
May '21
+555
in 0 channels
Get PRO
April '21
+404
in 0 channels
Get PRO
March '21
+456
in 0 channels
Get PRO
February '21
+411
in 0 channels
Get PRO
January '21
+729
in 0 channels
Get PRO
December '20
+10 299
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 26 October | +2 | |||
| 25 October | +4 | |||
| 24 October | +2 | |||
| 23 October | +10 | |||
| 22 October | +11 | |||
| 21 October | +91 | |||
| 20 October | +7 | |||
| 19 October | +5 | |||
| 18 October | +18 | |||
| 17 October | +29 | |||
| 16 October | +1 | |||
| 15 October | +2 | |||
| 14 October | +5 | |||
| 13 October | 0 | |||
| 12 October | +6 | |||
| 11 October | +4 | |||
| 10 October | +5 | |||
| 09 October | 0 | |||
| 08 October | 0 | |||
| 07 October | +5 | |||
| 06 October | +10 | |||
| 05 October | +8 | |||
| 04 October | +22 | |||
| 03 October | +2 | |||
| 02 October | 0 | |||
| 01 October | +4 |
Channel Posts
Бесплатная книга о больших языковых моделях – 315 страниц от предобучения до рассуждений.
Foundations of Large Language Models Тун Сяо и Цзинбо Чжу системно объясняет, как устроены LLM, как их обучают и применяют.
Внутри шесть основных тем:
- Предобучение: задачи обучения и архитектуры моделей.
- Генеративные модели: Transformer, подготовка данных, масштабирование и длинный контекст.
- Промптинг: обучение на примерах в контексте, декомпозиция задач, RAG и инструменты.
- Выравнивание: обучение выполнению инструкций и использование человеческой обратной связи.
- Инференс: декодирование, ускорение и дополнительные вычисления во время генерации.
- Рассуждения: методы улучшения способности решать сложные задачи.
Авторы делают акцент на фундаментальных принципах. Материал подойдёт студентам, разработчикам и ML-инженерам, которым хочется связать отдельные знания о LLM в целостную картину.
Книга на английском. Базовые знания машинного обучения и нейросетей помогут при чтении.
Скачать PDF бесплатно:
https://arxiv.org/pdf/2501.09223
| 2 |  Working with Agentic `Teammates': When a New Organizational Actor Collides with the Human Ecosystem of Work
📓 Read
@datascienceiot | 1 245 |
| 3 |  The Geometry of Agent Memory: Forecasting Retrieval-Bound Memory Failures, and Characterizing Its Limits
📓 Read
@datascienceiot | 1 660 |
| 4 |  At the Limits of Computability: Steps Towards Autonomous AI Discovery on the Busy Beaver Frontier
📓 Read
@datascienceiot | 1 939 |
| 5 |  Patch the Planet: global response coordination as agents uncover critical vulnerabilities
https://openai.com/index/coordinated-disclosure-of-critical-vulnerabilities/ | 2 104 |
| 6 | Зачем готовиться к собеседованию вслепую, если можно заранее посмотреть, какие будут вопросы и задачи?
Ребята из Поступашек уже 6 лет собирают реальные задания и разборы собеседований в BigTech. Там можно найти не только сами вопросы, но и разборы технических секций, критерии оценки и рекомендации по подготовке.
Собрали подборку полезных материалов под разные направления:
➡️ Аналитикам:
— Собеседования на продуктового и бизнес-аналитика в Т-Банке 🟨
— Что спрашивают по A/B-тестированию в X5 🌿 , разбор собес на DS в Яндекс 🟥
➡️ Разработчикам:
— Go и System Design в Ozon 🔵, GO в Авито😎
— Банк алгоритмических собеседований из BigTech
➡️ ML/AI-инженерам:
— Все вопросы на ML-собеседование в Яндексе 🟥 и ML в Авито 😎
— 10 кейсов по ML System Design в Т-Банке 🟨
➡️ Тем, кто ищет первую стажировку:
— Как получить стажировку в 2026 году
— Где взять опыт, если его нет
В Поступашках регулярно выходят новые разборы собеседований, карьерные гайды, стажировки и инсайды о найме в BigTech.
