![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dl&w=48&q=75){kind=small}
Data Science | Machinelearning [ru]
Ir al canal en Telegram
Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. MAX - https://max.ru/devsp Личный блог - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD
Mostrar más![Frontender's notes [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1qrVZ3%2F5348049928330532677%3Fty%3Dx&w=32&q=75){kind=small}
Red:📈 Análisis del canal de Telegram Data Science | Machinelearning [ru]
El canal Data Science | Machinelearning [ru] (@devsp) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 19 699 suscriptores, ocupando la posición 6 678 en la categoría Tecnologías y Aplicaciones y el puesto 33 376 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 19 699 suscriptores.
Según los últimos datos del 30 octubre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -99, y en las últimas 24 horas de -7, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.92%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 4.70% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 561 visualizaciones. En el primer día suele acumular 925 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 4.
- Intereses temáticos: El contenido se centra en temas clave como llm, nvidia, контекст, openai, архитектура.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM.
MAX - https://max.ru/devsp
Личный блог - @just_genych
По вопросам рекламы или разработки - @g_abashkin
РКН: https://vk.cc/cJPGXD”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 31 octubre, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
19 699
Suscriptores
-724 horas
-147 días
-9930 días
Archivo de publicaciones
![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dx&w=64&q=75){kind=small}
СРОЧНО❗️Закидываем мастхев-каналы для Python и Java разработчиков.
➡️Прокачай свои хард-скиллы на максимум:
Pythoner и Javer
➡️Сотни гигов платных материалов, книг и статей:
Книжный python и Библиотека Java
➡️Скрипты, фишки и конечно же мемы:
IT HUB и Memes
Доступ открыли на 48 часов, успейте подписаться! ⚡
🔥 Дообучаем языковую модель GPT2 с помощью Torch
Статья углубляется в дообучение языковых моделей, используя DistilGPT2 на данных QuyenAnhDE/Diseases_Symptoms. Рассматривается процесс настройки модели для генерации симптомов на основе заболеваний, с возможностью расширения логики.
Читать...
🔄 Архитектура — это не схема, а привычка
Ты можешь нарисовать идеальную схему слоёв и связей. Но если каждый в команде её игнорирует — она мертва.
👉 Совет: внедряй архитектуру через повседневные действия: шаблоны PR, линтеры, примеры. Пусть правильный подход становится нормой, а не лекцией. Настоящая архитектура — это то, что работает без напоминания.
✔️ Big Data мертвы, да здравствуют Smart Data
Давайте рассмотрим концепцию Smart Data и выясним, действительно ли Big Data превращаются во что-то более интеллектуальное.
Читать...
⚡️Соберите свой первый проект для портфолио аналитика
Как получить коммерческий опыт до выхода на первую работу, положить в портфолио классный пет-проект и впечатлить работодателя умением не просто действовать по шаблону, а сходу решать задачи бизнеса?
Для этого мало просто разбираться в Python и SQL, нужно набивать руку на реальных кейсах бизнеса и тренировать насмотренность — смотреть на то как бизнесу растят метрики опытные аналитики.
Решить такой кейс и добавить его к себе в портфолио можно будет на вебинаре с Андроном Алексаняном, аналитиком с 8 летним опытом и по совместительству CEO Simulative.
В прямом эфире он решит реальный кейс компании: проанализирует продажи на Wildberries с помощью Python, чтобы создать эффективную стратегию — будет в разы быстрее, чем с использованием любых других инструментов.
Что будем на вебинаре:
🟠Напишем скрипт на Python, который каждый час собирает статистику о ранжировании карточки на WB по ключевым запросам;
🟠Построим наглядные визуализации для отслеживания динамики ранжирования.
🟠Обсудим, как упаковать этот проект в идеальное портфолио.
😶Зарегистрироваться на бесплатный вебинар
🤔 Прогнозирование продаж с использованием библиотеки Prophet
Статья посвящена прогнозированию продаж FTTB-FMC для ежедневной отчетности. Рассматриваются подходы к анализу данных, ключевые KPI и методы, используемые для прогнозирования продаж в сегменте ШПД и конвергентных продуктов.
