¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
Математика Дата саентиста
Ir al canal en Telegram
@workakkk - админ @data_analysis_ml - ds https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946
Mostrar más📈 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 14 048 suscriptores, ocupando la posición 9 193 en la categoría Tecnologías y Aplicaciones y el puesto 47 436 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 14 048 suscriptores.
Según los últimos datos del 16 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -69, 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 17.40%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.99% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 2 445 visualizaciones. En el primer día suele acumular 982 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 56.
- 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 17 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 Tecnologías y Aplicaciones.
14 048
Suscriptores
Sin datos24 horas
-77 días
-6930 días
Archivo de publicaciones
🔥 БЕСПЛАТНЫЙ КУРС ПО СОЗДАНИЮ НЕЙРО-СОТРУДНИКОВ НА GPT И ДРУГИХ LLM 🔥
Ищете практический и углубленный курс, чтобы освоить создание нейро-сотрудников? Мы создали курс из 5 объемных занятий. Это именно то, что нужно, чтобы прокачать свои навыки абсолютно бесплатно!
📌 Темы занятий:
1. Введение в мир нейро-сотрудников
2. Как работают LLM и их аналоги
3. Создание базы знаний для нейро-сотрудника (RAG)
4. Тестирование и отладка нейро-сотрудников
5. Интеграция нейро-сотрудников в Production
Вот 5 тем курса - он максимально простой и доступный, общеобразовательный, без какого-либо сложного программирования 📚Прохождение этого курса, скорее всего, займет у вас от 1 до 3 часов
🤖 Присоединяйтесь к нашему бесплатному курсу и разберитесь в этой увлекательной теме с нами!
Как мнимые числа спасли математику
Вероятно, вы слышали про мнимую единицу, или «i». Это число, которое при возведении в квадрат даёт -1 (минус один). Тем, кто из школьной программы помнит, что результат возведения в квадрат всегда положительный, это может показаться странным. Не переживайте, долгое время идея о квадратных корнях отрицательных чисел ставила в тупик величайших математиков.
Тем не менее мнимые числа вошли в обиход и доказали свою пользу: с их помощью мы не только научились решать некоторые уравнения, но и получили возможность узнать чуть больше о том, как на самом деле устроена Вселенная. Историю их появления, как мы считаем, вполне достойную экранизации, расскажет Дерек Маллер в новом видео.
источник
⚙️🦾 Ансамбли моделей в Scikit-learn — усиливаем ML-модели за счёт объединения
Ансамбли моделей — проверенный способ повысить стабильность и точность прогнозов. На открытом уроке разберём, как объединять алгоритмы, чтобы добиться лучших результатов. Вы научитесь использовать bagging, boosting, stacking, сравните одиночные и ансамблевые модели и увидите, как на практике растут метрики. Разберём популярные инструменты библиотеки: RandomForest, GradientBoosting, VotingClassifier, StackingClassifier — и посмотрим, какие из них работают эффективнее для ваших задач.
Урок будет полезен ML-инженерам, аналитикам и разработчикам, которые хотят не просто обучать модели, а добиваться максимального качества и устойчивости решений. Вы поймёте, как валидировать ансамбли, комбинировать подходы и избегать ошибок при настройке.
➡️ 2 декабря в 20:00 МСК. Открытый урок проходит в преддверии старта курса «Machine Learning. Professional». Регистрация открыта: https://otus.pw/sgp2/?erid=2W5zFK5knik
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
✨ Превращай математику в живые анимации с Manim
Статические слайды — это хорошо, но сложные идеи гораздо легче объяснить через динамические визуализации.
Manim позволяет создавать профессиональные математические анимации в Python — такие же, как в видео 3Blue1Brown.
Что делает Manim мощным:
• MathTex — задаёт формулы в LaTeX
• Transform — плавно превращает одну формулу в другую
• play() и wait() — управляют ходом анимации
• Рендеринг одной командой:
manim -p -ql script.py
Manim — идеальный инструмент, когда нужно не просто показать формулу, а *объяснить идею* так, чтобы она оживала на экране.
https://docs.manim.community/en/stable/reference/manim.mobject.geometry.html#module-manim.mobject.geometry
Привет! Авито проводит второй ML reading club, в этот раз с Денисом Кайшевым, Senior Backend Engineer. Вместе со зрителями прочитаем и разберём статью Demystifying NCCL: An In-depth Analysis of GPU Communication Protocols and Algorithms.
