en
Feedback
Data Scientist | IT

Data Scientist | IT

Open in Telegram

Добро пожаловать в клуб. Полезные материалы из мира DS & ML на регулярной основе. По всем вопросам: @godinmedia

Show more
1 927
Subscribers
No data24 hours
-17 days
-1430 days
Attracting Subscribers
July '26
July '26
+1
in 0 channels
June '26
+7
in 0 channels
Get PRO
May '26
+3
in 0 channels
Get PRO
April '26
+5
in 0 channels
Get PRO
March '26
+7
in 0 channels
Get PRO
February '26
+6
in 0 channels
Get PRO
January '26
+6
in 0 channels
Get PRO
December '25
+17
in 0 channels
Get PRO
November '25
+2
in 0 channels
Get PRO
October '25
+5
in 0 channels
Get PRO
September '25
+8
in 0 channels
Get PRO
August '25
+8
in 0 channels
Get PRO
July '25
+8
in 0 channels
Get PRO
June '25
+3
in 0 channels
Get PRO
May '25
+8
in 0 channels
Get PRO
April '25
+4
in 0 channels
Get PRO
March '25
+3
in 0 channels
Get PRO
February '25
+3
in 0 channels
Get PRO
January '25
+5
in 0 channels
Get PRO
December '24
+1
in 1 channels
Get PRO
November '24
+11
in 0 channels
Get PRO
October '24
+7
in 0 channels
Get PRO
September '24
+367
in 0 channels
Get PRO
August '24
+365
in 0 channels
Get PRO
July '24
+11
in 0 channels
Get PRO
June '24
+20
in 0 channels
Get PRO
May '24
+11
in 0 channels
Get PRO
April '24
+10
in 0 channels
Get PRO
March '24
+12
in 0 channels
Get PRO
February '24
+13
in 1 channels
Get PRO
January '24
+5
in 0 channels
Get PRO
December '23
+12
in 0 channels
Get PRO
November '23
+18
in 0 channels
Get PRO
October '23
+27
in 2 channels
Get PRO
September '23
+129
in 0 channels
Get PRO
August '23
+377
in 0 channels
Get PRO
July '23
+428
in 0 channels
Get PRO
June '23
+215
in 0 channels
Get PRO
May '23
+122
in 0 channels
Get PRO
April '23
+551
in 0 channels
Get PRO
March '23
+241
in 0 channels
Get PRO
February '23
+399
in 0 channels
Get PRO
January '23
+484
in 0 channels
Get PRO
December '22
+59
in 0 channels
Get PRO
November '22
+341
in 0 channels
Get PRO
October '22
+166
in 0 channels
Get PRO
September '22
+988
in 0 channels
Get PRO
August '22
+520
in 0 channels
Get PRO
July '22
+1 094
in 0 channels
Get PRO
June '22
+133
in 0 channels
Get PRO
May '22
+2 526
in 0 channels
Date
Subscriber Growth
Mentions
Channels
09 July+1
08 July0
07 July0
06 July0
05 July0
04 July0
03 July0
02 July0
01 July0
Channel Posts
⚠️Хотите разобраться, как обучать интеллектуальных агентов в нестандартных задачах для бизнеса? Начните обучение на курсе «Re
⚠️Хотите разобраться, как обучать интеллектуальных агентов в нестандартных задачах для бизнеса? Начните обучение на курсе «Reinforcement Learning». 🎁Записывайтесь на 3 бесплатных вебинара — познакомьтесь с программой обучения и преподавателями. Задайте свои вопросы экспертам! Вебинар 1: «Обучение с подкреплением - гибкий подход для сложных задач. Создаем собственные окружения». ⏰7 июля в 20:00 мск Программа вебинара: 1. Краткое введение в обучение с подкреплением. 2. Обзор существующих сред и переход к созданию собственного RL-окружения на Python. 3. Напишем свою среду на основе gym.Env и подключим к ней обучающегося агента. Вебинар 2: «Visual DQN: Как научить ИИ-модель видеть мир глазами игрока». ⏰15 июля в 20:00 мск Программа вебинара: 1. Разберем, как DQN работает с изображениями: как агент получает состояние не в виде чисел, а в виде сырых пикселей с экрана. 2. Изучим архитектуру DeepMind-подхода. 3. Запустим обучение DQN в среде Atari Pinball и посмотрим, как агент постепенно учится играть лучше человека. Вебинар 3: «Алгоритм DQN - учим нейросеть принимать решение без помощи человека». ⏰21 июля в 20:00 мск Программа вебинара: 1. Разберем устройство алгоритма DQN: как нейросеть заменяет Q-таблицу и учится выбирать лучшие действия. 2. Изучим ключевые механизмы DQN. 3. Обучим агента решать задачу в среде Gymnasium и проанализируем процесс обучения. Записывайтесь ➡️ https://vk.cc/cZn70D Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

