![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.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. Личный блог автора - @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.tlmtr.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 19 795 suscriptores, ocupando la posición 6 510 en la categoría Tecnologías y Aplicaciones y el puesto 33 305 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 19 795 suscriptores.
Según los últimos datos del 30 agosto, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -152, y en las últimas 24 horas de -11, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.98%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 4.93% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 578 visualizaciones. En el primer día suele acumular 974 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 6.
- 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.
Личный блог автора - @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 agosto, 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.
19 795
Suscriptores
-1124 horas
-287 días
-15230 días
Archivo de publicaciones
![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dx&w=64&q=75){kind=small}
Repost from xCode Journal
🤯 Безумие
Парень заработал $5000 за 3 дня на своем пет-проекте — он создал то самое хайповое приложение, которое заставляет ваш Mac стонать от ударов.
А вы и дальше думайте над идеями стартапов
✖️ xCode Journal
Приходите на неформальную офлайн-встречу с командой R&D
Технологии, нетворкинг и «внутрянка» проектов — всё это ждёт вас на Welcome Time*, который пройдёт 11 апреля в штаб-квартире Яндекса в Москве.
💠 Приглашаем датасаентистов, дата-аналитиков и продуктовых аналитиков с опытом работы на Python** от трёх лет и опытом с LLM/VLM***
♾ В этот раз встречать вас будет команда R&D. Спикеры расскажут, зачем генеративным моделям нужны аналитики, как работают голосовые технологии Алисы и как её делают человечнее.
После докладов для желающих проведём диагностику навыков. Интервьюер подсветит ваши сильные стороны и покажет зоны роста. А хорошие результаты засчитаем как одну техническую секцию при прохождении собеседования в Яндекс.
🔗Подробная программа и регистрация — на сайте: https://yandex.ru/project/events/welcometimes-all
Repost from xCode Journal
🤣 Оказывается, Claude Code сохраняет все маты пользователя и записывает в специальный файл
Это не шутка: инфу откопали из-за случайного слива кода приложения. Хорошая новость в том, что Anthropic делает это не для того, чтобы в день восстания ИИ пройтись по списку, а чтобы отслеживать, когда юзер «сгорел» и перешел на маты и из-за чего пятая точка полыхнула.
Но вы на всякий случай держите себя в руках
✖️ xCode Journal
С тебя — желание работать над передовой генеративной языковой моделью.
С нас — классные условия и возможность попасть в Сбер за один день! 😉
4 апреля состоится One Day Offer* для NLP-специалистов, которые готовы изменить представление о возможностях ИИ и создать технологию будущего.
За последний год твоя будущая команда:
✔️ выпустила сильную русскоязычную модель GigaChat MAX уровня GPT-4
✔️открыла доступ к MoE-модели
А следующее достижение может быть уже с твоим участием. Регистрируйся по ссылке и будь готов к карьерному взлёту!
* One Day Offer — предложение о работе за один день.
* NLP-специалист — инженер по разработке больших языковых моделей
Repost from xCode Journal
🤩 ИИ помог основателю GitLab в борьбе с раком!
У Сида Сийбранди диагностировали редкую форму рака и стандартное лечение не помогало, а врачи больше ничего не могли предложить. Сид не опустил руки и начал действовать сам: собрал экспертов, погрузился в исследования и использовал для помощи ChatGPT, чтобы быстрее работать с научной литературой, анализировать множество данных о своем здоровье и искать варианты терапии.
Хоть ИИ сам не лечил рак (это делали люди), но модель помогла в РАЗЫ ускорить все тогда, когда каждый день на счету.
✖️ xCode Journal
Коротко. ИИ уже не «технология будущего», а рабочий инструмент настоящего.
Он пишет тексты, анализирует данные, автоматизирует продажи, создает изображения и экономит десятки часов в неделю.
Вопрос уже не в том, заменит ли ИИ людей.
Вопрос — кто научится использовать его быстрее.