Лучше увидеть эти вопросы до собеседования, чем узнать о них после отказа
ПОСТУПАШКИ ПОДПИСАТЬСЯ | 2 111 |
| 7 |  The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock
📓 Read
@datascienceiot | 2 467 |
| 8 |  🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
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: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
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: https://t.me/+rKBQEMccAA01MTcy
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. | 2 124 |
| 9 |  LLM-to-Flow Distillation: Teaching Natural Language Goals to Scientific Generators
📓 Read
@datascienceiot | 2 169 |
| 10 |  С вас идея, а Т-Банк за нее заплатит
В Т-Банке ищут трейдеров, разработчиков и тех, кто просто увлекается инвестициями. Зарегистрируйтесь на программу «Инвест. Премаркет» до 11 ноября.
Ваши AI-сценарии для бизнеса смогут побороться за призовой фонд программы — 2 500 000 ₽. А сами идеи Т-Банк поможет масштабировать и сделать частью бизнеса.
Успейте подать заявку до 11 ноября | 2 220 |
| 11 |  Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling
📓 Read
@datascienceiot | 2 410 |
| 12 |  +1Agentic Large Language Models
📓 Book
@datascienceiot | 2 778 |
| 13 |  Physical AI: почему научить робота брать предметы сложнее, чем кажется
Манипуляция объектами остаётся одной из актуальных задач робототехники. Антропоморфному роботу нужно оценить положение объекта, рассчитать силу захвата и скорректировать движение до того, как предмет упадёт. Отдельная проблема — генерализация: модели пока с трудом применяют освоенные навыки в новых условиях, поэтому о массовом появлении домашних роботов говорить рано.
Как решаются эти задачи и на что уже способны современные роботы, разобрали CEO MWS Павел Воронин и руководитель Лаборатории интеллектуальной космической робототехники Сколтеха Дмитрий Тетерюков.
Посмотреть выпуск подкаста «Паша AI AI AI» — тут.
@datascienceiot | 2 826 |
| 14 |  Catching Developers in the Flow: Low-Latency Agentic Program Repair at Google Scale
📓 Read
@datascienceiot | 3 205 |
| 15 |  📌Baseten выпустила бесплатный учебник по инженерии инференса
Платформа, которая хостит модели Cursor, Notion и Harvey, выложила в открытый доступ книгу Inference Engineering за авторством Филипа Кайли. который четыре года работает в Baseten и написал её по интервью с инженерами компании и собственным докладам.
Среди рецензентов - автор FlashAttention Три Дао.
Книга собирает в одном месте путь от выбора модели и GPU до мониторинга работающего сервиса.
Baseten основана в 2019 году тремя выходцами из Gumroad, четвёртым сооснователем стал Панкадж Гупта из Uber.
Компания продаёт выделенные развёртывания открытых и собственных моделей клиентов, готовые Model APIs и инфраструктуру для дообучения, а также развивает открытый фреймворк упаковки моделей Truss.
Восемь глав объясняют, как сформулировать требования к продукту, как устроены модели и где они тормозят, прежде всего в механизме внимания, разбирают GPU NVIDIA поколений Hopper и Blackwell и программный уровень, от CUDA и PyTorch до движков vLLM, SGLang, TensorRT-LLM и Dynamo.
Отдельные главы посвящены методам ускорения, моделям для речи, изображений и видео, а также эксплуатации - от автомасштабирования и батчинга до постепенной выкатки новых версий.
Новичку книга даёт карту области и порядок действий - как определить задачу, бюджет задержки, стоимости и подобрать модель, а в последующем заняться оптимизацией.
