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 51 932 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 51 932 suscriptores.

Según los últimos datos del 15 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 528, y en las últimas 24 horas de -4, conservando un alto alcance.

  • Estado de verificación: No verificado
  • Tasa de interacción (ER): El promedio de interacción de la audiencia es 11.70%. 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 6 075 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 198.
  • 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 16 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.

51 932
Suscriptores
-424 horas
+307 días
+52830 días
Archivo de publicaciones
⚡️ SUPIR - новая высокоточная модель восстановления изображений! ▪Код: https://github.com/Fanghua-Yu/SUPIR ▪Проект: http://supir.xpixel.group ▪Статья: https://arxiv.org/abs/2401.13627 @data_analysis_ml

11 марта Newprolab запускает уже 14-й поток программы Data-Engineer Программа будет полезна junior и middle дата-инженерам, а
11 марта Newprolab запускает уже 14-й поток программы Data-Engineer Программа будет полезна junior и middle дата-инженерам, аналитикам данных, бэкенд-разработчикам, техлидам и менеджерам, работающим с дата-командой - 7 недель (11 марта – 27 апреля) - 20 занятий с преподавателями в зуме - 6 лаб с реальными данными - чат с участниками и поддержка координаторов 📌Что дает программа: 1) научитесь решать типичные задачи DE и реально станете дата-инженером на время программы 2) структурируете ваши знания и познакомитесь с новыми инструментами 3) поработаете с облачным кластером для решения лаб с реальными данными 4) видеозаписи и другие материалы программы останутся у вас навсегда 📌Преподаватели – практики из ведущих компаний, рассказывают о сложном простым языком и ответят на все ваши вопросы 📌Промокод DEFRIENDS дает скидку 20% [Подробная информация и регистрация]

⚡️ Новая лекция Ян Лекуна : «Объектно-ориентированный ИИ: на пути к машинам, которые могут учиться, рассуждать и планировать»
⚡️ Новая лекция Ян Лекуна : «Объектно-ориентированный ИИ: на пути к машинам, которые могут учиться, рассуждать и планировать» Слайды: https://drive.google.com/file/d/1e6EtQPQMCreP3pwi5E9kKRsVs2NbWPrY/view?usp=drivesdk Видео: https://www.youtube.com/watch?si=UeLf0MhMzjXcSCAb&v=d_bdU3LsLzE&feature=youtu.be @data_analysis_ml

Вышел PyTorch 2.2 🎉 С Новые фичи: - Поддержка SDPA FlashAttention-2. - Новое расширение TorchInductor. - device_mesh, новая
Вышел PyTorch 2.2 🎉 С Новые фичи: - Поддержка SDPA FlashAttention-2. - Новое расширение TorchInductor. - device_mesh, новая абстракция для инициализации и представления групп процессов. - Стандартизированный управляемый механизм логирования под названием TORCH_LOGS. и др. ➡️ Полный список обновлений @data_analysis_ml

🖥 Примеры генеративного ИИ от NVIDIA Современные примеры генеративного ИИ, которые легко развертывать, тестировать и адптиро
🖥 Примеры генеративного ИИ от NVIDIA Современные примеры генеративного ИИ, которые легко развертывать, тестировать и адптировать под ваши задачи. Все примеры работают на высокопроизводительном стеке NVIDIA CUDA-X и графических процессорах NVIDIA. ▪Github @data_analysis_ml

💡 Проблема: ваш код,, содержит много скопированного чужого кода, но его трудно найти. Решение: jscpd jscpd — это инструмент
💡 Проблема: ваш код,, содержит много скопированного чужого кода, но его трудно найти. Решение: jscpd jscpd — это инструмент командной строки, который находит скопированный код и сообщает о конкретных повторяющихся строках. Работает более чем на 150 языках. Пример отчета на картинке. Github @data_analysis_ml

