es
Feedback

¡No caigas en manos de tramposos! Telemetrio encuentra y marca estos canales 👉 Si quieres ver la etiqueta, suscríbete

Анализ данных (Data analysis)

Анализ данных (Data analysis)

Ir al canal en Telegram

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

Mostrar más

📈 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 51 911 suscriptores, ocupando la posición 2 581 en la categoría Tecnologías y Aplicaciones y el puesto 11 797 en la región Rusia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 51 911 suscriptores.

Según los últimos datos del 16 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 444, y en las últimas 24 horas de -8, conservando un alto alcance.

  • Estado de verificación: No verificado
  • Tasa de interacción (ER): El promedio de interacción de la audiencia es 11.63%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 8.47% de reacciones respecto al total de suscriptores.
  • Alcance de las publicaciones: Cada publicación recibe en promedio 6 040 visualizaciones. En el primer día suele acumular 4 397 visualizaciones.
  • Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 192.
  • 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 17 noviembre, 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.

51 911
Suscriptores
-824 horas
+27 días
+44430 días
Archivo de publicaciones
⚡В OTUS стартует набор в группу курса Reinforcement Learning. Отправьте заявку, для того чтобы получить доступ к открытым уро
⚡В OTUS стартует набор в группу курса Reinforcement Learning. Отправьте заявку, для того чтобы получить доступ к открытым урокам и получите скидку на обучение. 31.10 в 20.00 (мск) приглашаем на welcome-вебинар «Основные алгоритмы в обучении с подкреплением» 📌На занятии вы: - познакомитесь с основными алгоритмами обучения с подкреплением; - узнаете, как применять нейросети для обучения агентов, как обучить агента в среде с дискретным и непрерывным набором действий; - изучите многообразие алгоритмов обучения с подкреплением и выбор наиболее подходящих из них. 👉Регистрация https://otus.pw/SJiV/ После прохождения курса студенты поймут сильные и слабые стороны основных алгоритмов RL и научатся применять их для решения разнообразных задач в реальном мире, включая игровую индустрию, робототехнику, управление энергетическими системами и управление финансовым портфелем. При оплате курса возможны разные способы оплаты и рассрочка платежа Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8KbLVB

🌐 ИИ с открытым исходным кодом захватывает мир. Бесплатная книга с кодом, которая поможет вам идти в ногу со всем происходящ
🌐 ИИ с открытым исходным кодом захватывает мир. Бесплатная книга с кодом, которая поможет вам идти в ногу со всем происходящим в мире AI: State of Open Source AI Book - 2023 Edition В книге рассматриваются следующие темы: - ИИ Модели - Файнтюниг - Оценка моделей - Векторные базы данных - Инструментальные средства разработки - Механизмы MLOps и многое другое И все это бесплатно. 📚 GitHub @data_analysis_ml

Хотите выйти на новый уровень в анализе данных? Уже используете А/В-тесты, но боитесь, что делаете это неправильно? karpovꓸco
Хотите выйти на новый уровень в анализе данных? Уже используете А/В-тесты, но боитесь, что делаете это неправильно? karpovꓸcourses сделали Симулятор A/B-тестов, где вы сможете освоить весь пайплайн проведения экспериментов, научитесь не допускать типичных ошибок и сможете избежать потери денег из-за неправильных выводов. Вы также узнаете, как определять, нужно ли вам вообще проводить A/B-тесты в вашем конкретном случае. Если вы только знакомитесь с тестами, вы сможете работать с Google Sheets на уже готовой инфраструктуре, а если хотите узнать все технические детали А/В-тестирования и готовы писать код на питоне — у karpovꓸcourses есть продвинутая версия. Привнесите культуру правильных А/B-тестов в ваши проекты [Начать учиться] P.S. По промокоду DAMLOCTOBER на курс действует скидка 5% до 31 октября Реклама. ООО "Карпов Курсы". Erid: LjN8KaL7o

При просмотре кода на #GitHub навигация по файлам может быть неудобной. Попробуйте редактор GitHub.deb с интерфейсом, похожим на VSCode, для удобного просмотра и работы с проектами. Этот редактор также отлично подходит для быстрых коммитов. @data_analysis_ml

