Data Science
Ir al canal en Telegram
DS По всем вопросам- @haarrp @ai_machinelearning_big_data - machine learning @pythonl - Python @itchannels_telegram - 🔥 best it channels @ArtificialIntelligencedl - AI @pythonlbooks-📚 @programming_books_it -📚 Реестр РКН: https://clck.ru/3Fk3zS
Mostrar más
Red:📈 Análisis del canal de Telegram Data Science
El canal Data Science (@datascienceiot) es un actor destacado. Actualmente la comunidad reúne a 42 628 suscriptores, ocupando la posición 3 136 en la categoría Tecnologías y Aplicaciones y el puesto 14 796 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 42 628 suscriptores.
Según los últimos datos del 25 octubre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 2, y en las últimas 24 horas de -5, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.21%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 2.47% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 2 648 visualizaciones. En el primer día suele acumular 1 053 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 0.
- Intereses temáticos: El contenido se centra en temas clave como llm, агентов, api, октября, разработчиков.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“DS
По всем вопросам- @haarrp
@ai_machinelearning_big_data - machine learning
@pythonl - Python
@itchannels_telegram - 🔥 best it channels
@ArtificialIntelligencedl - AI
@pythonlbooks-📚
@programming_books_it -📚
Реестр РКН: https://clck.ru/3...”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 26 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.
42 628
Suscriptores
-524 horas
+917 días
+230 días
Cargando datos
Canales Similares
![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dx&w=96&q=75){kind=small}
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
octubre '26oct '26
octubre '26
+251
en 3 canales
septiembre '26
+284
en 1 canales
Get PRO
agosto '26
+486
en 2 canales
Get PRO
julio '26
+594
en 3 canales
Get PRO
junio '26
+156
en 2 canales
Get PRO
mayo '26
+183
en 2 canales
Get PRO
abril '26
+170
en 4 canales
Get PRO
marzo '26
+338
en 2 canales
Get PRO
febrero '26
+499
en 2 canales
Get PRO
enero '26
+687
en 0 canales
Get PRO
diciembre '25
+380
en 2 canales
Get PRO
noviembre '25
+530
en 2 canales
Get PRO
octubre '25
+374
en 1 canales
Get PRO
septiembre '25
+587
en 7 canales
Get PRO
agosto '25
+609
en 1 canales
Get PRO
julio '25
+750
en 3 canales
Get PRO
junio '25
+525
en 1 canales
Get PRO
mayo '25
+454
en 3 canales
Get PRO
abril '25
+560
en 11 canales
Get PRO
marzo '25
+573
en 4 canales
Get PRO
febrero '25
+545
en 7 canales
Get PRO
enero '25
+842
en 20 canales
Get PRO
diciembre '24
+848
en 5 canales
Get PRO
noviembre '24
+1 777
en 32 canales
Get PRO
octubre '24
+1 710
en 6 canales
Get PRO
septiembre '24
+1 402
en 7 canales
Get PRO
agosto '24
+1 164
en 4 canales
Get PRO
julio '24
+1 033
en 7 canales
Get PRO
junio '24
+1 066
en 7 canales
Get PRO
mayo '24
+1 000
en 37 canales
Get PRO
abril '24
+935
en 45 canales
Get PRO
marzo '24
+1 187
en 22 canales
Get PRO
febrero '24
+1 142
en 3 canales
Get PRO
enero '24
+1 230
en 45 canales
Get PRO
diciembre '23
+687
en 42 canales
Get PRO
noviembre '23
+382
en 3 canales
Get PRO
octubre '23
+1 012
en 20 canales
Get PRO
septiembre '23
+872
en 0 canales
Get PRO
agosto '23
+747
en 0 canales
Get PRO
julio '23
+560
en 0 canales
Get PRO
junio '23
+865
en 0 canales
Get PRO
mayo '23
+1 528
en 0 canales
Get PRO
abril '23
+363
en 0 canales
Get PRO
marzo '23
+417
en 0 canales
Get PRO