Читать...
⚙️ Что такое декораторы в Python и как они работают?
Декораторы — это функции в Python, которые принимают другую функцию в качестве аргумента и возвращают новую функцию с добавленным поведением. Это удобный способ модификации или расширения функциональности без изменения исходного кода функции.
➡️ Пример:
# Декоратор для логирования вызовов функции
def log_call(func):
def wrapper(*args, **kwargs):
print(f"Вызов функции {func.__name__} с аргументами: {args}, {kwargs}")
result = func(*args, **kwargs)
print(f"Результат: {result}")
return result
return wrapper
# Применение декоратора
@log_call
def add(a, b):
return a + b
add(3, 5)🗣️ В этом примере декоратор log_call добавляет логирование вызовов и результатов функции add. Декораторы позволяют делать код более модульным и удобным для повторного использования.🖥 Подробнее тут
🤖 Как развернуть LLM с помощью vLLM и TorchServe
Хочешь запустить большую языковую модель в продакшене, но не знаешь, как совместить простоту развертывания с промышленной надежностью? Комбинация vLLM и TorchServe решает эту задачу. Она обеспечивает как простой запуск, так и продвинутые возможности для масштабирования.
Читать...
Отдельный трек по DS — на E-CODE
13 и 14 сентября команда разработки ведущего e-com страны Ozon Tech устраивает масштабное IT-событие E-CODE 2025. Идеальный мэтчинг с Днём разработчика, правда?
E-CODE — это пространство, где доклады, лекции, нетворк и 1х1 идеально сочетаются с атмосферой вечеринки. И если вторая часть точно понравится всем, то на первую DS-инженерам стоит обратить особое внимание.
Ozon Tech приглашает экспертов от лидеров отрасли. Программа скоро появится на сайте — уверены, что вам понравится. Поэтому рекомендуем поторопиться с заявкой.
Оформить билет на E-CODE
➡️ Matrix Reloaded: зачем дата-сайентисту линейная алгебра
Рассказываю, как векторы, матрицы и собственные значения помогают понимать ML-модели. Без теорем и нотаций — только визуалки и живые кейсы с работы.
Читать...
🤔Задача: посчитай людей и лошадей на фото
На изображении находятся люди и лошади. Ваша задача — с помощью готовой нейросети:
🔵Распознать всех людей и лошадей на изображении.
🔵Посчитать количество каждого из двух классов.
🔵Вывести финальное изображение, где каждый объект обведён прямоугольником и подписан (например, Horse, Person).
🔎 Что уже есть:
🔵Предобученная модель
🔵Изображения с людьми и лошадьми.
📌 Что нужно сделать:
🔵Загрузить изображение.
🔵Применить модель к нему.
🔵Отфильтровать результаты по нужным классам (person, horse).
🔵Подсчитать объекты.
🔵Визуализировать: обводки + текстовая сводка.
🎁 Пройдите вступительное тестирование на сайте и активируйте промо-код на курс «Компьютерное зрение» : CVA07 до 07.08.2025г.
🆓Узнайте больше об обучении в OTUS на бесплатных вебинарах
Решение задачи и задание в описании вебинара на сайте ➡️ ПЕРЕЙТИ НА САЙТ
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, erid: 2VtzqufoQxF
📈 Подборка статей для вашей карьеры
• Вся правда о еженедельных созвонах, или Зачем переливать из пустого в порожнее?
• Тяжела и неказиста жизнь простого RnD. Часть первая: как работают с новыми технологиями в крупных компаниях
• Прийти на внедренный проект на этапе развития системы: как аналитику быстро погрузиться в процессы
• Как гуманитарию подойти к IT: из переводчика в технические писатели
• Поздравляем, вы DevOps-инженер. Как найти себя в необъятном мире ИТ
🤔 3750 дней разработки AI или почему боты всё ещё не захватили покер
Статья рассматривает создание AI для покера (Техасского безлимитного холдема) и анализирует его сложность как модели бизнес-отношений. Обсуждаются метрики и стратегии, которые игроки используют в изменяющемся контексте для принятия решений.