💥Прокачайтесь в машинном обучении на бесплатных Тренировках по ML от Яндекса ML — новое направление Тренировок от Яндекса, к
💥Прокачайтесь в машинном обучении на бесплатных Тренировках по ML от Яндекса ML — новое направление Тренировок от Яндекса, которое посвящено классическому машинному обучению. Курс разработан совместно со Школой анализа данных и подойдёт для выпускников технических вузов и начинающих ML-специалистов. Тренировки пройдут с 30 октября по 29 ноября. Тренировки по ML — это отличная возможность прокачаться в теме, закрепить знания и подготовиться к отбору в IT-компанию. Здесь вас ждут лекции от экспертов Яндекса, домашние задания и еженедельные онлайн-разборы. 🏆 Участники, которые проявят себя лучше других, получат фаст-трек в Яндекс, а те, кто пройдёт больше половины курса — сертификат о прохождении, который украсит портфолио. Как проходят Тренировки по ML 1️⃣ Регистрируетесь: участвовать могут все желающие бесплатно и без конкурсного отбора. Старт Тренировок 30 октября. 2️⃣ Смотрите лекции и самостоятельно решаете задачи, которые определяют ваше место в рейтинге участников 3️⃣ Проверяете себя на еженедельных онлайн-разборах 4️⃣ Получаете награды от Яндекса Я в деле! Если вы уже чувствуете себя уверенно в направлении ML, то скорее подавайте заявку на оплачиваемую стажировку.

🎓 Open Source AI Projects and Tools to Try in 2023 Существует множество инструментов искусственного интеллекта, и многие из
🎓 Open Source AI Projects and Tools to Try in 2023 Существует множество инструментов искусственного интеллекта, и многие из них имеют открытый исходный код и бесплатны для использования. Чтобы помочь вам узнать о некоторых полезных из них, представляем вам это подробное руководство для дата саентистов. Он рассказывает о таких инструментах, как Tensorflow, Hugging Face Transformers, Fauxpilot и других. https://www.freecodecamp.org/news/open-source-ai/ @data_analysis_ml

🔥 Бесплатный вебинар: “Решаем тестовое задание на junior-аналитика в Банк Открытие” Интересуетесь аналитикой данных? Хотите больше практиковаться на реальных задачах и кейсах? Приходите на наш бесплатный вебинар, где мы в прямом эфире будем вместе решать настоящее тестовое задание на junior-аналитика в Банк Открытие. 📅 Дата: 25 октября ⏰ Время: 19:00 по Мск Что предстоит сделать на вебинаре: * Решить 4 задания по SQL: посчитаем метрику MoM * Проанализировать ОТП-коды в разрезе категорий и времени * Проанализировать активность клиентов с помощью Pandas * Предложить 3 метрики первого уровня для интернет-банка Мы подробно будем разбирать каждый шаг и будем много говорить о SQL, Python, продуктовых метриках 😉 А также каждого участника вебинара будут ждать несколько подарков, подборка лайфхаков и разбор самых частых ошибок 🤩 🔗 Регистрация на вебинар Реклама. ООО "Айти Резюме". Erid: LjN8KSEf7

⚡️ Моделирование стохастической модели пробоя диэлектрика (Ref: Fractal Dimension of Dielectric Breakdown 🖥 Код #python, #numpy #matplotlib @data_analysis_ml

📑 𝐦𝐥𝐟𝐥𝐨𝐰.𝐚𝐮𝐭𝐨𝐥𝐨𝐠() Сохранение параметров, метрик во время обучения позволяет воспроизводить эксперименты и выбирать наиболее эффективную модель. Однако написание множества записей в логах может быть обременительным. Для автоматического логирования добавьте 𝐦𝐥𝐟𝐥𝐨𝐰.𝐚𝐮𝐭𝐨𝐥𝐨𝐠() перед вашим кодом обучения модели. ▪ Github @data_analysis_ml

💸 Прогнозированию биткоина при помощи VAR (векторной авторегрессии), XGBoost и Facebook Prophet. ▪ Видео ▪ Код из видео @data_analysis_ml