febrero '23
+423
en 0 canales
Get PRO
enero '23
+472
en 0 canales
Get PRO
diciembre '22
+770
en 0 canales
Get PRO
noviembre '22
+380
en 0 canales
Get PRO
octubre '22
+534
en 0 canales
Get PRO
septiembre '22
+578
en 0 canales
Get PRO
agosto '22
+1 100
en 0 canales
Get PRO
julio '22
+464
en 0 canales
Get PRO
junio '22
+366
en 0 canales
Get PRO
mayo '22
+403
en 0 canales
Get PRO
abril '22
+514
en 0 canales
Get PRO
marzo '22
+462
en 0 canales
Get PRO
febrero '22
+304
en 0 canales
Get PRO
enero '22
+400
en 0 canales
Get PRO
diciembre '21
+287
en 0 canales
Get PRO
noviembre '21
+224
en 0 canales
Get PRO
octubre '21
+1 533
en 0 canales
Get PRO
septiembre '21
+382
en 0 canales
Get PRO
agosto '21
+412
en 0 canales
Get PRO
julio '21
+507
en 0 canales
Get PRO
junio '21
+611
en 0 canales
Get PRO
mayo '21
+555
en 0 canales
Get PRO
abril '21
+404
en 0 canales
Get PRO
marzo '21
+456
en 0 canales
Get PRO
febrero '21
+411
en 0 canales
Get PRO
enero '21
+729
en 0 canales
Get PRO
diciembre '20
+10 299
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 26 octubre | 0 | |||
| 25 octubre | +4 | |||
| 24 octubre | +2 | |||
| 23 octubre | +10 | |||
| 22 octubre | +11 | |||
| 21 octubre | +91 | |||
| 20 octubre | +7 | |||
| 19 octubre | +5 | |||
| 18 octubre | +18 | |||
| 17 octubre | +29 | |||
| 16 octubre | +1 | |||
| 15 octubre | +2 | |||
| 14 octubre | +5 | |||
| 13 octubre | 0 | |||
| 12 octubre | +6 | |||
| 11 octubre | +4 | |||
| 10 octubre | +5 | |||
| 09 octubre | 0 | |||
| 08 octubre | 0 | |||
| 07 octubre | +5 | |||
| 06 octubre | +10 | |||
| 05 octubre | +8 | |||
| 04 octubre | +22 | |||
| 03 octubre | +2 | |||
| 02 octubre | 0 | |||
| 01 octubre | +4 |
Publicaciones del Canal
Бесплатная книга о больших языковых моделях – 315 страниц от предобучения до рассуждений.
Foundations of Large Language Models Тун Сяо и Цзинбо Чжу системно объясняет, как устроены LLM, как их обучают и применяют.
Внутри шесть основных тем:
- Предобучение: задачи обучения и архитектуры моделей.
- Генеративные модели: Transformer, подготовка данных, масштабирование и длинный контекст.
- Промптинг: обучение на примерах в контексте, декомпозиция задач, RAG и инструменты.
- Выравнивание: обучение выполнению инструкций и использование человеческой обратной связи.
- Инференс: декодирование, ускорение и дополнительные вычисления во время генерации.
- Рассуждения: методы улучшения способности решать сложные задачи.
Авторы делают акцент на фундаментальных принципах. Материал подойдёт студентам, разработчикам и ML-инженерам, которым хочется связать отдельные знания о LLM в целостную картину.
Книга на английском. Базовые знания машинного обучения и нейросетей помогут при чтении.
Скачать PDF бесплатно:
https://arxiv.org/pdf/2501.09223
| 2 |  Working with Agentic `Teammates': When a New Organizational Actor Collides with the Human Ecosystem of Work
📓 Read
@datascienceiot | 1 049 |
| 3 |  The Geometry of Agent Memory: Forecasting Retrieval-Bound Memory Failures, and Characterizing Its Limits
📓 Read
@datascienceiot | 1 479 |
| 4 |  At the Limits of Computability: Steps Towards Autonomous AI Discovery on the Busy Beaver Frontier
📓 Read
@datascienceiot | 1 842 |
| 5 |  Patch the Planet: global response coordination as agents uncover critical vulnerabilities
https://openai.com/index/coordinated-disclosure-of-critical-vulnerabilities/ | 1 939 |
| 6 | Зачем готовиться к собеседованию вслепую, если можно заранее посмотреть, какие будут вопросы и задачи?