Подборка сильных экспертов в сфере ИИ — ниже 👇 https://t.me/addlist/LG8Tb4Uy0NRiMmM6
Весь стек технологий в одной папке 📂⚙️
Мир ИИ меняется быстрее, чем мы успеваем обновлять ленту. Поэтому, мы собрали экспертную папку AI & IT & DSGN, которая поможет вам не просто следить за трендами, а использовать их в работе прямо сейчас.
Что внутри:
— Последние новости и прорывы в мире IT
— Внедрение ИИ-менторов в корпоративную культуру.
— Технологии Nvidia для геймдева и работы.
— Автоматизация дизайна: инструменты, которые экономят часы работы.
— Инструменты и лайфхаки для разработчиков и аналитиков
🔗 ПОДКЛЮЧИТЬ ПАПКУ
+1🚀 GigaChat 3.1 Ultra и GigaChat 3.1 Lightning в опенсорс под MIT лицензией!
Обе модели
• Обучены с нуля — без инициализации зарубежными весами
• MoE + MTP + MLA
• Совместимы с HuggingFace, llama.cpp / vLLM / SGLang
Код и веса уже на платформе GitVerse.
Это не просто релиз весов, а результат большой инженерной работы над качеством, alignment и стабильностью модели. В блоге команда поделилась результатами и своими наработками.
В релизе: высокие результаты на аренах, улучшенный function calling, решённая проблема циклов, DPO в нативном FP8, найденный и зарепорченный баг в SGLang при dp > 1.
Fine-tuning vs RAG: что эффективнее
Кажется, что есть два пути прокачать LLM:
👉 Fine-tuning — дообучить модель
👉 RAG (Retrieval-Augmented Generation) — дать доступ к базе знаний
И главный вопрос: что лучше?
Не существует «лучше». Есть «под задачу».
Разберёмся 👇
Что такое Fine-tuning?
Ты берёшь модель и доучиваешь её на своих данных. Модель: 👉 меняет веса 👉 «запоминает» стиль, паттерны, формат Это как переучить мозг модели. Хорошо подходит для: 👉 кастомного тона (support, юрист, врач) 👉 форматирования ответов 👉 специфичных паттерновЧто такое RAG?
Ты не меняешь модель. Ты даёшь ей доступ к внешним данным: 👉 запрос 👉 поиск по базе (vector DB) 👉 релевантные куски 👉 генерация ответа Это как открыть шпаргалку перед ответом. Хорошо подходит для: 👉 актуальной информации 👉 больших баз знаний 👉 документов, инструкций, FAQГде начинается реальная разница
1. Обновляемость Fine-tuning → нужно переобучать RAG → просто обновил базу 👉 если данные часто меняются — RAG выигрывает 2. Контроль над знаниями Fine-tuning → знания «размазаны» в весах RAG → ты точно знаешь источник 👉 RAG более контролируемый 3. Стоимость Fine-tuning → дорого (обучение + инференс) RAG → дешевле, но есть стоимость retrieval 4. Галлюцинации Fine-tuning → может уверенно «врать» RAG → опирается на документы 👉 RAG обычно надёжнее 5. Задержка (latency) Fine-tuning → быстрее RAG → медленнее (поиск + генерация)Когда Fine-tuning лучше
👉 нужно изменить стиль / тон 👉 есть чёткие шаблоны ответов 👉 данные стабильны 👉 нужна минимальная задержкаКогда RAG лучше
👉 часто обновляемые данные 👉 большая база знаний 👉 требуется объяснимость 👉 важно снизить галлюцинацииСамый важный инсайт
Это не конкуренты. Это связка. На практике делают так: 👉 Fine-tuning учит модель, как отвечать 👉 RAG даёт модели, что отвечатьВ одном предложении Fine-tuning меняет мозг модели, RAG даёт ей память.
Yandex B2B Tech объявила о старте грантовой программы для компаний, работающих с искусственным интеллектом.