Изучим архитектуру библиотеки NCCL и обсудим:
— как работают её внутренние механизмы, для которых почти нет документации;
— как описываются способы обмена при взаимодействии intra/inter node;
— как строятся алгоритмы коллективных операций.
Найдём узкие места библиотеки и выясним, как оптимизировать производительность распределённых вычислений.
📌 Встреча пройдёт 20 ноября в 18:00 в Контур.Толке.
⌚️ Ссылку на подключение пришлём в канал «Доска AI-объявлений» за час до начала эфира.
🚨 Новая редкая работа от Терренса Тао: AlphaEvolve решает часть математических задач лучше людей
Google представила AlphaEvolve - систему, которая эволюционным поиском находит решения к сложным математическим задачам. Тао протестировал её на 67 задачах из разных областей: от неравенств до числовых констант.
📌 Что проверяли
- задача о «движущемся диване» в 2D и 3D
- Kissing problem в N-мерном пространстве
- упаковка окружностей
- задача IMO 2025 по тесселяции
- задача о стопках блоков
🧠 Как работает AlphaEvolve
Алгоритм запускает множество параллельных попыток, проверяет решения, а затем «скрещивает» лучшие идеи, отбирая наиболее успешные.
🔥 Интересные выводы
- сильнее модель - быстрее сходимость (хотя не всегда)
- параллельность ускоряет поиск, но сильно увеличивает стоимость
- reward hacking встречается часто
- результаты значительно лучше, если похожие задачи были в обучении и если процесс направляет эксперт (особенно когда эксперт - сам Тао)
💡 Важное предложение из статьи
Тао предлагает вводить класс задач «AlphaEvolve-hard» - те, где ИИ не может легко нарушить неравенство или найти конструкцию. Такие задачи требуют принципиально нового человеческого инсайта.
Эта работа пролетела почти незаметно, но я провёл над ней больше двух часов - и это одна из самых впечатляющих математических статей за последнее время.
https://www.alphaxiv.org/abs/2511.02864v1
Красота неосвещенных геометрических проблем
0:00 — О чем это видео
0:24 — Задача об освещении многоугольника
1:34 — А как быть с вершинами?
2:06 — Существует ли другие примеры?
2:50 — Открытая проблема о зеркальных кругах
3:31 — Циклический путь в остроугольном треугольнике
4:30 — Экстремальный признак
5:22 — Прямоугольные, тупоугольные и равнобедренные
6:13 — Луч внутри прямоугольника
6:38 — Окружность и каустики траекторий
8:06 — Каустики траекторий в эллипсе
9:46 — Бильярд Пенроуза
10:38 — Коэффициент диффузии
12:11 — Мельница Токарского
12:35 — Четырехугольник Токарского
источник
Задача: сколько весит красный шар?
На весах:
Слева: 6 шаров + груз 2 кг
Справа: 4 шара + груз 7 кг
Разница между грузами: 7 − 2 = 5 кг
Разница между шарами: 6 − 4 = 2 шара
То есть 2 шара = 5 кг → один шар = 2.5 кг.
Ответ: красный шар весит 2.5 кг.
🔥 Подборка полезных ресурсов для программистов.
Здесь ты найдёшь всё это - коротко, по делу и без воды.
Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты!
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Devops: t.me/DevOPSitsec
Собеседования DS: t.me/machinelearning_interview
C++ t.me/cpluspluc
Docker: t.me/DevopsDocker
Хакинг: t.me/linuxkalii
Data Science: t.me/data_analysis_ml
Javascript: t.me/javascriptv
C#: t.me/csharp_1001_notes
Java: t.me/java_library
Базы данных: t.me/sqlhub
Python собеседования: t.me/python_job_interview
Мобильная разработка: t.me/mobdevelop
Golang: t.me/Golang_google
React: t.me/react_tg
Rust: t.me/rust_code
ИИ: t.me/vistehno
PHP: t.me/phpshka
Android: t.me/android_its
Frontend: t.me/front
Big Data: t.me/bigdatai
МАТЕМАТИКА: t.me/data_math
Kubernets: t.me/kubernetc
Разработка игр: https://t.me/gamedev
Haskell: t.me/haskell_tg
Физика: t.me/fizmat
💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Папка Linux:https://t.me/addlist/w4Doot-XBG4xNzYy
😆ИТ-Мемы: t.me/memes_prog
🇬🇧Английский: t.me/english_forprogrammers
🧠ИИ: t.me/vistehno
🎓954ГБ ОПЕНСОРС КУРСОВ: @courses
📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Сохрани себе, чтобы не потерять!
