Анализ данных (Data analysis)
Ir al canal en Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Mostrar más
Red:📈 Análisis del canal de Telegram Анализ данных (Data analysis)
El canal Анализ данных (Data analysis) (@data_analysis_ml) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 50 532 suscriptores, ocupando la posición 2 566 en la categoría Tecnologías y Aplicaciones y el puesto 12 181 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 50 532 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 163, y en las últimas 24 horas de -12, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 11.14%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 8.35% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 5 627 visualizaciones. En el primer día suele acumular 4 220 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 27.
- Intereses temáticos: El contenido se centra en temas clave como llm, контекст, openai, архитектура, deepseek.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
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.
50 532
Suscriptores
-1224 horas
+47 días
+16330 días
Archivo de publicaciones
Хаос в данных — это хаос в прибыли. Наводим порядок.
Вы ежедневно тонете в разрозненных источниках, противоречивых отчётах и «ручном» Excel? Ваша команда тратит 80% времени на “вычистку” данных, а не на инсайты?
Представьте: единая, прозрачная структура, где каждый цифровой актив ложится на своё место, а скорость принятия решений растёт в разы. Без простоев, перекладывания битых CSV и устаревших метрик.
Практикум «Порядок в данных» — это не скучная теория. Это управленческий инструментарий:
✅ Как построить систему управления данными без сбоев ✅ Как избавиться от «аналитического мусора» и срезать операционные издержки ✅ Как делегировать контроль качества так, чтобы подразделения сами несли ответственность за чистоту информацииЖивой Практикум от руководителя Яндекс eLama - 22 апреля в 19:00 (мск) Количество мест ограничено - зарегистрируйтесь сейчас
⚡️ Claude Opus 4.7 - апдейт не про скорость, а про контроль и качество
Anthropic усилили сразу несколько критичных зон
Vision:
• модель теперь обрабатывает изображения с более чем в 3 раза большим разрешением
• результат - заметно лучшее качество интерфейсов, презентаций и документов
API:
появился новый уровень усилия - xhigh
между high и max, даёт более точный контроль баланса
reasoning ↔ latency
добавили Task Budgets (beta)
можно управлять приоритетами и стоимостью в длинных задачах
Claude Code:
• новая команда /ultrareview
• запускает отдельную сессию ревью
• проходит по изменениям и находит то, что обычно ловит внимательный ревьюер
• расширили auto mode для Max пользователей
длинные задачи теперь выполняются с меньшим количеством прерываний
https://claude.ai/new
✔️ Монополия ChatGPT рушится
Ещё год назад казалось, что рынок GenAI уже поделен ,ChatGPT держал 77% трафика и выглядел недосягаемым.
Сейчас - уже 57%
И это падение за 12 месяцев
Gemini резко вырос до 25%
за счёт главного оружия Google - дистрибуции поиск, почта, документы — пользователь даже не замечает переход
Claude - самый опасный конкурент, почти утроил долю до 6% за месяц, без агрессивного маркетинга
просто потому что людям начинает нравиться больше.
Даже шум вокруг Mythos сыграл в плюс это внимание, которое не купишь.
Внизу остаются DeepSeek, Grok, Copilot, Perplexity у всех меньше 4% они пока не влияют на расстановку сил.
https://x.com/Similarweb/status/2044682637860573534
⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде!
Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»?
Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright.
И 90% таких систем ломаются между ноутбуком и продом.
AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker.
На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят.
👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/
⚡️ В Telegram завезли агентов, которые создают других ботов
Павел Дуров сообщил, что теперь в Telegram можно развернуть бота-агента буквально в пару кликов
Агент может сам создавать новых ботов и управлять ими от вашего имени
Похоже, фича не случайная, её явно готовили под экосистему вроде OpenClaw
Ранее разработчик OpenClaw говорил, что с ним связалась команда Telegram и предложила помощь с интеграцией
Если это так, Telegram превращается не просто в мессенджер
а в платформу для запуска AI-агентов с доступом к миллионам пользователей
https://t.me/durov/490
Repost from Machinelearning
⭐️ Google DeepMind представил Gemini 3.1 Flash TTS - свою самую управляемую модель генерации речи
Главная фишка - Audio Tags.
Это текстовые команды прямо в промпте, которыми можно управлять стилем голоса, подачей и темпом речи. По сути, вы режиссируете озвучку через текст.
Что ещё важно:
— Более естественное звучание речи
— Поддержка 70+ языков (русский, японский, немецкий и др.)
— Все выходные аудио маркируются SynthID (цифровой водяной знак, чтобы отличить синтезированную речь от настоящей)
На бенчмарке Artificial Analysis TTS Arena модель заняла 2-е место с Elo-рейтингом 1211 - сразу за Inworld TTS 1.5 Max (1215) и выше ElevenLabs v3 (1179).
Где попробовать:
→ Рreview через Gemini API и Google AI Studio
→ Бизнесу -а Vertex AI
→ Всем пользователям - скоро появится в Google Vids
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts/
@ai_machinelearning_big_data
#google `#tts
Наконец-то нашёл холодильник, который понимает, почему я в три часа ночи открываю его в седьмой раз.