2
Компьютерное зрение и обучение нейросетей: 12 бесплатных ресурсов для погружения в тему #почитать Собрал для вас подборку мат
Компьютерное зрение и обучение нейросетей: 12 бесплатных ресурсов для погружения в тему #почитать Собрал для вас подборку материалов по компьютерному зрению и обучению нейросетей. Здесь вы найдёте полноценные курсы, туториалы, обзорные статьи и справочные материалы. Подборка пригодится как новичкам в ML, так и практикующим инженерам — старался пояснять в описаниях, для кого подойдёт конкретный материал. ✅Читать статью
78
3
AGI: почему его не будет, и какую модель мы можем сделать вместо него #почитать AGI это следующий этап развития ИИ. Подобная
AGI: почему его не будет, и какую модель мы можем сделать вместо него #почитать AGI это следующий этап развития ИИ. Подобная модель сможет самостоятельно изучать и решать задачи, совершать новые научные открытия, и в принципе это таблетка от всех проблем. По крайней мере, так считают современные техногиганты, в особенности Илон Маск или Сэм Альтман, которые яро пропагандируют идеи AGI и вот-вот обещают выпустить подобную модель. Но, к сожалению или к счастью, это невозможно, и вот почему. ✅Читать статью
155
4
Не «как быстрее», а «как лучше»: новое ML-ранжирование маршрутов в Яндекс Картах #почитать Раньше маршруты на Картах ранжиров
Не «как быстрее», а «как лучше»: новое ML-ранжирование маршрутов в Яндекс Картах #почитать Раньше маршруты на Картах ранжировались по времени в пути: работал принцип «самый быстрый — самый первый». Но в реальном мире скорость не всегда равна удобству и пользователь мог оказаться в ситуации, что маршрут вроде бы позволяет добраться до конечной точки быстрее, но придётся долго разбираться, а куда вообще ехать. Теперь ранжированием маршрутов занимается ML‑модель, которая обучена на реальном поведении пользователей. Она учитывает не только время, но и то, по каким маршрутам водители доезжают до конца. Поэтому сейчас первый вариант — тот, который вы, скорее всего, выбрали бы сами. ✅Читать статью
176
5
Базовая модель для персонализированных рекомендаций Netflix #почитать Персонализированная рекомендательная система Netflix ус
Базовая модель для персонализированных рекомендаций Netflix #почитать Персонализированная рекомендательная система Netflix устроена довольно сложно. В её состав входят различные специализированные модели машинного обучения, каждая из которых ориентирована на решение особых задач, в том числе — на обслуживание разделов «Continue Watching» («Продолжить просмотр») и «Today’s Top Picks for You» («Сегодняшние топ-рекомендации для вас»). (Подробности об этом вы можете найти в нашем недавнем обзоре). Но по мере того, как мы расширяем используемый нами набор алгоритмов персонализации, стремясь соответствовать растущим бизнес-потребностям, поддержка рекомендательной системы становится довольно-таки затратной. Более того, мы столкнулись со сложностями при переносе инновационных решений из одной модели в другую. Это так из-за того, что большинство моделей обучаются независимо друг от друга, хотя и пользуются одними и теми же источниками данных. Всё это логично привело к возникновению необходимости в новой архитектуре рекомендательной системы, где модели обучаются предпочтениям пользователей централизованно. Это расширяет доступность и полезность результатов обучения одних моделей для других моделей. ✅Читать статью