🔥 Дайджест полезных материалов из мира Машинного обучения за неделю Почитать: — Исследование рыночной корзины на основе данных розничной торговли в Стамбуле — Классификация текстов в spaCy: пошаговая инструкция — Как мы запустили автобиддер для управления рекламными кампаниями в Ozon? — Приглашаем на Ozon Tech Community ML&DS Meetup — Правда ли то, что национальный корпус русского языка «приватизирован» Яндексом? — Первое слово из нераспечатанного Геркуланумского папируса обнаружено 21-летним студентом факультета информатики — Построение ML модели для оценки текста языкового экзамена — Разметка данных при помощи GPT-4 — Антон Мальцев про удобные NPU, Computer Vision для коботов и восстание неуклюжих машин — От A/B-тестирования к Causal Inference в оффлайн ритейле — What was that commit? Searching GitHub with OpenAI embeddings — Simplifying the Fundamentals of Machine Learning — Data Cleaning with Pandas — Using machine learning to predict the selling price of a property — Engineering Practice for Real-time Feature Store in Decision-Making Machine Learning — What are biases in Machine Learning? — Hacktoberfest Machine Learning Projects for JS/TS Developers 🎃 — Build a Text Summarization app using Reflex (Pure Python) — Diving Deep into AI with open-appsec: A Personal Journey of Discovery and Growth — AI-Powered Cybersecurity: The Future of Protection Посмотреть: 🌐 Building a Data-Driven Workforce - Dominic Bohan (⏱ 32:52) 🌐 Enabling AI Transformation: MLOps Infrastructure, AI Command Centre & Data Science in Telecom (⏱ 33:08) 🌐 Пишем телеграм бота для скачивания #yotube видео (⏱ 20:41) Хорошего дня! @data_analysis_ml

Объединить мобильную и манипуляционную робототехнику, чтобы создать универсальный мозг для робота и сделать робототехнику дос
Объединить мобильную и манипуляционную робототехнику, чтобы создать универсальный мозг для робота и сделать робототехнику доступной для людей? 🤖 Такую амбициозную цель ставит перед собой команда Центра робототехники Сбера. IT-специалисты хотят создать такую мультимодальную нейронную сеть, с помощью которой обучение ИИ будет проходить без учителя: самостоятельно или по минимальному числу демонстраций. Хорошая новость — вы ещё успеваете стать частью больших инноваций, исследовать возможности языковых моделей и избавить людей от рутинных и тяжёлых задач: как в работе, так и в повседневной жизни. По ссылке — все открытые вакансии в Центре робототехники. Выбирайте ту, которая больше всего подходит под навыки, и откликайтесь!

PlotAI 🎨🤖 PlotAI - ии инструмент для генерации графиков на Matplotlib. — пользователь подает на вход датафрейм; — PlotAI создаёт промт для LLM, который содержит первые пять записей и генерирует код Python; — возвращенный код Python выполняется, и отображается график. pip install plotai ▪Github @data_analysis_ml

🌳Деревья решений в pySpark: от семечка до параметрической оптимизации случайного леса Деревья решений представляют собой сем
🌳Деревья решений в pySpark: от семечка до параметрической оптимизации случайного леса Деревья решений представляют собой семейство алгоритмов, которые естественным образом могут обрабатывать как категориальные, так и числовые функции. Главные преимущества алгоритма: устойчивость к выбросам в данных, возможность использования данных разных типов и в разных масштабах без предварительной обработки или нормализации, и главное — ДОСТУПНОСТЬ ДЛЯ ПОНИМАНИЯ. На самом деле используются одни и те же рассуждения, воплощенные в деревьях решений, неявно в повседневной жизни. Например, серия решений «да/нет», которые приводят к прогнозу будет ли тренировка на улице или нет. Модель дерева решений сама “придумывает” эти развилки. Чем больше развилок, тем точнее модель будет работать на тренировочных данных, но на тестовых значениях она начнет чаще ошибаться. Необходим некоторый баланс, чтобы избежать этого явления, известного как переобучение. ## Случайные леса решений Деревья решений обобщаются в более мощный алгоритм, называемый случайные леса. Случайные леса объединяют множество деревьев решений, чтобы снизить риск переоснащения и обучения деревьев решений отдельно. Объединение прогнозов уменьшает дисперсию прогнозов, делает результирующую модель более обобщенной и повышает производительность на тестовых данных. Подготовка данных 📌 Читать @data_analysis_ml

