Available now! Telegram Research 2025 — the year's key insights 
Анализ данных (Data analysis)
Open in Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Show more📈 Analytical overview of Telegram channel Анализ данных (Data analysis)
Channel Анализ данных (Data analysis) (@data_analysis_ml) in the Russian language segment is an active participant. Currently, the community unites 50 251 subscribers, ranking 2 653 in the Technologies & Applications category and 12 492 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 50 251 subscribers.
According to the latest data from 24 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 38 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 9.10%. Within the first 24 hours after publication, content typically collects 6.25% reactions from the total number of subscribers.
- Post reach: On average, each post receives 4 571 views. Within the first day, a publication typically gains 3 142 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 29.
- Thematic interests: Content is focused on key topics such as llm, контекст, openai, архитектура, deepseek.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
Thanks to the high frequency of updates (latest data received on 25 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.
50 251
Subscribers
-624 hours
+447 days
+3830 days
Posts Archive
⚡️ Awesome-polars
Большой полезный кураторский список примеров с кодом, инструментов, бенчмарков и статей о Polars.
▪Github
▪Docs
@data_analysis_ml
Центральный университет проводит день открытых дверей Академии Data Science!
С лекциями выступят эксперты из ИТ-индустрии и профессоры Центрального университета, чтобы рассказать о карьере в Data Science и перспективах работы:
— Константин Маркелов, вице-президент Тинькофф — «Об университете и вызовах современного образования»;
— Иван Стельмах, CPO Центрального университета — «Зачем аналитикам и продактам искусственный интеллект»;
— Ярослав Гаврилов, руководитель отдела бизнес-анализа в МТС — «Как живут бизнес-аналитики в МТС»;
— Александр Дьяконов, академический руководитель программы — «Современные специальности и направления исследований: анализ данных, искусственный интеллект и большие данные — что выбрать и как стать лучшим?».
День открытых дверей пройдет 6 февраля в новом офисе Тинькофф, но можно подключиться онлайн. Актуально для студентов 3-4 курсов бакалавриата, выпускников, а также всех, кому интересно обучение и карьера в ИТ!
Регистрируйтесь здесь.
erid:2VtzqvQicto
Реклама. АО "Тинькофф Банк", ИНН 7710140679, лицензия ЦБ РФ № 2673
🖥 Совет Pandas!
Используйте параметр
parse_dates для указания столбцов с датами при создании даатфрейма из CSV, вместо pd.to_datetime.
Это делает код более кратким и удобным для чтения.
@data_analysis_mlGigaChat обгоняет ChatGPT по всем характеристикам — к таким результатам пришли разработчики отечественной нейросетевой модели. В последнем исследовании разрабы решили сравнить модели от Сбера и OpenAI, результаты можно посмотреть здесь.
Не зря на сегодняшний день нейросетью от Сбера пользуется более 2,5 млн человек.Теперь ждем, когда Яндекс проведет такое же исследование.
@data_analysis_ml
⚡️ SUPIR - новая высокоточная модель восстановления изображений!
▪Код: https://github.com/Fanghua-Yu/SUPIR
▪Проект: http://supir.xpixel.group
▪Статья: https://arxiv.org/abs/2401.13627
@data_analysis_ml
11 марта Newprolab запускает уже 14-й поток программы Data-Engineer
Программа будет полезна junior и middle дата-инженерам, аналитикам данных, бэкенд-разработчикам, техлидам и менеджерам, работающим с дата-командой
- 7 недель (11 марта – 27 апреля)
- 20 занятий с преподавателями в зуме
- 6 лаб с реальными данными
- чат с участниками и поддержка координаторов
📌Что дает программа:
1) научитесь решать типичные задачи DE и реально станете дата-инженером на время программы
2) структурируете ваши знания и познакомитесь с новыми инструментами
3) поработаете с облачным кластером для решения лаб с реальными данными
4) видеозаписи и другие материалы программы останутся у вас навсегда
📌Преподаватели – практики из ведущих компаний, рассказывают о сложном простым языком и ответят на все ваши вопросы
📌Промокод DEFRIENDS дает скидку 20%
[Подробная информация и регистрация]
⚡️ Новая лекция Ян Лекуна : «Объектно-ориентированный ИИ: на пути к машинам, которые могут учиться, рассуждать и планировать»
Слайды: https://drive.google.com/file/d/1e6EtQPQMCreP3pwi5E9kKRsVs2NbWPrY/view?usp=drivesdk
Видео: https://www.youtube.com/watch?si=UeLf0MhMzjXcSCAb&v=d_bdU3LsLzE&feature=youtu.be
@data_analysis_ml
Вышел PyTorch 2.2 🎉
С Новые фичи:
- Поддержка SDPA FlashAttention-2.
- Новое расширение TorchInductor.
- device_mesh, новая абстракция для инициализации и представления групп процессов.
- Стандартизированный управляемый механизм логирования под названием
TORCH_LOGS.
и др.
➡️ Полный список обновлений
@data_analysis_ml🖥 Примеры генеративного ИИ от NVIDIA
Современные примеры генеративного ИИ, которые легко развертывать, тестировать и адптировать под ваши задачи.
Все примеры работают на высокопроизводительном стеке NVIDIA CUDA-X и графических процессорах NVIDIA.