Инициатива ориентирована на команды, которые создают цифровые продукты для внешнего рынка и планируют внедрить в них ИИ. Участникам предлагают финансирование до 1 млн рублей — эти средства можно направить на разработку ИИ-агентов и приложений на базе Yandex AI Studio в течение шести месяцев.
Помимо грантов, компании получают доступ к экспертной поддержке и помощи в продвижении. После окончания программы участникам предоставляется значительная скидка — до 70% — на использование платформы сроком до полугода.
В числе первых проектов:
— R77.ai, автоматизирующий проверку документов для банков и страховых с помощью машинного обучения
— Noumy.ai, разрабатывающий инструменты для анализа кандидатов и их поведения на интервью
— GO2AI, создающий ИИ-агентов для стратегического планирования и ускоряющий принятие решений с нескольких дней до часа
Дополнительно участники смогут рассчитывать на софинансирование маркетинговых активностей и размещение своих продуктов в маркетплейсе Yandex Cloud.
Repost from xCode Journal
🖥 Откопали интерактивный визуализатор алгоритмов — algorithm-visualizer
Внутри 70+ алгоритмов на JavaScript, Java и C++. Так что просто запускаем их и смотрим за пошаговым выполнением кода.
Полезно при обучении.
✖️ xCode Journal
Внедрить ИИ в бизнес — миссия выполнима?
💯 Узнайте ответ 9 апреля на закрытой встрече для предпринимателей и специалистов по машинному обучению.
Selectel, GlowByte и Data Sapience проведут мероприятие для тех, кто хочет автоматизировать бизнес-процессы с помощью ИИ. В программе — дискуссии о машинном обучении, обсуждение реальных кейсов и рабочих задач с экспертами. А также ужин и полезные знакомства.
Смотреть программу 💡
⏰ 9 апреля (чт), 18:00
📍 Москва, м. Динамо
Приходите, чтобы пообщаться со спикерами и получить экспертный разбор вашего кейса.
✅ Участие бесплатное, Дождитесь подтверждения заявки. Регистрируйтесь по ссылке: https://slc.tl/wt88c
Реклама. АО "Селектел". erid:2W5zFJN4RKe
Большой шаг вперёд для синтеза речи
Компания Qwen выложила в open source новую TTS-модель, которая умеет:
🔘 клонировать голоса
🔘 создавать новые
🔘 и даже управлять подачей речи через обычный текст
Можно просто написать:
«Говори бодро, но с лёгкой ноткой волнения» — и модель реально так и сделает
И всё это без сложной настройки аудио и танцев с инженерией звука.
Repost from xCode Journal
CEO Y Combinator выкатил свой сетап для Claude Code
Это целая виртуальная команда из 10+ ролей, которая живёт внутри CLI. Теперь мы живем в реальности, где один человек гоняет 5–10 агентов параллельно: они пишут код, тесты, сами находят баги и фиксят их. У самого Гарри получается до 10–20к строк кода в день при работе «параллельно с CEO».
По факту это превращает Claude в управляемый софтверный завод с ролями, процессами и гейтами.
✖️ xCode Journal
Управляй AI-сценариями со Сбером 🚀
Наша команда создает цифровую платформу, где ИИ — не просто помощник, а полноправный соавтор. Если тебе интересно экспериментировать с искусственным интеллектом и напрямую влиять на клиентский опыт — присоединяйся!
Что будешь делать:
➖ управлять полным циклом AI-продуктов: от идеи и прототипа до масштабирования и финансовых метрик;
➖ проектировать сценарии для GigaChat, работать с поведением LLM-моделей;
➖ анализировать рынок, декомпозировать задачи и обеспечивать синергию между командами.
Мы предлагаем: годовую премию, ДМС, обучение, современную технику и всё необходимое для комфорта и профессионального роста.
Стань частью команды, где всё возможно!
🎁 ВАМ ПОДАРОК
⠀
… даже несколько
⠀
Что будет, если собрать лучшие каналы в сфере AI, IT и бизнеса в одну ПАПКУ?
