Математика Дата саентиста
Ir al canal en Telegram
@workakkk - админ @data_analysis_ml - ds https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946
Mostrar más
Red:📈 Análisis del canal de Telegram Математика Дата саентиста
El canal Математика Дата саентиста (@data_math) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 14 258 suscriptores, ocupando la posición 8 682 en la categoría Tecnologías y Aplicaciones y el puesto 45 244 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 14 258 suscriptores.
Según los últimos datos del 05 octubre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 31, y en las últimas 24 horas de 0, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 10.58%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.87% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 509 visualizaciones. En el primer día suele acumular 837 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 14.
- Intereses temáticos: El contenido se centra en temas clave como llm, программирование, параметр, визуализация, stepik.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“@workakkk - админ
@data_analysis_ml - ds
https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 06 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.
14 258
Suscriptores
Sin datos24 horas
-167 días
+3130 días
Archivo de publicaciones
Repost from Анализ данных (Data analysis)
🏅 Нобелевская премия по физике 2026 года присуждена Фрэнсису Хальцену
За решающий вклад в создание обсерватории IceCube и открытие высокоэнергетических нейтрино астрофизического происхождения.
IceCube превращает кубический километр антарктического льда в гигантский детектор. Датчики улавливают свет от редких взаимодействий нейтрино с веществом.
Эти частицы почти беспрепятственно проходят через Землю и наши тела. Но именно поэтому они могут приносить информацию о далёких космических процессах, недоступную другим способам наблюдения.
Хальцен предложил использовать лёд Южного полюса ещё в 1988 году. Его идея открыла новый способ изучать Вселенную.
https://www.nobelprize.org/prizes/physics/2026/press-release/
@data_analysis_ml
📚 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/
🌌 Почему две планеты - это красиво, а три - уже хаос
В ньютоновской гравитации задача двух тел выглядит почти идеально.
Например, Солнце и планета движутся по предсказуемой орбите, которую можно описать эллипсом.
Но стоит добавить третье тело, и всё резко усложняется.
Для общей задачи трёх тел нет такой же простой формулы движения. Система может становиться хаотической: крошечное изменение начальных координат или скорости со временем приводит к совершенно другой траектории.
Именно изучение подобных систем помогло Анри Пуанкаре изменить сам подход к дифференциальным уравнениям.
Вместо попытки найти одну красивую формулу он начал исследовать геометрию поведения решений: траектории, устойчивость, повторяющиеся движения и хаос.
Эти идеи позже стали фундаментом современной нелинейной динамики и теории хаоса.
Иногда достаточно добавить всего один объект, чтобы предсказуемая система превратилась в почти непредсказуемую.
⚡️ GPT-6 Astra помогла найти контрпримеры к гипотезе о плазме, которой почти 60 лет.
В термоядерном реакторе раскалённую плазму удерживают магнитным полем. Для этого важно понимать, может ли поле сложной трёхмерной формы образовывать вложенные поверхности, вдоль которых движется плазма. В 1967 году физик Гарольд Грэд предположил, что гладкие равновесные решения такого типа без дополнительной симметрии вряд ли существуют.
Физик Мэтт Ландреман представил два семейства точных аналитических решений: магнитное поле и давление в них описываются явными формулами, а вложенные поверхности существуют даже без осевой симметрии. Автор пишет, что решения были найдены с помощью GPT-6 Astra Pro, после чего он вручную проверил все уравнения.
Другая группа исследователей уже недавно опровергла гипотезу Грэда доказательством существования таких решений. Новая работа добавляет конкретные формулы, которые можно использовать, в частности, для проверки программ, моделирующих магнитное удержание плазмы.
Статья: https://arxiv.org/pdf/2609.26742
Яндекс выложил в опенсорс AliceAI-Foundation-80B-A3B-Base — модель, обученную с нуля.
Архитектура MoE: 80 млрд параметров, но на каждый токен активируется около 3 млрд. Это и есть идея MoE: не гонять всю сеть целиком, а включать только нужные блоки.
Поэтому интересно и сравнение с NVIDIA Nemotron на LiveCodeBench — сопоставимый результат достигается при вчетверо меньшем числе активных параметров. Меньше активных вычислений — ниже стоимость и задержка инференса.
Технический руководитель Google DeepMind Aman Chadha поместил модель на общий ландшафт релизов Google, Z.ai и Xiaomi и описал тренд через capability density — полезные возможности на единицу вычислений, памяти, задержки и стоимости. Если проще: гонка смещается от размера к эффективности, и AliceAI — один из примеров этого сдвига.
Модель открыта под лицензией Apache 2.0
🧠 Джон Маккарти - человек, который дал имя искусственному интеллекту
John McCarthy (1927–2011) - один из основателей современной AI-индустрии и человек, который ввёл сам термин Artificial Intelligence.