+3
🚀 VibeThinker: Новый стандарт в моделях с малым количеством параметров
Это 1.5B модель, которая демонстрирует выдающиеся способности в решении математических задач, соперничая с гораздо более крупными моделями. Используя инновационную методику постобучения, она достигает результатов, сопоставимых с открытыми моделями, такими как GPT OSS-20B Medium, при значительно меньших затратах.
🚀Основные моменты:
- Эффективность: 1.5B параметров, производительность на уровне 1000B+ моделей.
- Инновационная методология: "Spectrum-to-Signal Principle" для улучшения разнообразия выходных данных.
- Выдающиеся результаты: Превосходит модели, в 10-600 раз большие.
- Экономичность: Разработка модели стоит всего $7,800 против сотен тысяч для конкурентов.
📌 GitHub: https://github.com/WeiboAI/VibeThinker
#python
Repost from Machinelearning
💡 GPT-5 и Sudoku-Bench, почему новые модели всё ещё ломаются на судоку
Sakana AI представили Sudoku-Bench - набор классических и продвинутых судоку-задач, который проверяет не память модели, а её способность рассуждать, понимать новые правила и держать всю логику пазла в голове.
Они протестировали современные модели, включая GPT-5 и методы тонкой настройки вроде GRPO и thought-cloning.
Главное:
GPT-5 стала первой моделью, которая уверенно решает часть сложных задач и показала около 33 % успешных решений на наборе challenge_100. Ранее ни одна LLM не справлялась даже с обычным 9×9.
Но треть решённых - это всё ещё мало: большая часть задач остаётся нерешённой, особенно варианты с необычными правилами.
Ключевая трудность в том, что такие головоломки требуют не просто следовать правилам, а уметь понять незнакомые ограничения, найти стратегию «входа», просчитывать ходы вперёд и сохранять глобальную согласованность. Модели часто делают правильные локальные шаги, но теряют общую структуру.
GRPO и thought-cloning дают улучшения, но пока не позволяют моделям преодолеть сложные варианты. Даже с обучением на человеческих примерах ИИ быстро «запутывается» в длинных логических цепочках.
Sudoku-Bench - это тест на реальное рассуждение, а не на подбор паттернов. Он проверяет пространственное мышление, логику, способность адаптироваться и работать с новыми правилами. Прогресс на таких задачах - показатель движения к более структурному и осмысленному ИИ.
Авторы предлагают Sudoku-Bench как стандарт, по которому можно судить, насколько модели действительно умеют думать. Для будущих систем важны не просто большие параметры, а развитая логика, планирование и умение работать с новыми структурами задач.
@ai_machinelearning_big_data
#ai #ml #sakana
👿 Data Dojo 27 ноября: программа встречи
Data Dojo — мероприятие Яндекса для ML-энтузиастов всех уровней. Какие будут лекции:
17:10 Обзор трендов и предварительные итоги года
Сергей Овчаренко, руководитель отдела мультимодального анализа и генерации17:40 Научить AI не бредить, сдать физику и получить права: как мы готовили задачи ML-квалификации Yandex Cup
Сергей Фиронов, ведущий разработчик службы поведения и предсказания департамента Автономного транспорта18:10 Кухня, гости, музыка: как мы научили колонку реагировать в реальном хаосе
Дмитрий Солодуха, руководитель команды голосовой активацииСобираемся в 16:00. Фуршет, нетворкинг, мастер-класс, afterparty — будет всё. Регистрируйся
AI, который сам выводит законы физики
Команда из Университета Цинхуа, Пекинского университета и других исследователей представила систему PhyE2E - ИИ, который способен автоматически выводить физические уравнения прямо из сырых данных. Без участия человека.
Модель обучена на реальных научных датасетах и известных физических законах. Она сочетает трансформеры и символьное рассуждение, чтобы генерировать компактные, корректные по единицам измерения и понятные учёным уравнения.