▪Github
@data_analysis_ml
💡 Проблема: ваш код,, содержит много скопированного чужого кода, но его трудно найти.
Решение: jscpd
jscpd — это инструмент командной строки, который находит скопированный код и сообщает о конкретных повторяющихся строках.
Работает более чем на 150 языках.
Пример отчета на картинке.
Github
@data_analysis_ml
🖥 Nxs-data-anonymizer - это инструмент для анонимизации дампа баз данных
PostgreSQL и MySQL/MariaDB/Percona.
▪Поддерживаемые базы данных и версии:
PostgreSQL (9/10/11/12/13/14/15/все версии)
MySQL/MariaDB/Percona (5.7/8.0/8.1/все версии)
▪Гибкая генерация фейковых данных на основе шаблонов Go и библиотеки шаблонов Sprig.
▪Потоковая обработка данных. Это означает, что вы можете перенаправлять дамп из исходной БД в любую другую БД с преобразованиями
▪Легко интегрируется в CI/CD
➡️ Github
@data_analysis_ml⚠️ С чего начать, если хотите работать в ML?
С бесплатного практического урока «Кластерный анализ данных» от OTUS. Спикер Мария Тихонова – Senior Data Scientist в «SberDevices» и преподаватель ВШЭ.
• В результате вебинара вы узнаете общие принципы кластеризации данных в ML
• Изучите ряд алгоритмов, в том числе k-means и примените их на практике
Встречаемся 7 февраля в 18:00 мск в рамках курса «Machine Learning. Professional».
Пройдите короткий тест прямо сейчас, чтобы посетить бесплатный урок и получить список вопросов и ответов для прохождения интервью
👉Регистрация
https://otus.pw/jSCz/?erid=LjN8KFCpE
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
🖥 SQL-metadata
Если вы хотите извлечь определенные компоненты #SQL-запроса для последующей работы с нмим на #Python, используйте sql_metdata.
Извлекает имена столбцов и таблиц, используемых в запросе. Автоматически выполняет разрешение псевдонимов столбцов, разрешение псевдонимов подзапросов, а также разрешение псевдонимов таблиц.
Также предоставляет полезные функции для нормализации
SQL-запросов.
pip install sql-metadata
▪Github
▪Docs🖥 Google-Colab-Selenium
Лучший способ использовать Selenium в блокнотах Google Colab!
▪Простая настройка Selenium и ChromeDriver.
▪Бесшовная интеграция с Google Colab.
▪Поддержка ChromeDriver для сложных случаев парсинга.
%pip install google-colab-selenium
import google_colab_selenium as gs
from selenium.webdriver.chrome.options import Options
# Instantiate options
options = Options()
# Add extra options
options.add_argument("--window-size=1920,1080") # Set the window size
options.add_argument("--disable-infobars") # Disable the infobars
options.add_argument("--disable-popup-blocking") # Disable pop-ups
options.add_argument("--ignore-certificate-errors") # Ignore certificate errors
options.add_argument("--incognito") # Use Chrome in incognito mode
driver = gs.Chrome(options=options)
driver.get('https://uproger.com')
print(driver.title)
driver.quit()
➡️Github
➡️Colab
@data_analysis_ml🎮 Build a Large Language Model (From Scratch)
Еще один замечательный ресурс, который подходит для начинающих, чтобы построить ChatGPT-подобный LLM с нуля, шаг за шагом
▪Github
@data_analysis_ml
+1⚡ RoMa: простая в использовании, стабильная и эффективная библиотека для работы с кватернионами, векторами вращения, пространственными преобразованиями в PyTorch.
pip install roma
▪Github
▪Docs
@data_analysis_ml🔊 Делимся «вредными советами» по работе с ClickHouse®
ClickHouse® — быстрая и масштабируемая колоночная база данных. Она известна своей высокой производительностью, возможностью обрабатывать аналитические запросы в режиме онлайн и строить аналитические витрины. Как и у любой другой технологии, у ClickHouse® есть свои особенности и нюансы, которые необходимо учитывать при работе.
В видео архитекторы Yandex Cloud поделятся распространёнными ошибками при использовании базы данных ClickHouse®, а также рекомендациями, как избежать этих ошибок и достичь максимально производительности БД ClickHouse.
🗣 Подробнее по ссылке.
+3🚀 LLMLingua: Enhancing Large Language Model Inference via Prompt Compression
LLMLingua использует компактную, хорошо обученную языковую модель (например, LaMA-7B) для поиска и удаления несущественных лексем в промптах.
Этот подход обеспечивает эффективный вывод с использованием больших языковых моделей (LLM), достигая 20-кратного сжатия при минимальной потере качества генерации.
▪Github
▪Документация
@data_analysis_ml
🚀 Одна из распространенных привычек Pandas, от которой полезно отказаться в Polars:
В Pandas датасаентисты часто добавляют/преобразуют столбцы в отдельных строках.
В Polars наоборот удобно добавляют много выражений в однну функцию with_columns.
Почему?
Ответ в производительности. Потому что Polars может выполнять все выражения параллельно.
@data_analysis_ml
🌟 При работе с файлами Parquet в pandas обычно сначала загружают данные в pandas DataFrame, а затем применяют фильтры.
Чтобы увеличить скорость выполнения запросов, переместите фильтры в движок PyArrow и воспользуйтесь оптимизацией обработки PyArrow.
@data_analysis_ml