Ребята из Поступашек уже 6 лет собирают реальные задания и разборы собеседований в BigTech. Там можно найти не только сами вопросы, но и разборы технических секций, критерии оценки и рекомендации по подготовке.
Собрали подборку полезных материалов под разные направления:
➡️ Аналитикам:
— Собеседования на продуктового и бизнес-аналитика в Т-Банке 🟨
— Что спрашивают по A/B-тестированию в X5 🌿 , разбор собес на DS в Яндекс 🟥
➡️ Разработчикам:
— Go и System Design в Ozon 🔵, GO в Авито😎
— Банк алгоритмических собеседований из BigTech
➡️ ML/AI-инженерам:
— Все вопросы на ML-собеседование в Яндексе 🟥 и ML в Авито 😎
— 10 кейсов по ML System Design в Т-Банке 🟨
➡️ Тем, кто ищет первую стажировку:
— Как получить стажировку в 2026 году
— Где взять опыт, если его нет
В Поступашках регулярно выходят новые разборы собеседований, карьерные гайды, стажировки и инсайды о найме в BigTech.
Лучше увидеть эти вопросы до собеседования, чем узнать о них после отказа
ПОСТУПАШКИ ПОДПИСАТЬСЯ | 2 013 |
| 7 |  The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock
📓 Read
@datascienceiot | 2 467 |
| 8 |  🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд. | 2 124 |
| 9 |  LLM-to-Flow Distillation: Teaching Natural Language Goals to Scientific Generators
📓 Read
@datascienceiot | 2 101 |
| 10 |  С вас идея, а Т-Банк за нее заплатит
В Т-Банке ищут трейдеров, разработчиков и тех, кто просто увлекается инвестициями. Зарегистрируйтесь на программу «Инвест. Премаркет» до 11 ноября.
Ваши AI-сценарии для бизнеса смогут побороться за призовой фонд программы — 2 500 000 ₽. А сами идеи Т-Банк поможет масштабировать и сделать частью бизнеса.
Успейте подать заявку до 11 ноября | 2 196 |
| 11 |  Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling
📓 Read
@datascienceiot | 2 376 |
| 12 |  +1Agentic Large Language Models
📓 Book
@datascienceiot | 2 625 |
| 13 |  Physical AI: почему научить робота брать предметы сложнее, чем кажется
Манипуляция объектами остаётся одной из актуальных задач робототехники. Антропоморфному роботу нужно оценить положение объекта, рассчитать силу захвата и скорректировать движение до того, как предмет упадёт. Отдельная проблема — генерализация: модели пока с трудом применяют освоенные навыки в новых условиях, поэтому о массовом появлении домашних роботов говорить рано.
Как решаются эти задачи и на что уже способны современные роботы, разобрали CEO MWS Павел Воронин и руководитель Лаборатории интеллектуальной космической робототехники Сколтеха Дмитрий Тетерюков.
Посмотреть выпуск подкаста «Паша AI AI AI» — тут.
@datascienceiot | 2 747 |
| 14 |  Catching Developers in the Flow: Low-Latency Agentic Program Repair at Google Scale
📓 Read
@datascienceiot | 3 163 |
| 15 |  📌Baseten выпустила бесплатный учебник по инженерии инференса
Платформа, которая хостит модели Cursor, Notion и Harvey, выложила в открытый доступ книгу Inference Engineering за авторством Филипа Кайли. который четыре года работает в Baseten и написал её по интервью с инженерами компании и собственным докладам.
Среди рецензентов - автор FlashAttention Три Дао.
Книга собирает в одном месте путь от выбора модели и GPU до мониторинга работающего сервиса.
Baseten основана в 2019 году тремя выходцами из Gumroad, четвёртым сооснователем стал Панкадж Гупта из Uber.
Компания продаёт выделенные развёртывания открытых и собственных моделей клиентов, готовые Model APIs и инфраструктуру для дообучения, а также развивает открытый фреймворк упаковки моделей Truss.
Восемь глав объясняют, как сформулировать требования к продукту, как устроены модели и где они тормозят, прежде всего в механизме внимания, разбирают GPU NVIDIA поколений Hopper и Blackwell и программный уровень, от CUDA и PyTorch до движков vLLM, SGLang, TensorRT-LLM и Dynamo.