В 1955 году вместе с Марвином Мински, Натаниэлем Рочестером и Клодом Шенноном он подготовил предложение для летнего проекта в Dartmouth College. Именно там появилась идея, что обучение и другие проявления интеллекта можно достаточно точно описать, чтобы их могла воспроизводить машина.
В 1956 году Маккарти организовал Dartmouth Summer Research Project — событие, которое сегодня считают точкой рождения AI как отдельной научной области.
Ещё несколько важных фактов:
- в 1958 году создал Lisp, который на десятилетия стал главным языком AI-исследований;
- участвовал в создании MIT AI Project;
- основал Stanford Artificial Intelligence Laboratory (SAIL);
- внёс вклад в time-sharing, garbage collection, situation calculus и представление common-sense knowledge.
За свои работы Маккарти получил Turing Award в 1971 году и National Medal of Science в 1990-м.
Во многом именно он помог превратить идею «мыслящей машины» в самостоятельную область компьютерных наук.
Как сегодня строят рекомендательные системы — и что будет с ними завтра?
30 сентября собираем RecSys-сообщество — разработчиков, ML/DS-специалистов и всех, кто делает персонализацию и рекомендации в реальных продуктах.
В программе — доклады от экспертов Сбера. Поговорим о свежих подходах и нестандартных решениях на реальных кейсах.
А после докладов переключаемся на неформальный режим: знакомимся, спорим про RecSys, обсуждаем идеи, находим единомышленников и просто хорошо проводим вечер среди своих.
📍г. Нижний Новгород, пространство «Гараж»
Количество мест ограничено — успей забрать своё по ссылке!
🎂 В комнате всего 35 человек и шанс совпадения дней рождения уже больше 80%
Если случайно выбрать 35 человек, вероятность того, что хотя бы у двух совпадёт день рождения, составляет примерно 81,44%.
Хотя возможных дат — 365.
Считать проще от обратного:
P(совпадение) = 1 − P(все дни рождения разные)
Именно поэтому задача кажется нелогичной на интуитивном уровне: мы сравниваем не одного человека со всеми, а каждую возможную пару между собой.
Для 35 человек таких пар уже:
35 × 34 / 2 = 595
Именно здесь вероятность начинает быстро расти.
Вероятность особенно интересна там, где интуиция начинает ошибаться.
Многие компании уже запускают ИИ-проекты, но далеко не все доводят их до результата. Для этого нужен руководитель, который понимает и бизнес, и разработку
Взять на себя такую роль может менеджер проектов, IT-специалист, аналитик или исследователь. Нужно только разобраться, как устроены ИИ-проекты изнутри. Этому учат на курсе «Руководитель проектов в области ИИ» от МФТИ и Нетологии.
Что внутри:
🎓 106 акад. часов от МФТИ: жизненный цикл ИИ-систем, машинное обучение, методики снижения рисков;
⚙️ 36 акад. часов практики от Нетологии: командный MVP-проект и прототипы на LLM в Langflow без кода;
👥 вебинары с экспертами, ответы на сложные вопросы и полностью дистанционное обучение, чтобы было легче совмещать с работой.
В итоге у вас будет документ от МФТИ и Нетологии и проект, который можно показать руководству.
💳 Есть рассрочка, оплата за счёт работодателя и налоговый вычет. А до 30 сентября действует скидка 10 000 рублей по промокоду AIMFTI.
Записаться на курс
Repost from Machinelearning
📌Fable 5.1 рассчитала амплитуду рассеяния в девяти петлях
Модель в среде Claude Science рассчитала шестичастичную амплитуду рассеяния в планарной четырёхкратно суперсимметричной теории Янга–Миллса на уровне девяти петель.