🖥 Nxs-data-anonymizer - это инструмент для анонимизации дампа баз данных PostgreSQL и MySQL/MariaDB/Percona. ▪Поддерживаемые
🖥 Nxs-data-anonymizer - это инструмент для анонимизации дампа баз данных PostgreSQL и MySQL/MariaDB/Percona. ▪Поддерживаемые базы данных и версии: PostgreSQL (9/10/11/12/13/14/15/все версии) MySQL/MariaDB/Percona (5.7/8.0/8.1/все версии) ▪Гибкая генерация фейковых данных на основе шаблонов Go и библиотеки шаблонов Sprig. ▪Потоковая обработка данных. Это означает, что вы можете перенаправлять дамп из исходной БД в любую другую БД с преобразованиями ▪Легко интегрируется в CI/CD ➡️ Github @data_analysis_ml

⚠️ С чего начать, если хотите работать в ML? С бесплатного практического урока «Кластерный анализ данных» от OTUS. Спикер Мар
⚠️  С чего начать, если хотите работать в ML? С бесплатного практического урока «Кластерный анализ данных» от OTUS. Спикер Мария Тихонова – Senior Data Scientist в «SberDevices» и преподаватель ВШЭ. • В результате вебинара вы узнаете общие принципы кластеризации данных в ML  • Изучите ряд алгоритмов, в том числе k-means и примените их на практике Встречаемся 7 февраля в 18:00 мск в рамках курса «Machine Learning. Professional». Пройдите короткий тест прямо сейчас, чтобы посетить бесплатный урок и получить список вопросов и ответов для прохождения интервью 👉Регистрация https://otus.pw/jSCz/?erid=LjN8KFCpE Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🖥 SQL-metadata Если вы хотите извлечь определенные компоненты #SQL-запроса для последующей работы с нмим на #Python, использ
🖥 SQL-metadata Если вы хотите извлечь определенные компоненты #SQL-запроса для последующей работы с нмим на #Python, используйте sql_metdata. Извлекает имена столбцов и таблиц, используемых в запросе. Автоматически выполняет разрешение псевдонимов столбцов, разрешение псевдонимов подзапросов, а также разрешение псевдонимов таблиц. Также предоставляет полезные функции для нормализации SQL-запросов. pip install sql-metadata ▪Github ▪Docs

🖥 Google-Colab-Selenium Лучший способ использовать Selenium в блокнотах Google Colab! ▪Простая настройка Selenium и ChromeDr
🖥 Google-Colab-Selenium Лучший способ использовать Selenium в блокнотах Google Colab! ▪Простая настройка Selenium и ChromeDriver. ▪Бесшовная интеграция с Google Colab. ▪Поддержка ChromeDriver для сложных случаев парсинга. %pip install google-colab-selenium import google_colab_selenium as gs from selenium.webdriver.chrome.options import Options # Instantiate options options = Options() # Add extra options options.add_argument("--window-size=1920,1080") # Set the window size options.add_argument("--disable-infobars") # Disable the infobars options.add_argument("--disable-popup-blocking") # Disable pop-ups options.add_argument("--ignore-certificate-errors") # Ignore certificate errors options.add_argument("--incognito") # Use Chrome in incognito mode driver = gs.Chrome(options=options) driver.get('https://uproger.com') print(driver.title) driver.quit() ➡️Github ➡️Colab @data_analysis_ml

🎮 Build a Large Language Model (From Scratch) Еще один замечательный ресурс, который подходит для начинающих, чтобы построит
🎮 Build a Large Language Model (From Scratch) Еще один замечательный ресурс, который подходит для начинающих, чтобы построить ChatGPT-подобный LLM с нуля, шаг за шагом ▪Github @data_analysis_ml

⚡ RoMa: простая в использовании, стабильная и эффективная библиотека для работы с кватернионами, векторами вращения, простран
+1
⚡ RoMa: простая в использовании, стабильная и эффективная библиотека для работы с кватернионами, векторами вращения, пространственными преобразованиями в PyTorch. pip install roma ▪Github ▪Docs @data_analysis_ml

🔊 Делимся «вредными советами» по работе с ClickHouse® ClickHouse® — быстрая и масштабируемая колоночная база данных. Она изв
🔊 Делимся «вредными советами» по работе с ClickHouse® ClickHouse® — быстрая и масштабируемая колоночная база данных. Она известна своей высокой производительностью, возможностью обрабатывать аналитические запросы в режиме онлайн и строить аналитические витрины. Как и у любой другой технологии, у ClickHouse® есть свои особенности и нюансы, которые необходимо учитывать при работе. В видео архитекторы Yandex Cloud поделятся распространёнными ошибками при использовании базы данных ClickHouse®, а также рекомендациями, как избежать этих ошибок и достичь максимально производительности БД ClickHouse. 🗣 Подробнее по ссылке.