Отдельные главы посвящены методам ускорения, моделям для речи, изображений и видео, а также эксплуатации - от автомасштабирования и батчинга до постепенной выкатки новых версий.
Новичку книга даёт карту области и порядок действий - как определить задачу, бюджет задержки, стоимости и подобрать модель, а в последующем заняться оптимизацией.
Базовые понятия вроде предзаполнения, декодирования и KV-кэша объяснены с нуля, а незнакомые термины можно найти в глоссарии.
Опытным инженерам будут интересны пороги и практические правила. Для каждой техники ускорения автор объясняет, как она устроена, при каком трафике и размере модели окупается и чем рискует качество ответов.
Отдельно сравниваются движки инференса и разобраны задачи эксплуатации, которые обычно приходится решать методом проб и ошибок.
Последний раздел посвящён продуктам компании, а оборудование рассматривается почти целиком на примере NVIDIA, другим ускорителям отведено около двух страниц.
🔜 Запросить книгу бесплатно в форматах PDF, EPUB или аудиоверсию
@ai_machinelearning_big_data
#AI #ML #Inference #Book #Baseten | 2 760 |
| 16 |  Бесплатные учебники по математике от профессора Университета Альберты
Джереми Сильвестр, доцент кафедры математики Университета Альберты, выложил свои учебники в открытый доступ. Их можно читать онлайн, а часть скачать в PDF.
Главная находка здесь Discover Linear Algebra, полноценный курс линейной алгебры на два семестра. Для тех, кому нужно быстрее, есть сокращённая версия на один семестр. Для ML это база: векторы, матрицы, собственные значения, разложения и всё, на чём держатся нейросети.
Ещё два учебника: Calculus Concepts & Modelling по матанализу и дифференциальным уравнениям с упором на моделирование и Elementary Foundations по дискретной математике и логике, который автор обещает скоро открыть полностью.
Хороший вариант, если хочется подтянуть математику под машинное обучение по нормальным университетским учебникам и бесплатно.
https://sites.ualberta.ca/~jsylvest/ | 2 560 |
| 17 |  Подключить ИИ-агента к базе просто. Определить, что ему разрешено делать, сложнее.
Пока агент только отвечает в чате, его ошибку можно заметить и исправить. Когда он получает доступ к данным, внешним API и исполнению кода, ошибка уже может превратиться в действие.
Поэтому заранее стоит определить: какие данные агент видит, какие инструменты вызывает и какие операции требуют проверки.
Эти вопросы разбирает «Лаборатория Касперского» в руководстве «Безопасность ИИ-агентов через призму кибериммунитета». Внутри: атаки через контекст на примере EchoLeak, SearchLeak и CamoLeak, границы доверия к LLM и подходы к изоляции инструментов.
Пригодится разработчикам и архитекторам, которые внедряют агентов в реальные процессы.
Скачать | 2 445 |
| 18 |  +1📚 280 страниц о машинном обучении в инвестициях от J.P. Morgan
Big Data and AI Strategies Марко Колановича и Раджеша Кришнамачари: масштабный отчёт о том, как использовать ML и альтернативные данные для анализа рынков.
Внутри:
• Какие данные могут дополнять финансовую отчётность: соцсети, поисковые запросы, транзакции и другие источники.
• Как оценивать их качество и полезность.
• Обзор методов машинного обучения для анализа данных.
• Возможности и ограничения применения этих подходов в инвестициях.
Отчёт вышел в 2017 году. Его стоит читать как фундаментальный материал по ML и данным в финансах, учитывая возраст примеров.
PDF доступен бесплатно, на английском:
📓 Книга
@datascienceiot | 3 780 |
| 19 |  Handbook on Understanding Harness Engineering for AI Agents
📓 Read
@datascienceiot | 2 910 |
| 20 |  📚 Обновили огромный учебник по математике для Computer Science и Machine Learning - 2220 страниц.
Внутри сразу несколько фундаментальных тем:
— алгебра
— топология
— дифференциальное исчисление
— теория оптимизации
— математический аппарат для CS и ML
Хороший вариант, если хочется не просто использовать формулы в ML, а понимать, откуда они берутся и почему работают.
Книга доступна здесь:
https://www.cis.upenn.edu/~jean/gbooks/ | 7 889 |