196
6
LLM модели: зарубежные VS отечественные #почитать Когда команда выбирает LLM для продакшена, «сравнение по бенчмаркам» — это
LLM модели: зарубежные VS отечественные #почитать Когда команда выбирает LLM для продакшена, «сравнение по бенчмаркам» — это лишь первый фильтр. Для CTO ключевой вопрос звучит иначе: какую комбинацию качества, стоимости, стабильности API, юридических ограничений и интеграций мы получим на реальной нагрузке. Я разобрал популярные модели через призму двух контуров: качество/бенчмарки и инфраструктурная пригодность. ✅Читать статью
194
7
От MNIST к Transformer. Hello CUDA. Основы, Setup и наше первое ядро #почитать Мы живем в эпоху, когда ИИ стал доступен каждо
От MNIST к Transformer. Hello CUDA. Основы, Setup и наше первое ядро #почитать Мы живем в эпоху, когда ИИ стал доступен каждому. Но за магией PyTorch скрывается колоссальная инженерная работа и сложные вычислительные процессы, которые для большинства остаются черным ящиком. Я хочу запустить большой цикл статей От MNIST к Transformer, цель которого пошагаво пройти путь от простого CUDA ядра до создания архитектуры Transformer - фундамента современных LLM моделей. Мы не будем использовать готовые высокоуровневые библиотеки. Мы будем разбирать, как все устроено под капотом, и пересобирать их ключевые механизмы своими руками на самом низком уровне. Только так можно по настоящему понять как работают LLM и что за этим стоит. Приготовьтесь, будет много кода на C++ и CUDA, работы с памятью и погружения в архитектуру GPU. И конечно же математика что за этим стоит. ✅Читать статью
201
8
Лидеры по работе с данными и ИИ из Альфа-Банка, Сбера, X5 Tech, Т-Банка, Ozon Fintech, Банка России, Дикси, Ситидрайва, Lamod
Лидеры по работе с данными и ИИ из Альфа-Банка, Сбера, X5 Tech, Т-Банка, Ozon Fintech, Банка России, Дикси, Ситидрайва, Lamoda, Черкизово и других компаний расскажут, как данные и искусственный интеллект помогают ускорять бизнес в финтехе, ритейле, промышленности, транспорте и агросекторе. 9 июля на форуме Data Day 2026: 💰 Тренды AI и данных «из первых уст». На какие технологии и подходы делают ставку лидеры рынка? 💰 Как превратить хаос данных в надежный бизнес-навигатор и сделать данные стратегическим активом компании. 💰 Практика внедрения AI и data-driven подходов в финтехе, ритейле, логистике, промышленности и агросекторе. 💰 Как находить новые точки роста, используя опыт цифровых лидеров и сильные data-команды. 💰 AI-hub: выставка и центр экспертизы готовых AI-решений и автономных агентов для бизнеса. Выступают: – Руслан Булатов, Банк России. Директор Департамента финансовых технологий. – Дмитрий Криволапов, Lamoda. Директор департамента по данным и аналитике. – Алексей Бондаренко, Газпромбанк. Вице-президент — начальник департамента управления данными. – Дмитрий Рузанов, Альфа-Банк. Директор департамента разработки моделей. – Павел Денисенко, X5 Tech. Директор департамента развития платформы больших данных. – Артём Летин, ВТБ. Начальник управления моделирования КИБ и СМБ, вице-президент. – Валерий Поляков, Т-Банк. Лидер по данным группы Т-Технологии (Chief Data Officer). – Александр Лукьянов, ДОМ РФ Технологии. Генеральный директор. – Валентина Рудик, Ozon Fintech. Руководитель розничного кредитования. – Андрей Скачёк, М.Видео, Директор по маркетингу И другие. Вас ждет самый масштабный Data Day: 🔥 5 отраслевых треков (Финтех, Агропром, Путешествия и Транспорт, Ритейл, Персональная эффективность) 🔥 1500+ участников 🔥 60+ спикеров 9 июля, «Бизнес. Техноград», ВДНХ, Москва. Присоединяйтесь! Форум соберет экспертов по данным и AI из банков, ритейла, телекома, транспорта, агропрома, ИТ-компаний и индустриальных лидеров. 👉 Программа и регистрация Реклама. ООО «Регламент». ИНН 7708323273. erid:2W5zFJJ3D6q
