¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
🏆 Data Feeling | AIeron
Ir al canal en Telegram
IT предприниматель и препод 🧑🏫 ex-ML лидер в Dodo Brands 🦤🍕 Прокачиваю людей в Data Science 🚀 Победитель Stepik Awards 🏆 Kaggle Expert 🤹♀️ Создатель @Speakadora_bot @big_llm_course РКН https://clik.now/datafeeling Алерон @Ale_v2
Mostrar más📈 Análisis del canal de Telegram 🏆 Data Feeling | AIeron
El canal 🏆 Data Feeling | AIeron (@datafeeling) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 14 699 suscriptores, ocupando la posición 717 en la categoría Marketing y relaciones públicas y el puesto 45 387 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 14 699 suscriptores.
Según los últimos datos del 19 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -81, y en las últimas 24 horas de -6, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 19.05%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 7.37% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 2 801 visualizaciones. En el primer día suele acumular 1 084 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 28.
- Intereses temáticos: El contenido se centra en temas clave como лот, n8n, бразилия, пет, санкция.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“IT предприниматель и препод 🧑🏫
ex-ML лидер в Dodo Brands 🦤🍕
Прокачиваю людей в Data Science 🚀
Победитель Stepik Awards 🏆
Kaggle Expert 🤹♀️
Создатель @Speakadora_bot @big_llm_course
РКН https://clik.now/datafeeling
Алерон @Ale_v2”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 20 junio, 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 Marketing y relaciones públicas.
14 699
Suscriptores
-624 horas
-57 días
-8130 días
Archivo de publicaciones
14 698
Увлекся испытательными соревнованиями от MADE 🧐 по рекомендательным системам. Как итог, поступил к ним на программу😳🏆
Если кто еще не слышал, то это продвинутая школа анализа больших данных от Mail.Ru. Как ШАД только более прикладная направленность.
Что меня подкупило - организаторы отбирают по результатам соревнования типо как на Kaggle. 💪
#что_ж_иду_в_MADE
#ШАД_пусть_отдохнет
#OzonMasters_тоже_пушка
14 698
👉 Ссылка на онлайн-встречу "Путь грандмастера Kaggle"
Залетайте:) Следующая такая возможность будет не скоро
14 698
Друзья,
Уже сегодня в 16:00 по Мск
👉 онлайн-встреча с грандмастером Kaggle.🏆🔥🚀
Спикер:
👉 Захар Чикишев,
- Выпускник МФТИ-04
- Большой опыт работы в Data Science
На встрече вы сможете задать любой вопрос Захару, а так же узнать о:
– опыте участия в Kaggle соревнованиях
– с чего начать новичку сейчас🤓
Лекция будет интересна тем, кто:
– интересуется Data Science
– планирует принять участие в одном из соревнований
👉Ссылка на zoom будет выложена чуть позже тут
14 698
#Трюк № 21 - Псевдолэйблы🤥
Если вам хочется докинуть в модель данных, чтоб поднять скор, то возьмите эти данные из теста.🤪
Звучит безумно, скажите вы, ведь там нет ответов - и будите правы! Однако Kaggle-волков это не останавливает.
Все просто. Обучаем модель на тренировочной выборке (train).
Размечаем тестовую выборку, которая предложена вам для отправки на лидер борд. (Теперь в тесте есть ответы).
Переобучаем модель на тренировочной + свеже-размеченном тестовой выборках.
Снова делаем предсказание на тестовой выборке и засылаем наш сабмит. 🎯
На моей практике, при хорошей модели и соотношении train:test примерно 3:1 это часто дает прирост точности.📈
Почему работает? У вашей модели больше данных, что дает ей чуть лучше выучиться. Да, в разметке будут ошибки, но будет и большинство правильных ответов. Последнее все компенсирует.⚔️
14 698
#Трюк №16 - фильтрация 🪣
Вы же тоже часто смотрите на важность признаков в вашей модели? Иначе как понять, на что обращает внимание ваша модель?!
И вот вы смотрите на гистограмму важности признаков, и что дальше?) Что с этим делать?) Ничего?
