en
Feedback
Data Science

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

📈 Analytical overview of Telegram channel Data Science

Channel Data Science (@datascienceiot) is an active participant. Currently, the community unites 41 814 subscribers, ranking 3 222 in the Technologies & Applications category and 15 276 in the Russia region.

📊 Audience metrics and dynamics

Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 41 814 subscribers.

According to the latest data from 25 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -111 over the last 30 days and by -6 over the last 24 hours, overall reach remains high.

  • Verification status: Not verified
  • Engagement rate (ER): The average audience engagement rate is 6.17%. Within the first 24 hours after publication, content typically collects 2.48% reactions from the total number of subscribers.
  • Post reach: On average, each post receives 2 579 views. Within the first day, a publication typically gains 1 037 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 26 June, 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.

41 814
Subscribers
-624 hours
-707 days
-11130 days
Posts Archive
Machine Learning with R, the tidyverse, and mlr (2020) @datascienceiot

AI as a Service: Serverless machine learning with AWS (2020) @datascienceiot

Applied Deep Learning: A Case-Based Approach to Understanding Deep Neural Networks @datascienceiot

Практическое Глубокое обучение для Облачных сервисов, мобильных платформ, и передовых устройств @datascienceiot

Data Analytics and Python Programming 2 Bundle Manuscript @datascienceiot

Genetic Programming for Image Classification @datascienceiot

Разбираем, чем отличается версионирование в ML-разработке по коду от версионирования по коду и состоянию. 🤔 Ситуация: вы работаете над проектом, например занимаетесь ML-прототипированием или анализом данных. По ходу работы в системе сохраняется код, и вы спокойно продолжаете, не боясь что-то упустить из виду. Но в конце недели понимаете, что где-то свернули не туда. Вы откатываетесь на несколько шагов назад по коду, и все бы ничего, но вычисления ведь придется делать заново. Это главный недостаток версионирования по коду. ✅ Версионирование по коду и состоянию отличается тем, что во время работы сохраняется не только сам код, но и состояние вычислений. То есть состояние = код + вывод + переменные. Это значит, что если вы откатитесь назад, то получите не только прежний код, но и значения переменных. Вам не придется заново запускать вычисления, терять время и ресурсы. 👉 Попробуйте версионирование по коду и состоянию в Yandex DataSphere, где каждому новому пользователю доступны бесплатные ресурсы на ML-разработку: https://clck.ru/Tr6xP

Deploy Machine Learning Models to Production @datascienceiot

Machine Learning in Java @datascienceiot

Deep Learning for Vision Systems v6 @datascienceiot

Yandex DataSphere. 👉 Его можно попробовать бесплатно (предоставляется 50+ часов с GPU в фоновых ячейках) по ссылке: https://clck.ru/Tr6vH В чем его главные фишки ✅ Не требует настройки: разворачивается в облаке за пару кликов и сразу же готов к работе. Поэтому забываем как страшный сон об установке ПО и выборе правильных мощностей заранее. 🖥 Привычный интерфейс Jupyter Notebook. А сами проекты не пропадают и живут столько же, сколько ваше облако. ▶️ После исполнения сохраняется состояние (состояние = код + вывод + переменные). Поэтому можно вернуться к любому шагу разработки и не придется заново запускать вычисления. Продукт молодой, команда очень отзывчива к пожеланиям и на информацию о любых багах быстро реагирует в чате (https://t.me/yandex_datasphere). Вы можете принять реальное участие в становлении Yandex DataSphere.

Data Pipelines Pocket Reference (2021) @datascienceiot

Pro Machine Learning Algorithms - 2018 @pythonlbooks

Practical Deep Learning: A Python-Based Introduction (2021) @datascienceiot

Transformers for Natural Language Processing (2021) @datascienceiot

A Python Data_Analyst’s Toolkit Learn Python @datascienceiot

Learning Scrapy @datascienceiot

New Professions Lab: Специалист по большим данным 12-недельная образовательная программа по анализу больших данных: Hadoop, MapReduce, Spark, машинное обучение ☄️Big Data - уже не хайп, а прогрессирующая индустрия. Большие данные используются практически в каждом бизнесе, требуя соответствующих навыков не только от дата сайентистов, но и разработчиков, аналитиков, менеджеров по развитию продукта и руководителей проектов. Хорошие новости, друзья! Уже 16 марта В NewProLab стартует флагманский 12-недельный онлайн-курс "Специалист по большим данным" 👉🏻Успейте подать заявку: https://clck.ru/Taxnq Без преувеличения - это самая хардкорная и обширная программа на рынке Big Data. 👉🏻Вас ждет 36 практических занятий, 10 лаб, подготовка 2 собственных проектов и всё это на реальных дата-сетах и живых кейсах от команды преподавателей-практиков. Вы научитесь строить модели машинного обучения, писать MapReduce-джобы, используя Hadoop Streaming и Python, готовить SQL-like запросы в Hive, работать с данными на HDFS, проводить анализ при помощи Apache Spark, а также строить алгоритмы рекомендательных систем. P.S. Нужно подтянуть отдельный модуль? Программу можно пройти частями. Оставляйте заявку.

Algorithmic Trading Methods: Applications Using Advanced Statistics, Optimization, and Machine Learning Techniques (2020) @datascienceiot

10 Minutes to pandas @datascienceiot