152
9
Трансформер своими руками: с нуля до Numpy реализации и обучения #почитать В этой статье пойдет речь об одной из самых сложны
Трансформер своими руками: с нуля до Numpy реализации и обучения #почитать В этой статье пойдет речь об одной из самых сложных и интересных архитектур — трансформере, лежащей в основе современных моделей от OpenAI и Google DeepMind. И это не научпоп для обывателя с наивным уровнем объяснения, а полноценный учебный материал, который поможет вам понять работу трансформера на фундаментальном уровне без черных ящиков типа TensorFlow и Pytorch. А для того чтобы лучше вникнуть, давайте напишем настоящий мини-трансформер на процедурном Python и обучим его! Данный материал можно изучать в разных режимах: * Как объяснение архитектуры для общего представления; * Как полноценный гайд с чтением кода и самостоятельной практикой; * Как основу для собственных экспериментов. Вы сами можете выбрать тот режим, который нужен для ваших целей на данный момент. Наш трансформер будет довольно простым: со статическим графом и одноблочными энкодером и декодером. Сам код написан в парадигме процедурного программирования (за исключением некоторых модулей) и может быть прочитан на любом уровне и без знания ООП. И все же это будет полноценный обучаемый трансформер с мультиголовым вниманием, батчами данных, параллельным вычислением и множеством параметров. Для закрепления материала, выполните Домашнее задание, которое ждет вас в конце статьи. ✅Читать статью
120
10
Как мы оцениваем качество ИИ с помощью ИИ #почитать Заказчиками для ИИ инструментов часто выступают профильные специалисты (о
Как мы оцениваем качество ИИ с помощью ИИ #почитать Заказчиками для ИИ инструментов часто выступают профильные специалисты (от науки или из мира бизнеса), которые не настолько погружены в работу моделей, чтобы легко оперировать метриками ROC-AUC (способность модели различать классы) или Precision (насколько точными являются положительные предсказания модели). Мы подумали, если большие языковые модели способны разъяснить сложные вещи ― например, смету и планы ― то их вполне можно использовать и для оценки самих систем ИИ. почему бы им не показать, что сами системы ИИ работают хорошо или не очень? Наша команда разработала инструмент, который позволяет осуществлять оценку и контроль качества моделей ИИ. Он может оценивать качество данных, сравнивать разные модели и потенциал их дообучения, а также подсказывать свои модели с помощью интегрированного инструмента AutoML от наших коллег из Института ИИ ИТМО, экономя время разработки. ✅Читать статью
167
11
Модели, гипотезы и планирование: хроники ML-инженера на крупнейшем хакатоне #почитать В прошлом году наша команда неожиданно
Модели, гипотезы и планирование: хроники ML-инженера на крупнейшем хакатоне #почитать В прошлом году наша команда неожиданно для себя стала призером на хакатоне «Лидеры Цифровой трансформации». В этой части мы расскажем технические детали решения задачи по распознаванию поврежденных и больных деревьев в городской среде. ✅Читать статью
176
12
От MNIST к Transformer. Часть 2. Основы работы с памятью #почитать Это вторая статья из цикла От MNIST к Transformer, цель ко