Вот вам трюк🏂 - заранее генерируем случайный признак и далее смело выбрасываем все признаки, которые рандомный признак отсек. Взлет скора модели гарантирован✈️
Почему это работает? Если случайный признак оказался важнее имеющихся, то скорее всего в них нет никакой полезной информации - разумнее их убрать из модели.
14 698
Саш, как подготовиться к собеседованию по Data Science? ⚔️ Где взять вопросы? Что читать? Можешь меня поспрашивать? 🤼♀️
Обычно всем кентам кидаю вот этот набор вопросов github.com/a-milenkin/testovoe 🗂 тут под 500 вопросов, не меньше. Прям не соскучишься. Сам перед собеседованиями гонял себя по нему 🏋️♀️ Это то что вам надо) 🎯
И хватит уже теряться при вопросе - что такое линейная регрессия📈
#собеседование #вопросы #до_мидла_за_ночь
14 698
Шафл, господа!!! 🔀
Что ж, теперь время писать историю - «как я выиграл свою первую медаль на Kaggle»🥉🥳😱
На 100 позиций вверх за ночь! 🚀Это чума 🤪
14 698
Думаю, стоит ли написать историю - Как я НЕ выиграл хакатон на Kaggle.😅 Не хватило 0.001 до 🥉 Смотри скрин)
Пишите в комментарии, если интересно как я потратил почти месяц пока фармил "CommonLit Readability Prize" и что в итоге приблизило меня к топ-10% 🏆😎
Если интересна сама задача, то надо было по текстам определять их сложность/читабельность.📖📝
14 698
За этот месяц раз 5 услышал слово "экстраполяция" в контексте методов машинного обучения, в итоге решил наконец-то почитать, что же это все несет в себе.🧞♂️ Да, конечно, я слышал и активно использовал feature importance, и даже SHAP, а какое-то время назад еще и LIME😎. Однако вот почитать и разобраться поглубже в этих все штуках и не только захотелось только сейчас.🧐 Собственно, рекомендую и Вам почитать вот эту статейку на стыке философии и ML👉 https://www.machinelearningmastery.ru/explainable-artificial-intelligence-part-2-model-interpretation-strategies-75d4afa6b739/
14 698
Speed up'ал, speed up'аю и буду speed up'ать свои сеточки на pytorch чтобы быстрее громить соперников на Kaggle.
Мир переворачивается, когда находишь для себя неочевидные, но простые пути решения проблем. Недавно задумался, насколько сильно можно ускорить тренировку сеточки и наткнулся на чек-лист путей ускорения.
https://www.reddit.com/r/MachineLearning/comments/kvs1ex/d_here_are_17_ways_of_making_pytorch_training/
"Automatic Mixed Precision" и "gradient clipping" были для меня в новинку. 😱 Дополнительно рекомендую еще познать технику "16-bit precision" ну и проверить возможность увеличения магического параметра - числа workes в Dataloader. 😎
Как итог, ускорил сетку в 6-7 раз убрав лишние переносы с gpu на cpu🤠
14 698
#лайфхаки
Поймал себя на периодическом подглядывании в эту статью.
Очень крутые штуки, которые упрощают работу с табличными датасетами в Jupyter Notebook #EDА.
№ 3 Jupyter DataTables и № 6 livelossplot - одни из моих любимых. Обязательно попробуйте!
https://habr.com/ru/company/skillfactory/blog/542870/?utm_source=facebook.com_flows&utm_medium=social&utm_campaign=%5Bperevod%5D-10-poleznyh-rasshireniy-dlya-dat
14 698
Когда начинаешь погружаться в DS - начинаешь работать с новым методом/алгоритмом, полезно иметь под рукой простые примеры кода с его использованием.
Ловите! Это блок индуса, который собрал простейшие примеры различных методов в одну кучу с кодом: https://thecleverprogrammer.com/2020/11/27/machine-learning-algorithms-with-python/
Про PyCaret и Auto-Sklearn сам впервые услышал 🤔
14 698
Всем привет!
Решил запустить свой канал. Буду рассказывать здесь про свой опыт в Data Science и лайфхаки