📒 GigaChat нового поколения. Разработчики @gigachat_bot изменили подход к обучению модели, а потому практически все умения модели были улучшены. В частности, речь идет о сокращении текстов, ответов на вопросы и генерации идей. Появился и бот GigaChat в социальной сети «ВКонтакте» — после активации, его можно использовать для самых разных целей: от создания текстов до генерации изображений (за счет интеграции с Kandinsky). Число уникальных пользователей GigaChat достигло 1 млн. • Попробовать @data_analysis_ml

🖥 Шпаргалка по различным базам данных в облачных сервисах и соответствующим им вариантам с открытым исходным кодом . Выбор п
🖥 Шпаргалка по различным базам данных в облачных сервисах и соответствующим им вариантам с открытым исходным кодом . Выбор подходящей базы данных для своего проекта - сложная задача. Существует множество видов баз данных, каждая из которых подходит для разных случаев использования. Данная шпаргалка поможет определить, какой сервис соответствует потребностям вашего проекта, и избежать возможных "подводных камней". @data_analysis_ml

🖥 Build Web Apps in Jupyter Notebook Если вы хотите создать веб-приложение в вашем #JupyterNotebook, попробуйте Mercury. 🖥 Github @data_analysis_ml

💪 Что такое Байесовское А/B-тестирование и как его провести? Подробно обсудим 19 октября в 20:00 мск на открытом уроке в OTU
💪 Что такое Байесовское А/B-тестирование и как его провести?  Подробно обсудим 19 октября в 20:00 мск на открытом уроке в OTUS. Занятие приурочено к старту онлайн-курса «Machine Learning. Advanced».   🔹 На вебинаре мы разберем, какие преимущества дают Байесовские A/B тесты по сравнению с обычными, как проводить Байесовские A/B тесты и как работать с Байесовскми моделями в PyMC3. 📌  Результаты урока: Познакомитесь с основами A/B тестирования и получите новый, простой и эффективный инструмент для A/B тестирования 👉 РЕГИСТРАЦИЯ https://otus.pw/UqGO/ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8KUFd5

Графовые сверточные сети: введение в GNN Графовые нейронные сети (GNN) представляют собой одну из наиболее интересных и быстр
Графовые сверточные сети: введение в GNN Графовые нейронные сети (GNN) представляют собой одну из наиболее интересных и быстро развивающихся архитектур в области глубокого обучения. Будучи моделями глубокого обучения, предназначенными для обработки данных, структурированных в виде графов, GNN обладают универсальностью и огромными обучающими возможностями. Среди различных типов GNN наиболее распространенной и широко применяемой моделью стали графовые сверточные сети (GCN). Инновационность GCN обусловлена их способностью использовать для прогнозирования как особенности узла, так и его локальность, что обеспечивает эффективный способ обработки данных, структурированных в виде графов. В этой статье будет подробно описан механизм работы слоя GCN с объяснением его внутреннего устройства. Кроме того, вы узнаете, как практически применять этот слой для решения задач классификации узлов с использованием в качестве инструмента PyTorch Geometric. PyTorch Geometric (PyG) — это специализированное расширение PyTorch, созданное для разработки и реализации GNN. Эта продвинутая и в то же время удобная в использовании библиотека предоставляет полный набор инструментов для машинного обучения на основе графов. 📌 Читать дальше 📌 PyTorch Geometric @data_analysis_ml

Бесплатный интенсив по Python, который научит вас работать с данными На трансляции вы: ● познакомитесь с основными возможност
Бесплатный интенсив по Python, который научит вас работать с данными На трансляции вы: ● познакомитесь с основными возможностями Pandas на примере кейса о продажах продуктов в интернет-магазине; ● научитесь применять их для анализа, обработки и визуализации данных. Интенсив проведёт Анатолий Карпов — тот самый автор «основ статистики» и «введения в Data Science», благодаря которым статистику и основы анализа данных поняли более 200 тысяч человек. Анатолий руководил командой аналитики в отделе бизнеса и рекламы ВКонтакте, а сейчас является основателем школы karpovꓸcourses. Будет полезно и интересно для любого уровня: если вы только начинаете путь в программировании, вы сможете сделать первый шаг. А если уже используете Python, сможете понять как делать это в разы эффективнее и упрощать работу с данными. Встречаемся уже 18 октября в 19:00 [Зарегистрироваться на интенсив] Реклама. ООО "Карпов Курсы". Erid: LjN8K64d2