От MNIST к Transformer. Часть 2. Основы работы с памятью #почитать Это вторая статья из цикла От MNIST к Transformer, цель которого пошагово пройти путь от простого CUDA ядра до создания архитектуры Transformer - фундамента современных LLM моделей. Мы не будем использовать готовые высокоуровневые библиотеки. Мы будем разбирать, как все устроено под капотом, и пересобирать их ключевые механизмы своими руками на самом низком уровне. Только так можно по настоящему понять как работают LLM и что за этим стоит. В этой статье разберем основы работы с памятью и две простые математические операции с точки зрения математики, но не такие простые с точки зрения CUDA ядер. Приготовьтесь, будет много кода на C++ и CUDA, работы с памятью и погружения в архитектуру GPU. И конечно же математика что за этим стоит. ✅Читать статью
17
13
Онлайн-оценка рекомендательных систем: метрики, которые говорят сейчас #почитать Меня зовут Василий Калинин, я senior-аналити
Онлайн-оценка рекомендательных систем: метрики, которые говорят сейчас #почитать Меня зовут Василий Калинин, я senior-аналитик в отделе ML-аналитики музыкального сервиса Звук. Мой сегодняшний рассказ будет посвящен метрикам онлайн-оценки рекомендательных систем, использующихся в нашей компании. ✅Читать статью
11
14
ТОП-15 бесплатных сервисов для генерации изображений в 2026 году #почитать Сразу оговорка: у большинства платформ free-режимы
ТОП-15 бесплатных сервисов для генерации изображений в 2026 году #почитать Сразу оговорка: у большинства платформ free-режимы и лимиты периодически меняются (кредиты, очередь, доступные модели), поэтому я ориентировался на актуальные условия на момент подготовки статьи и официальные страницы сервисов. ✅Читать статью
12
15
Семантический компьютер на 64 нейронах и обучение на шуме #почитать В предыдущей статье о машинном обучении как алхимии я гов
Семантический компьютер на 64 нейронах и обучение на шуме #почитать В предыдущей статье о машинном обучении как алхимии я говорил о том, что можно найти новые решения, не используя GPU или дорогие видеокарты. В этой статье я расскажу, о том, как я экспериментировал с continual learning и композициональностью мышления на микронейросетях, и причем здесь философ Лев Выготский. ✅Читать статью
195
16
Как развернуть OpenClaw и не слить ему все свои данные #почитать OpenClaw (ex. Moltbook и Clawdbot) мощно взорвал начало года
Как развернуть OpenClaw и не слить ему все свои данные #почитать OpenClaw (ex. Moltbook и Clawdbot) мощно взорвал начало года. Все бросились устанавливать себе агента, и я понимаю, почему получился такой хайп. Ведь это первый в мире опен сорсный персональный AI-ассистент, которого можно подключить к мессенджеру, почте, календарю и практически чему угодно еще и он будет управлять моей личной жизнью. Ему можно поручить покупку билетов в кино, бронь столика в любимом кафе или внести важную встречу в календарь. Другая сторона хайпа — вопросы к безопасности агента, здесь шумихи не меньше. То исследователи Gen Threat Labsнашли 18 000 открытых инстансов OpenClaw, к которым можно подключиться и управлять уже не своей, а чужой личной жизнью. То Касперский пишет, что каталог «навыков» агента стал рассадником вредоносного кода. Или вспомнить историю о том, что OpenClaw сливал данные своих пользователей через Moltbook (соцсеть для нейронок). И что теперь, совсем нельзя пользоваться этим агентом? Я считаю, что пользоваться можно, но осторожно и лучше в облаке. Расскажу, как это сделать безопасно. ✅Читать статью
201
17
