Available now! Telegram Research 2025 — the year's key insights 
🏆 Data Feeling | AIeron
Open in Telegram
IT предприниматель и препод 🧑🏫 ex-ML лидер в Dodo Brands 🦤🍕 Прокачиваю людей в Data Science 🚀 Победитель Stepik Awards 🏆 Kaggle Expert 🤹♀️ Создатель @Speakadora_bot @big_llm_course РКН https://clik.now/datafeeling Алерон @Ale_v2
Show more📈 Analytical overview of Telegram channel 🏆 Data Feeling | AIeron
Channel 🏆 Data Feeling | AIeron (@datafeeling) in the Russian language segment is an active participant. Currently, the community unites 14 699 subscribers, ranking 717 in the Marketing & PR category and 45 387 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 14 699 subscribers.
According to the latest data from 19 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -81 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 19.05%. Within the first 24 hours after publication, content typically collects 7.37% reactions from the total number of subscribers.
- Post reach: On average, each post receives 2 801 views. Within the first day, a publication typically gains 1 084 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 28.
- Thematic interests: Content is focused on key topics such as лот, n8n, бразилия, пет, санкция.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“IT предприниматель и препод 🧑🏫
ex-ML лидер в Dodo Brands 🦤🍕
Прокачиваю людей в Data Science 🚀
Победитель Stepik Awards 🏆
Kaggle Expert 🤹♀️
Создатель @Speakadora_bot @big_llm_course
РКН https://clik.now/datafeeling
Алерон @Ale_v2”
Thanks to the high frequency of updates (latest data received on 20 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 Marketing & PR category.
14 699
Subscribers
-624 hours
-57 days
-8130 days
Posts Archive
14 698
Увлекся испытательными соревнованиями от MADE 🧐 по рекомендательным системам. Как итог, поступил к ним на программу😳🏆
Если кто еще не слышал, то это продвинутая школа анализа больших данных от Mail.Ru. Как ШАД только более прикладная направленность.
Что меня подкупило - организаторы отбирают по результатам соревнования типо как на Kaggle. 💪
#что_ж_иду_в_MADE
#ШАД_пусть_отдохнет
#OzonMasters_тоже_пушка
14 698
👉 Ссылка на онлайн-встречу "Путь грандмастера Kaggle"
Залетайте:) Следующая такая возможность будет не скоро
14 698
Друзья,
Уже сегодня в 16:00 по Мск
👉 онлайн-встреча с грандмастером Kaggle.🏆🔥🚀
Спикер:
👉 Захар Чикишев,
- Выпускник МФТИ-04
- Большой опыт работы в Data Science
На встрече вы сможете задать любой вопрос Захару, а так же узнать о:
– опыте участия в Kaggle соревнованиях
– с чего начать новичку сейчас🤓
Лекция будет интересна тем, кто:
– интересуется Data Science
– планирует принять участие в одном из соревнований
👉Ссылка на zoom будет выложена чуть позже тут
14 698
#Трюк № 21 - Псевдолэйблы🤥
Если вам хочется докинуть в модель данных, чтоб поднять скор, то возьмите эти данные из теста.🤪
Звучит безумно, скажите вы, ведь там нет ответов - и будите правы! Однако Kaggle-волков это не останавливает.
Все просто. Обучаем модель на тренировочной выборке (train).
Размечаем тестовую выборку, которая предложена вам для отправки на лидер борд. (Теперь в тесте есть ответы).
Переобучаем модель на тренировочной + свеже-размеченном тестовой выборках.
Снова делаем предсказание на тестовой выборке и засылаем наш сабмит. 🎯
На моей практике, при хорошей модели и соотношении train:test примерно 3:1 это часто дает прирост точности.📈
Почему работает? У вашей модели больше данных, что дает ей чуть лучше выучиться. Да, в разметке будут ошибки, но будет и большинство правильных ответов. Последнее все компенсирует.⚔️
14 698
#Трюк №16 - фильтрация 🪣
Вы же тоже часто смотрите на важность признаков в вашей модели? Иначе как понять, на что обращает внимание ваша модель?!
И вот вы смотрите на гистограмму важности признаков, и что дальше?) Что с этим делать?) Ничего?