Амплитуды рассеяния показывают, насколько вероятна та или иная реакция при столкновении частиц, и по ним теорию сверяют с данными Большого адронного коллайдера. Целиком их не посчитать, поэтому физики обрывают расчёт на определённом числе петель, т.к каждая следующая приближает к реальному ответу, но так его утяжеляет, что большинство амплитуд доведены лишь до двух петель, а некоторые до трёх. Суперсимметричный вариант теории Янга–Миллса реальный мир не описывает, это полигон, где специалисты по амплитудам оттачивают методы, потому что считать в нём парадоксально проще.Задачу запустили штатные физики Anthropic Лиам Фицпатрик и Сиддхарт Мишра-Шарма в ответ на вызов бывшего физика и научного журналиста Мэтта фон Хиппеля - он предлагал ИИ-компаниям решить одну из крупных открытых задач его прежней области с вычислительными ресурсами академического уровня. Результат проверил Лэнс Диксон из Стэнфорда и SLAC, соавтор предыдущего рекорда в восемь петель. Восьмипетлевой результат Диксон и Энди Лю получили в 2023 году окольным путём, через родственную величину, форм-фактор. Claude пришёл к девяти петлям двумя способами - исходным гексагональным бутстрапом и через форм-фактор. Исследователи дали модели постановку задачи и дальше вмешивались редко, в духе:
«... я иду спать, продолжай, пока не скажу остановиться, и присылай отчёт каждые 4–6 часов».Код бутстрапа Claude сам написал на Python с SymPy и неделю считал на 96 процессорах. Диксон проверил результат, пересчитав из амплитуды девятипетлевой форм-фактор, к которому его команда шла пару лет, и назвал работу настоящим триумфом для языковой модели, выполнившей все шаги сложного алгоритма. Параллельно к тому же результату шла группа Сун Хэ из Китайской академии наук с GPT-6 и когда китайцы связалась с фон Хиппелем через несколько дней после Anthropic, большая часть расчёта у них уже была готова. Фон Хиппель допускает, что задача просто удобна для ИИ, но считает, что технология действительно стала лучше:
«В марте 2026 года ИИ выполнял физические проекты как студент - это были небольшие задачи, много опеки и ошибок. Здесь же настоящий расчёт на переднем крае науки, из тех, за которые обычно берутся ведущие специалисты по амплитудам», – пишет он.Результат выложен на сайте Мишры-Шармы. Рецензирования не было, а полную функцию, по признанию авторов, посчитали один раз, независимо перепроверили только её упрощённую часть, символ. @ai_machinelearning_big_data #news #ai #ml
💰 У пяти крупнейших гиперскейлеров уже $2,8 трлн будущих обязательств
По данным Moody’s, совокупные лизинговые, закупочные обязательства и гарантии крупнейших облачных компаний выросли примерно с $350 млрд в 2023 году до $2,8 трлн сегодня.
Из них:
- более $1 трлн - ещё не начавшиеся аренды дата-центров;
- около $1,57 трлн - будущие закупки;
- ещё $137 млрд - гарантии.
То есть за несколько лет объём обязательств вырос примерно в 8 раз.
Avito DS Meetup: RL, AI-агенты и BidCorrection 🚀
🔸 Булат Шарипов расскажет, как в Авито обучают собственные языковые модели с помощью RL, а Владислав Воробьев — как BidCorrection меняет состав трафика, не трогая сами объявления.
🔸 Всеволод Викулин из Т-Банка поделится, как выбирать правильные процессы для автоматизации с помощью AI-агентов, расскажет про роли, ответственность и, конечно, про самих агентов.
Про это и многое другое узнаете на Avito DS Meetup 7 октября.
После докладов будет нетворкинг с DS-сообществом. А ещё, если придёте офлайн, сможете найти прикольные тематические пасхалки, которые мы для вас спрятали 👀
📌 Встречаемся в 18:30 7 октября.
Количество офлайн-мест ограничено — регистрация обязательна.
✏ Регистрируйтесь по ссылке и приходите!
arXiv получил $17,2 млн на следующие 3–5 лет.
Деньги выделили Simons Foundation International, Siegel Family Endowment и XTX Markets. Они пойдут на развитие платформы, поддержку её работы и переход arXiv к статусу независимой некоммерческой организации.
Для исследователей это хорошая новость: один из главных открытых архивов научных работ получает ресурсы на обновление инфраструктуры и дальнейшую работу.
Источник — arXiv - https://blog.arxiv.org/2026/09/23/arxiv-receives-multiyear-investment/
Repost from Machinelearning
✔️ OpenAI расширила Academy до 14 курсов
OpenAI добавила в свою образовательную платформу курсы для разработчиков, руководителей, преподавателей и студентов вузов.
Вместе с уже существовавшим направлением Apply AI at Work каталог теперь разделён на четыре трека по ролям, всего 14 курсов.
Каждый курс заканчивается экзаменом из 10–20 вопросов, которые случайно выбираются из банка в 50 заданий.
Кто наберёт минимум 80%, получает ачивку OpenAI Academy, которую выдаёт и хранит платформа Accredible. За все курсы и экзамены трека, где это предусмотрено, выдают сертификат об окончании.
Ни цифровая ачивка, ни сертификат не считаются профессиональной сертификацией.При провале экзамен можно пересдать с новым набором вопросов, а сам курс можно просто пройти без сдачи экзамена. 🟢Apply AI at Work из трёх курсов учит ставить ChatGPT задачу, давать контекст, проверять ответы и превращать удачные приёмы в повторяемые процессы. Затем слушатели поручают работу агентам и расставляют контрольные точки для проверки человеком. 🟢Build with AI – самый большой трек, восемь курсов: работа с Codex на всём цикле разработки и продукты на OpenAI API, от проектирования решения и оценки качества до агентов, поиска нужной информации и эксплуатации в продакшене. 🟢Lead AI Adoption пока состоит из одного курса AI Leadership. Слушатели привязывают ИИ-инициативу к приоритетам бизнеса, распределяют ответственность, задают правила и собирают первую версию стратегии и дорожной карты внедрения. 🟠AI for Educators учит планировать занятия и составлять задания и контрольные. 🟠AI for College Students учит собирать учебный план, распределять роли в групповом проекте и готовиться к собеседованиям. Для компаний есть руководство по внедрению курсов - как представить их сотрудникам, вовлечь руководителей и отслеживать прогресс. @ai_machinelearning_big_data #news #ai #ml
Почему универсального ML-алгоритма не существует?