Anthropic против OpenAI: два разных подхода к «быстрому режиму» #почитать Anthropic и OpenAI почти одновременно запустили «бы
Anthropic против OpenAI: два разных подхода к «быстрому режиму» #почитать Anthropic и OpenAI почти одновременно запустили «быстрый режим» для своих моделей — и за одинаковым названием скрываются принципиально разные подходы к ускорению инференса. В одном случае это реальная модель с уменьшенным батчингом, в другом — отдельная, более компактная версия на специализированных чипах Cerebras. Разбираемся, что именно стоит за цифрами «2.5×» и «1000 токенов в секунду», где компромисс по качеству и что это значит для разработчиков на практике. ✅Читать статью
169
18
Я обучил модель на 10 000 код-ревью, чтобы отсеять мусор. Она начала предсказывать увольнения #почитать Я хотел решить просту
Я обучил модель на 10 000 код-ревью, чтобы отсеять мусор. Она начала предсказывать увольнения #почитать Я хотел решить простую инженерную задачу: отсеять «шум» в комментариях на код-ревью. Обучил модель на 10 000 примеров, получил точность 87%. Потом открыл список ошибок. Оказалось, модель научилась предсказывать увольнения сотрудников за два месяца до того, как они принесут заявление. Рассказываю, как «пустые» комментарии выдают выгорание и почему данные иногда знают о нас больше, чем мы сами. ✅Читать статью
186
19
152-ФЗ на практике: как найти и контролировать ПДн в базах данных 🔎 Персональные данные сегодня есть практически в каждой ко
152-ФЗ на практике: как найти и контролировать ПДн в базах данных 🔎 Персональные данные сегодня есть практически в каждой корпоративной системе: CRM, ERP, DWH, BI, служебных таблицах и выгрузках. Но в большинстве компаний отсутствует прозрачность: где именно хранятся персональные данные, кто имеет к ним доступ, сколько существует «теневых» копий, используются ли эти данные вообще и какие риски это создает для бизнеса. 📆 26 мая в 11:00 МСК приглашаем на бесплатный онлайн-вебинар: «Управление персональными данными: как выстроить контроль в базах данных и снизить риски по 152-ФЗ» На вебинаре разберем: 📊 что 152-ФЗ говорит про ПДн в СУБД и DWH 📊 как автоматически находить и классифицировать ПДн 📊 как выявлять лишние копии и неиспользуемые данные 📊 зачем нужен мониторинг использования ПДн 📊 как выстроить системный процесс контроля 📊 как снизить нагрузку на ИБ- и data-команды за счет автоматизации Также покажем практический сценарий мониторинга ПДн в СУБД — от сканирования базы до автоматических рекомендаций по снижению рисков. 👥 Вебинар будет полезен руководителям ИБ, архитекторам и руководителям DWH / BI, администраторам СУБД. 🎁 Бонус участникам — чек-лист по контролю персональных данных в СУБД и DWH. 🔗 Регистрация по ссылке
180
20
От чат-бота к AI агенту: собираем локальную систему на LibreChat, Langflow и MCP #почитать В прошлой статье мы строили локаль
От чат-бота к AI агенту: собираем локальную систему на LibreChat, Langflow и MCP #почитать В прошлой статье мы строили локальную систему для транскрибации аудио, а сегодня пойдём дальше и соберём локальную агентную AI-систему — без облаков и с контролем над данными. В этой статье я покажу, как собрать связку из трёх ключевых компонентов: 1. LibreChat — UI для работы с LLM 2. Langflow — low-code платформа и визуальный редактор 3. MCP — стандарт для подключения инструментов Статья построена по принципу «по нарастающей», где каждый новый уровень — это рабочий инструмент. Можно остановиться на любом этапе, а можно пройти все и тогда получите связку UI + инструменты + централизованная логика (и дальше ее можно развивать под свои сценарии). ✅Читать статью
132