🚀 LLMLingua: Enhancing Large Language Model Inference via Prompt Compression LLMLingua использует компактную, хорошо обученн
+3
🚀 LLMLingua: Enhancing Large Language Model Inference via Prompt Compression LLMLingua использует компактную, хорошо обученную языковую модель (например, LaMA-7B) для поиска и удаления несущественных лексем в промптах. Этот подход обеспечивает эффективный вывод с использованием больших языковых моделей (LLM), достигая 20-кратного сжатия при минимальной потере качества генерации. ▪Github ▪Документация @data_analysis_ml

🚀 Одна из распространенных привычек Pandas, от которой полезно отказаться в Polars: В Pandas датасаентисты часто добавляют/п
🚀 Одна из распространенных привычек Pandas, от которой полезно отказаться в Polars: В Pandas датасаентисты часто добавляют/преобразуют столбцы в отдельных строках. В Polars наоборот удобно добавляют много выражений в однну функцию with_columns. Почему? Ответ в производительности. Потому что Polars может выполнять все выражения параллельно. @data_analysis_ml

🌟 При работе с файлами Parquet в pandas обычно сначала загружают данные в pandas DataFrame, а затем применяют фильтры. Чтобы
🌟 При работе с файлами Parquet в pandas обычно сначала загружают данные в pandas DataFrame, а затем применяют фильтры. Чтобы увеличить скорость выполнения запросов, переместите фильтры в движок PyArrow и воспользуйтесь оптимизацией обработки PyArrow. @data_analysis_ml

Ozon Tech проводит BI-митап 31 января | 19:00 online Кому будет полезно? Аналитикам данных, разработчикам баз данных, бэкенд-
Ozon Tech проводит BI-митап 31 января | 19:00 online Кому будет полезно? Аналитикам данных, разработчикам баз данных, бэкенд-разработчикам. Что обсудят: — работу в сервисах Vertica, ClickHouse и Hadoop, — как и зачем в Ozon используют подход платформизации в данных, — автоматизацию поставки стриминговых данных от системы-источника до хранилища, — cжатие данных в ClickHouse через функционал выбора лучших кодеков в зависимости от характера данных, — мониторинг качества данных и планы компании на будущее. Самое главное — не забудьте зарегистрироваться. erid: LjN8K51pi Реклама. Рекламодатель ООО «Озон Технологии».

⚡️ По мере того как усиливается гонка за создание первого в мире по-настоящему полезного квантового компьютера, растет и потребность в ясном взгляде на вещи. В этом выпуске программы "Полевые заметки" мы погрузимся глубже. в Google Quantum AI, чтобы понять реальность квантовых вычислений и их влияние на мир. ▪Видео ▪Почитать @data_analysis_ml

⚡️ Lazy Predict позволяет быстро создавать прототипы для анализа данных и сравнивать несколько базовых моделей без необходимо
⚡️ Lazy Predict позволяет быстро создавать прототипы для анализа данных и сравнивать несколько базовых моделей без необходимости вручную писать код или настраивать параметры. Это помогает специалистам по исследованию данных выявлять перспективные подходы в работе с даныыми и быстрее реализовывать модели. pip install lazypredict ▪Github @data_analysis_ml

☑ Вышел Scikit-learn 1.4.0 🟢 5 новых крупных новых функкций и 13 небольших новых фич 🔵 14 улучшений производительности 🟡 1
☑ Вышел Scikit-learn 1.4.0 🟢 5 новых крупных новых функкций и 13 небольших новых фич 🔵 14 улучшений производительности 🟡 15 изменений в API 🔴 38 исправленных багов https://scikit-learn.org/stable/whats_new/v1.4.html#changes-1-4 @data_analysis_ml