Читать...
Отбор статей в научный журнал конференции AI Journey 2025: лови миллион за прорывное исследование!
Открыт конкурс научных статей в журнал Международной конференции AI Journey с призовым фондом 1 000 000 рублей!
Ключевые работы будут опубликованы в спецвыпуске журнала «Доклады РАН. Математика, информатика, процессы управления» и его англоязычной версии Doklady Mathematics (индексируется в Scopus/WoS).
Что ждёт автора лучшей статьи?
- Шанс выиграть крутой денежный приз
- Возможность представить исследования на главной AI-площадке страны
Правила жёсткие, но игра стоит свеч:
• Только оригинальные исследования (никакого плагиата!)
• Принимаются работы на русском и английском
• Дедлайн — 20 августа (успей подать заявку!)
Узнать подробности по ссылке: https://aij.ru/science
🔥 Самые интересные статьи за последние дни:
• Реализация подобия Apple Vision Pro
• Почему LLM так плохо играют в шахматы (и что с этим делать)
• LLM будут врать вечно
• Как мы создали LLM-модель Cotype Nano
• Человек и LLM: как построить метрики для оценки моделей
🎤 Векторный поиск в YDB: семантический поиск в СУБД
В блоге Яндекса рассказали о запуске векторного поиска в СУБД YDB, полностью разработанная в России с такой функциональностью. Технология позволяет искать по смыслу, а не по ключевым словам: тексты, изображения, аудио и видео переводятся в эмбеддинги и индексируются в базе.
Реализация включает точный и приближенный режимы, подходит для RAG, ИИ-ассистентов и рекомендательных систем. Уже используется в «Алисе», теперь доступна и внешнему бизнесу — в облаке и on-premises.
Читать...
👩💻 Задачка по Python
Напишите функцию, которая принимает список чисел и возвращает все значения, которые являются выбросами. Выбросы определяются как значения, которые находятся ниже первого квартиля (Q1) минус 1.5 * IQR или выше третьего квартиля (Q3) плюс 1.5 * IQR, где IQR — межквартильный размах.
➡️ Пример:
Входной список: [10, 12, 14, 15, 15, 16, 16, 16, 17, 18, 19, 100] Ожидаемый вывод: [100]Решение задачи ⬇️
import numpy as np def find_outliers(data): q1 = np.percentile(data, 25) q3 = np.percentile(data, 75) iqr = q3 - q1 lower_bound = q1 - 1.5 * iqr upper_bound = q3 + 1.5 * iqr return [x for x in data if x < lower_bound or x > upper_bound] # Пример использования: input_data = [10, 12, 14, 15, 15, 16, 16, 16, 17, 18, 19, 100] result = find_outliers(input_data) print(result) # Ожидаемый результат: [100]
➡️ Семантическая сегментация: самый полный гайд
Статья раскрывает, как семантическая сегментация помогает машинам «видеть», разбивая изображение на классы объектов. Обсуждаются её применение в автономных авто, медицине и обработке спутниковых снимков для точного распознавания контекста.
Читать...
🤔 Prompt Me One More Time. Учим LLM строить графы знаний из текстов
Статья описывает метод, разработанный для автоматического наполнения графов знаний с помощью LLM, что снижает вероятность «галлюцинаций» и повышает точность ответов. Решение Prompt Me One More Time подробно представлено на TextGraphs-17 конференции ACL-2024.
Читать...
Получи грант на обучение в Центральном университете
Несгораемый грант до 2 800 000 Р на учебу в бакалавриате Центрального университета.
Подробнее о гранте:
– Покрывает до 100% стоимости обучения
– Выдается на все 4 года обучения в вузе
– Сумма гранта не уменьшается, а может увеличиться за дополнительные достижения и успехи в учебе.
Для учеников 10-х и 11-х классов. Участвуй в отборе!
Подать заявку
#реклама
apply.centraluniversity.ru
О рекламодателе