ИИ решил задачу Эрдёша за 80 минут. Люди тратили на неё годы
GPT-5.4 Pro закрыл проблему №1196 из списка Эрдёша. Это задачи про primitive sets - наборы чисел, где ни одно число не делит другое.
Пример простой:
• {2, 3, 5} работает
• {2, 4} ломается, потому что 2 делит 4
На этом простота заканчивается. Дальше начинается сложная теория чисел, связанная с простыми числами и факторизацией.
Конкретно эта задача про то, как такие наборы ведут себя в целом. Не один пример, а общая структура и ограничения.
Контекст важный. Один из главных экспертов по теме, Jared Lichtman, разбирал эту задачу около 7 лет вместе с топовыми математиками. Это не забытая проблема, её активно пытались решить.
ИИ справился примерно за 80 минут.
Все десятилетиями шли через один и тот же подход. Аналитика плюс вероятностные методы. Это стало негласным стандартом.
Модель просто отказалась от этого пути и осталась в чистом анализе, используя веса фон Мангольдта.
Фактически она пошла дорогой, которую люди игнорировали из-за математической интуиции и привычек.
В результате получилось не просто решение, а аккуратное доказательство, которое потенциально упрощает более широкий класс задач.
Если это подтвердится, это повлияет не на одну задачу, а на целый кусок теории чисел.
Похоже, что модели начали находить не только ответы, но и неожиданные идеи, которые люди системно пропускали.
https://x.com/jdlichtman/status/2044298382852927894
Трансформация профессии разработчика в эпоху ИИ
Профессия разработчика меняется прямо сейчас: ИИ уже пишет код, предлагает архитектуру и собирает прототипы за минуты. Но без фундаментальных знаний архитектуры, алгоритмов, сетей, безопасности и DevOps использовать такие инструменты рискованно.
Центральный университет запускает серию бесплатных вебинаров о том, как меняется роль разработчика в 2026 году, какие навыки остаются критически важными и как безопасно и эффективно использовать нейросети в разработке.
На вебинарах разберем:
— почему ИИ не заменит программиста, но изменит его роль;
— какие навыки и языки будут востребованы;
— чего ждут работодатели от разработчиков сегодня;
— почему магистратура по бэкенд-разработке может стать преимуществом;
— как вырасти в техлида и тимлида, не теряя технических экспертных знаний.
Спикеры — лидеры индустрии из Центрального университета, Авито и cloud. ru.
Даты вебинаров: 21, 23 и 27 апреля 2026, 19:00 мск.
Регистрируйся по ссылке
🖥 NVIDIA переписала правила квантовых компьютеров
Главный стопор квантовых технологий был не в железе, а в хаосе. Кубиты слишком хрупкие: малейшее изменение температуры или микровибрация и вычисление просто разваливается.
Поэтому инженеры тратят дни на ручную калибровку. Медленно, дорого и нестабильно. А системы коррекции ошибок банально не успевают за происходящим в реальном времени.
NVIDIA зашла с другой стороны и превратила ИИ в «операционку» для квантовых машин.
Они выкатили open-source семейство моделей - NVIDIA Ising.
Теперь вместо ручной настройки модель буквально «смотрит» на квантовый процессор через vision-language подход и мгновенно реагирует на изменения.
Калибровка сжимается с дней до часов.
NVIDIA сделали 3D-нейросеть, которая в реальном времени декодирует и исправляет ошибки квантового состояния. Быстрее и точнее текущих open-source решений в разы.
ИИ фактически предугадывает, где система сломается, и чинит её до того, как это произойдёт.
Хуанг называет это control plane для квантовых компьютеров.
И это уже не лабораторный эксперимент. Harvard University, Lawrence Berkeley National Laboratory и Fermilab уже интегрируют решение.
Пост в X: https://x.com/nvidianewsroom/status/2044058999029473407
Пресс-релиз NVIDIA: https://nvidianews.nvidia.com/news/nvidia-launches-ising-the-worlds-first-open-ai-models-to-accelerate-the-path-to-useful-quantum-computers
NVIDIA Ising: https://www.nvidia.com/en-us/solutions/quantum-computing/ising/
NVIDIA CUDA-Q: https://developer.nvidia.com/cuda-q
NVIDIA NVQLink: https://www.nvidia.com/en-us/solutions/quantum-computing/nvqlink/
NVIDIA NIM: https://www.nvidia.com/en-us/ai-data-science/products/nim-microservices/
NVIDIA Quantum Day: https://www.nvidia.com/en-us/events/quantum-day/
@data_analysis_ml
🔧 Вышел «Claude Code для хакеров» - Decepticon. И это уже не игрушка, а полноценный боевой агент, который может заменить команду пентестеров.
ИИ строит цепочки атак и ломает бизнес-логику систем. По сути, ты получаешь симуляцию настоящего противника у себя под рукой.
Главное отличие от подобных решений - автономность.
Агент сам принимает решения, двигается по системе и подбирает стратегии под задачу. Тебе не нужно вручную вести каждый шаг, достаточно задать цель.