Базовые понятия вроде предзаполнения, декодирования и KV-кэша объяснены с нуля, а незнакомые термины можно найти в глоссарии.
Опытным инженерам будут интересны пороги и практические правила. Для каждой техники ускорения автор объясняет, как она устроена, при каком трафике и размере модели окупается и чем рискует качество ответов.
Отдельно сравниваются движки инференса и разобраны задачи эксплуатации, которые обычно приходится решать методом проб и ошибок.
Последний раздел посвящён продуктам компании, а оборудование рассматривается почти целиком на примере NVIDIA, другим ускорителям отведено около двух страниц.
🔜 Запросить книгу бесплатно в форматах PDF, EPUB или аудиоверсию
@ai_machinelearning_big_data
#AI #ML #Inference #Book #Baseten | 2 803 |
| 16 |  Бесплатные учебники по математике от профессора Университета Альберты
Джереми Сильвестр, доцент кафедры математики Университета Альберты, выложил свои учебники в открытый доступ. Их можно читать онлайн, а часть скачать в PDF.
Главная находка здесь Discover Linear Algebra, полноценный курс линейной алгебры на два семестра. Для тех, кому нужно быстрее, есть сокращённая версия на один семестр. Для ML это база: векторы, матрицы, собственные значения, разложения и всё, на чём держатся нейросети.
Ещё два учебника: Calculus Concepts & Modelling по матанализу и дифференциальным уравнениям с упором на моделирование и Elementary Foundations по дискретной математике и логике, который автор обещает скоро открыть полностью.
Хороший вариант, если хочется подтянуть математику под машинное обучение по нормальным университетским учебникам и бесплатно.
https://sites.ualberta.ca/~jsylvest/ | 2 591 |
| 17 |  Подключить ИИ-агента к базе просто. Определить, что ему разрешено делать, сложнее.
Пока агент только отвечает в чате, его ошибку можно заметить и исправить. Когда он получает доступ к данным, внешним API и исполнению кода, ошибка уже может превратиться в действие.
Поэтому заранее стоит определить: какие данные агент видит, какие инструменты вызывает и какие операции требуют проверки.
Эти вопросы разбирает «Лаборатория Касперского» в руководстве «Безопасность ИИ-агентов через призму кибериммунитета». Внутри: атаки через контекст на примере EchoLeak, SearchLeak и CamoLeak, границы доверия к LLM и подходы к изоляции инструментов.
Пригодится разработчикам и архитекторам, которые внедряют агентов в реальные процессы.
Скачать | 2 477 |
| 18 |  +1📚 280 страниц о машинном обучении в инвестициях от J.P. Morgan
Big Data and AI Strategies Марко Колановича и Раджеша Кришнамачари: масштабный отчёт о том, как использовать ML и альтернативные данные для анализа рынков.
Внутри:
• Какие данные могут дополнять финансовую отчётность: соцсети, поисковые запросы, транзакции и другие источники.
• Как оценивать их качество и полезность.
• Обзор методов машинного обучения для анализа данных.
• Возможности и ограничения применения этих подходов в инвестициях.
Отчёт вышел в 2017 году. Его стоит читать как фундаментальный материал по ML и данным в финансах, учитывая возраст примеров.
PDF доступен бесплатно, на английском:
📓 Книга
@datascienceiot | 3 828 |
| 19 |  Handbook on Understanding Harness Engineering for AI Agents
📓 Read
@datascienceiot | 2 910 |
| 20 |  📚 Обновили огромный учебник по математике для Computer Science и Machine Learning - 2220 страниц.
Внутри сразу несколько фундаментальных тем:
— алгебра
— топология
— дифференциальное исчисление
— теория оптимизации
— математический аппарат для CS и ML
Хороший вариант, если хочется не просто использовать формулы в ML, а понимать, откуда они берутся и почему работают.
Книга доступна здесь:
https://www.cis.upenn.edu/~jean/gbooks/ | 7 889 |