⠀
▪️Егор Никитин | event | нейросети
▪️Семён: Нейросети в каждый дом
▪️FOKIN MEDIA | Опыт в IT
▪️Руководитель. Ментор. Человек🤗
⠀
Можно получить👇
⠀
- пошаговый план, как построить карьеру в IT с нуля.
- узнать о нейронках, которые не только быстро генерят контент. Но и ведут переписки, совершают продажи, приводят новых клиентов
⠀
А еще забрать подарки👇
⠀
🎁промт для создания качественных офферов
🎁 промт для анализа конкурентов
🎁 промт для оценки упаковки.
⠀
Нажимайте сюда ➡️ ПАПКА и забирайте подарки.
⠀
❗️Забрать можно до 10 утра 24.03. Потом удалю пост
Уверенное владение математическим аппаратом — ключевой фактор для решения сложных задач в Data Science, ML и других it-специальностях.
Преподаватели МФТИ и создатели проекта Popmath приглашают вас на бесплатный вебинар "Как выучить математику во взрослом возрасте?"
На вебинаре вы получите ответы на ключевые вопросы:
🔴 Прикладная математика: Какие разделы наиболее критичны для современных IT-специальностей
🔵 Эффективность обучения: Почему академический подход часто не работает и как выстроить процесс с максимальным КПД
🟠 Актуальные методики: Какие образовательные технологии позволяют в сжатые сроки восстановить и систематизировать знания
Дата: 23 марта
Время: 20:00 по МСК
Длительность: 1 час + ответы на вопросы
➡️ Для регистрации пишите нам!
или ознакомьтесь со страницей вебинара и оставьте заявку там
🔻 Всем участникам вебинара скидка 10% на 4-х месячный онлайн-курс "Математика с нуля для взрослых", который начнётся уже 26 марта🔺
Как бороться с переобучением в нейросетях
Переобучение — это момент, когда модель:
👉 отлично знает train
👉 и вообще не понимает реальный мир
Она запоминает, а не обобщает.
Разберём, как с этим бороться 👇
1. Больше данных (самый честный способ)
Чем больше данных — тем сложнее модели заучить шум.
Что можно сделать:
👉 собрать новые данные
👉 использовать data augmentation
👉 синтетически расширить выборку
В CV и NLP это часто даёт лучший эффект, чем любые трюки с архитектурой.
2. Regularization (штраф за “слишком умную” модель)
👉 L1 / L2 регуляризация
→ штрафуют большие веса
Интуитивно:
модель становится проще и меньше переобучается
3. Dropout — случайное “забывание” нейронов
Во время обучения случайные нейроны отключаются.
Что это даёт:
👉 модель не может опираться на конкретные нейроны
👉 учится быть более устойчивой
Обычно:
👉 0.2 – 0.5 dropout rate
4. Early Stopping — остановись вовремя
Следим за валидацией:
👉 train loss ↓
👉 val loss сначала ↓, потом ↑
Как только val начинает расти — останавливаем обучение
Это один из самых эффективных и недооценённых методов.
5. Упростить модель
Иногда решение самое простое:
👉 меньше слоёв
👉 меньше параметров
👉 проще архитектура
Большая модель = больше шанс переобучения.
6. Batch Normalization
Помогает:
👉 стабилизировать обучение
👉 немного снижает переобучение
Но это не silver bullet — скорее бонус.
7. Data Augmentation
Особенно важно для:
👉 CV (повороты, шум, кропы)
👉 NLP (перефразирование, замены)
Модель видит больше вариантов одного и того же объекта.
8. Правильная валидация
Если у тебя плохой split —
ты даже не поймёшь, что модель переобучилась.
Используй:
👉 train / val / test
👉 k-fold (если мало данных)
Главный инсайт
Переобучение — это не ошибка модели.
Это сигнал, что:
👉 либо мало данных
👉 либо модель слишком сложная
👉 либо процесс обучения настроен плохо
В одном предложении
Чтобы победить переобучение —
либо добавь информации (данные), либо убери сложность (модель).