Под каждую задачу поднимается отдельный агент, чтобы не было каши в контексте и лишней нагрузки. Управление через консоль — без перегруза, всё быстро и понятно.
Разворачивается через Docker, а вся активность остаётся внутри изолированной среды. Можно спокойно тестировать сценарии атак и прокачивать навыки без риска.
Фактически это твой персональный red team в коробке.
https://github.com/PurpleAILAB/Decepticon
В Claude Code добавили Routines - способ превратить разовые команды в повторяемые сценарии.
Теперь вместо ручного управления ты задаёшь поведение:
Claude сам выполняет цепочки действий под задачу.
По сути это не промпты, а воспроизводимые workflow внутри Claude Code
Что это даёт:
- автоматизация типовых задач
- меньше ручного контроля
- стабильный результат от запуска к запуску
- экономия времени на рутине
Ты один раз описываешь, как работать.
дальше Claude просто повторяет это как систему.
code.claude.com/docs/en/routines
🖥 Агентные системы ломаются не из-за моделей. Они ломаются, когда человек слишком рано выходит из процесса.
Peter Steinberger (создатель OpenClaw) точно подметил: нельзя ожидать крутой результат, если ты убрал главное - собственый взгляд и контроль.
Агент сам по себе не понимает, что «хорошо», а что «средне». Это задаёшь ты.
Результат всегда складывается из трёх вещей: чёткое видение задачи, постоянное управление и корректировка работы агента по ходу работы.
Если этого нет, даже лучший агент превращается в генератор хаотичных действий
Агенты не работают вместо тебя. Они работают лучше вместе с тобой.
Cтартап, в который ты только что влился, где вся команда работает с Claude Code.
⚡️ NVIDIA раздает жирнейший набор API - почти сотка нейросетей бесплатно
Без лишнего шума: открыли доступ к 95+ моделям сразу. Внутри всё, что сейчас в топе - DeepSeek, Kimi, Mistral, Qwen, Flux, Whisper, GLM и ещё пачка инструментов под любые задачи.
Можно собирать свои продукты без вложений: озвучка, чат-боты, липсинк, генерация видео, дизайн. Всё через API, без костылей и с нормальным качеством.
Самое интересное - выкатили доступ к своим моделям. Обязательно попробуй Nemotron: отлично режет шум и вытягивает звук даже с плохого микрофона.
Забирай, пока не прикрыли.
https://build.nvidia.com/models
#NVIDIA
🤖 Автономные AI-агенты для инженерии
AutoAgent позволяет AI-агентам самостоятельно настраивать и улучшать свои конфигурации, используя мета-агента. Пользователь задает задачи через
program.md, а агент автоматически модифицирует свою архитектуру и оценивает результаты.
🚀 Основные моменты:
- Автоматическая настройка AI-агентов без прямого редактирования кода.
- Использует Markdown для задания задач и инструкций.
- Оценка производительности через числовые баллы.
- Поддержка Docker для изоляции выполнения.
- Совместимость с задачами Harbor.
📌 GitHub: https://github.com/kevinrgu/autoagent
#python
Bloomberg: чиновники администрации Трампа призывают банки протестировать модель Mythos от Anthropic.
Речь идёт о том, чтобы рассматривать Mythos как рабочий инструмент киберзащиты.
В Anthropic заявляют, что Mythos - это универсальная модель, которая неожиданно показала высокую эффективность в обнаружении и эксплуатации уязвимостей нулевого дня, то есть таких багов, для которых ещё не выпущены исправления.
Также в компании отмечают, что Mythos находила уязвимости в крупных операционных системах и браузерах, поэтому доступ к ней был ограничен через Project Glasswing вместо широкого релиза.
В Великобритании тоже отреагировали: регуляторы и национальное киберагентство обсуждают, несёт ли Mythos риски для банков, страховых компаний и бирж.
bloomberg.com/news/articles/2026-04-10/wall-street-banks-try-out-anthropic-s-mythos-as-us-urges-testing
🖥 Сохраняй МЕГАШПАРГАЛКУ ПО CLAUDE CODE. В н Это один из самых плотных гайдов по Claude Code.
В сеть слили один из самых плотных гайдов по Claude Code. Не набор советов, а реально сжатая карта всей системы на одном листе.
Внутри разобрано - как устроен сервис изнутри, как правильно стартовать проект, как работает память и иерархия. Плюс показали нормальную структуру проекта, без хаоса.
Отдельно прошлись по практическим вещам.
Скиллы, хуки, рабочие паттерны, горячие клавиши. То, что реально экономит часы в повседневной работе.
Это информация о том, как люди реально используют Claude Code каждый день.
Сохрани. Чтобы потом не искать.
🖥 У NVIDIA и Unsloth опубликован один из самых полезных гайдов по созданию RL-окружений с нуля, закрыв пробелы, которые обычно пропускают в туториалах.
Разбирают:
• почему RL-окружения вообще важны и как их правильно строить
• в каких случаях RL выигрывает у SFT
• best practices для GRPO и RL
• как работают проверяемые награды и RLVR
Годнота)
https://unsloth.ai/blog/rl-environments