Вот вам трюк🏂 - заранее генерируем случайный признак и далее смело выбрасываем все признаки, которые рандомный признак отсек. Взлет скора модели гарантирован✈️
Почему это работает? Если случайный признак оказался важнее имеющихся, то скорее всего в них нет никакой полезной информации - разумнее их убрать из модели.
14 698
Саш, как подготовиться к собеседованию по Data Science? ⚔️ Где взять вопросы? Что читать? Можешь меня поспрашивать? 🤼♀️
Обычно всем кентам кидаю вот этот набор вопросов github.com/a-milenkin/testovoe 🗂 тут под 500 вопросов, не меньше. Прям не соскучишься. Сам перед собеседованиями гонял себя по нему 🏋️♀️ Это то что вам надо) 🎯
И хватит уже теряться при вопросе - что такое линейная регрессия📈
#собеседование #вопросы #до_мидла_за_ночь
14 698
Шафл, господа!!! 🔀
Что ж, теперь время писать историю - «как я выиграл свою первую медаль на Kaggle»🥉🥳😱
На 100 позиций вверх за ночь! 🚀Это чума 🤪
14 698
Думаю, стоит ли написать историю - Как я НЕ выиграл хакатон на Kaggle.😅 Не хватило 0.001 до 🥉 Смотри скрин)
Пишите в комментарии, если интересно как я потратил почти месяц пока фармил "CommonLit Readability Prize" и что в итоге приблизило меня к топ-10% 🏆😎
Если интересна сама задача, то надо было по текстам определять их сложность/читабельность.📖📝
14 698
За этот месяц раз 5 услышал слово "экстраполяция" в контексте методов машинного обучения, в итоге решил наконец-то почитать, что же это все несет в себе.🧞♂️ Да, конечно, я слышал и активно использовал feature importance, и даже SHAP, а какое-то время назад еще и LIME😎. Однако вот почитать и разобраться поглубже в этих все штуках и не только захотелось только сейчас.🧐 Собственно, рекомендую и Вам почитать вот эту статейку на стыке философии и ML👉 https://www.machinelearningmastery.ru/explainable-artificial-intelligence-part-2-model-interpretation-strategies-75d4afa6b739/
14 698
Speed up'ал, speed up'аю и буду speed up'ать свои сеточки на pytorch чтобы быстрее громить соперников на Kaggle.
Мир переворачивается, когда находишь для себя неочевидные, но простые пути решения проблем. Недавно задумался, насколько сильно можно ускорить тренировку сеточки и наткнулся на чек-лист путей ускорения.
https://www.reddit.com/r/MachineLearning/comments/kvs1ex/d_here_are_17_ways_of_making_pytorch_training/
"Automatic Mixed Precision" и "gradient clipping" были для меня в новинку. 😱 Дополнительно рекомендую еще познать технику "16-bit precision" ну и проверить возможность увеличения магического параметра - числа workes в Dataloader. 😎
Как итог, ускорил сетку в 6-7 раз убрав лишние переносы с gpu на cpu🤠
14 698
#лайфхаки
Поймал себя на периодическом подглядывании в эту статью.
Очень крутые штуки, которые упрощают работу с табличными датасетами в Jupyter Notebook #EDА.
№ 3 Jupyter DataTables и № 6 livelossplot - одни из моих любимых. Обязательно попробуйте!
https://habr.com/ru/company/skillfactory/blog/542870/?utm_source=facebook.com_flows&utm_medium=social&utm_campaign=%5Bperevod%5D-10-poleznyh-rasshireniy-dlya-dat
14 698
Когда начинаешь погружаться в DS - начинаешь работать с новым методом/алгоритмом, полезно иметь под рукой простые примеры кода с его использованием.
Ловите! Это блок индуса, который собрал простейшие примеры различных методов в одну кучу с кодом: https://thecleverprogrammer.com/2020/11/27/machine-learning-algorithms-with-python/
Про PyCaret и Auto-Sklearn сам впервые услышал 🤔
14 698
Всем привет!
Решил запустить свой канал. Буду рассказывать здесь про свой опыт в Data Science и лайфхаки