Теорема No Free Lunch утверждает: если усреднить качество алгоритмов по всем возможным задачам, ни один из них не окажется лучше остальных. Преимущество появляется только вместе с предположениями о структуре конкретных данных.
В канале «Зачем мне эта математика?» разобрали, как это связано с индуктивным смещением, колмогоровской сложностью и архитектурами нейросетей. Почему CNN хорошо работают с изображениями, откуда берётся сила трансформеров и как ограничения модели становятся её преимуществом.
Подписывайтесь на канал и читайте больше историй на стыке математики и технологий.
+1🚨 DeepSeek обучает модель на 2 трлн параметров и планирует следующую на 8 трлн
Для сравнения:
• Kimi K3: 2,8 трлн параметров
• DeepSeek V4 Pro: 1,6 трлн
• новая модель DeepSeek: 2 трлн
• будущая модель: до 8 трлн
Главная ставка компании заключается в переходе на китайские ускорители. DeepSeek ожидает новые обучающие чипы Huawei в IV квартале 2026 года или I квартале 2027 года.
По данным The Information, глава DeepSeek Лян Вэньфэн заявил инвесторам, что обучение на отечественных чипах «должно сработать».
Пока это планы, раскрытые на встрече с инвесторами, а не официальный релиз модели. Но направление понятно: DeepSeek хочет масштабировать модели и одновременно избавиться от зависимости от Nvidia.
https://www.theinformation.com/articles/deepseek-bets-big-huawei-chips-bypass-u-s-export-controls/
Вопрос уже не в том, нужен ли ИИ, а в том, как его внедрять и масштабировать
Найдем ответ на бесплатной конференции 8 октября
Все об эффективном и безопасном внедрении ИИ в бизнес расскажут эксперты топовых технологических компаний на конференции Selectel ТехноДень в Москве.
На повестке:
🔺Как использовать генеративный ИИ в компании без хаоса и получать от этого измеримый эффект: от теории до реальных кейсов.
🔺Как ускорить внедрение ИИ в бизнес-процессы и минимизировать риски для бизнеса с помощью инструментов ИБ.
🔺Какую ИТ-инфраструктуру выбрать для инференса и обучения моделей.
Кроме 20 экспертных докладов и 20 интерактивных стендов, в финале вечера вас ждет живая запись подкаста Вселенная Плюс на главной сцене конференции.
Присоединяйтесь к Selectel ТехноДень, чтобы лично задать вопросы экспертам рынка и обменяться опытом. Количество мест ограничено, регистрируйтесь уже сейчас →
Реклама. АО "Селектел". erid:2W5zFFzm7cD
OpenAI близка к решению ещё одной задачи тысячелетия — гипотезы Ходжа, сообщает The Information.
Гипотеза пытается связать сложную геометрию многомерных пространств с более простыми алгебраическими объектами. Она остаётся нерешённой с 1950 года, а за доказательство назначена премия $1 млн.
Ранее OpenAI заявила о решении задачи Навье - Стокса. Теперь компания сообщила о «существенном прогрессе» над следующей проблемой, но может отложить публикацию из-за конфликта с математическим сообществом вокруг авторства и прозрачности предыдущей работы.
Пока доказательство гипотезы Ходжа не опубликовано и не прошло независимую проверку — речь идёт о сообщении источников, а не о признанном решении.
https://www.theinformation.com/newsletters/ai-agenda/openai-close-solving-another-millennium-prize-math-problem?
VisualGenAI — курс по генеративным моделям в компьютерном зрении, который идёт в ногу с передним краем генеративного ИИ. Его автор — Дмитрий Баранчук из Школы анализа данных.
Студенты изучают диффузионные и гибридные модели, авторегрессионную, мультимодальную и 3D-генерацию, а в домашках работают с технологиями из свежих научных статей — то есть с тем, что ещё только появляется. И главное — материалы лежат в открытом доступе на GitHub, так что проходить его можно и вне ШАДа.
За этот курс Дмитрий Баранчук получил Yandex ML Prize — премию для преподавателей и руководителей образовательных программ, которые готовят ИИ-специалистов. Всего премию получили восемь лауреатов — их отобрали из 400 заявок.