На астрофизических данных NASA PhyE2E не только воспроизвёл человеческие результаты, но и предложил улучшенную формулу солнечных циклов.
Это шаг за пределы обычного «подбора кривой»: ИИ начинает учиться тому, как устроена Вселенная, и выражает это на человеческом языке — уравнениями. Исследователи называют PhyE2E первым шагом к автоматическому научному открытию, где ИИ не просто анализирует данные, а выводит новые законы природы.
Если такие системы будут развиваться дальше, темпы научного прогресса могут увеличиться на порядки — действительно в тысячи раз.
https://phys.org/news/2025-11-ai-framework-uncover-space-physics.html
🔬 Учёные из Польши: квантовые частицы связаны "на расстоянии" просто потому, что они одинаковые
Физики-теоретики из Польши показали, что *нелокальность* — загадочная "мгновенная связь" между квантовыми частицами — может возникать без запутанности и без взаимодействия.
🔍 Почему?
Потому что одинаковые квантовые частицы (например, электроны или фотоны) неотличимы по сути.
И этого уже может быть достаточно, чтобы возникали скрытые "связи" на расстоянии.
1. Проще квантовая связь
Если нелокальные связи возникают *автоматически*, то не нужно всегда настраивать хрупкую запутанность.
➡️ Это может упростить квантовые сети и сделать их стабильнее.
2. Новый подход к квантовым компьютерам
Возможно, мы сможем использовать *встроенные* нелокальные корреляции, чтобы сделать вычисления более надёжными и энергоэффективными.
3. Иная перспектива на телепортацию
Сейчас телепортация работает на основе запутанности.
Но если *нелокальность встроена изначально*, возможно появление телепортации без запутанности.
👀
4. Глубокий намёк на структуру Вселенной
Если нелокальность — свойство *тождественности частиц*, то пространство и время могут быть производными, а информация — фундаментальна.
Это поддерживает идеи квантовой гравитации и теории симуляции.
🌌 Вывод
Это не телепортация людей (пока).
Но если *вселенная уже "проводит кабель"* между частицами, нам остаётся лишь подключиться.
Возможно, Вселенная уже всё подготовила. Надо только понять, как этим воспользоваться.
https://www.nature.com/articles/s41534-025-01086-x
🧠 IBM объясняет, как математика симметрий помогает создавать новые квантовые алгоритмы
Математика групп — это про симметрии: как объекты можно менять местами, вращать или переставлять, и что при этом остаётся неизменным.
IBM показывает, что те же самые идеи лежат в основе квантовых вычислений — и помогают искать задачи, где квантовые алгоритмы могут быть быстрее классических.
Ключевые идеи:
- Симметрии в природе описываются теорией групп
- Квантовые системы тоже подчиняются симметриям
- Если правильно описать задачу через симметрии, можно найти квантовый алгоритм с ускорением
- IBM работает с более сложными (не-абелевыми) симметриями — это следующий уровень, сложнее и мощнее
Зачем это всё
Мы ещё не нашли много «убойных» квантовых алгоритмов.
Подход через симметрии — это способ открывать новые, а не только улучшать старые.
Если коротко:
Математика симметрий может стать картой для поиска новых квантовых алгоритмов.
Подробнее: https://www.ibm.com/quantum/blog/group-theory
Видео: https://www.youtube.com/watch?v=eSy-pwkLiIQ
#quantum #math #grouptheory #IBMQuantum #algorithms
Repost from Machine learning Interview
🧠 ИИ теперь не только создаёт знания — он их спасает
Издательская группа Frontiers сообщила: около 90% научных данных никогда не переиспользуются и не публикуются должным образом.
Иными словами, большинство открытий исчезает в цифровом небытии.
Чтобы это изменить, Frontiers запустила платформу на базе ИИ, которая
- сканирует забытые исследования,
- систематизирует данные,
- и связывает их между собой, превращая «потерянные» результаты в новые открытия.
💡 Наука тонет в данных — и теперь именно ИИ помогает достать их на поверхность.
https://www.sciencedaily.com/releases/2025/10/251013040314.htm
Высшая математика. Математическое программирование
Кузнецов А.В., Сакович В.А., Холод Н.И. (2013)
Излагаются методы решения задач линейного программирования, элементы теории двойственности, рассматриваются программирование на сетях, дискретное и выпуклое программирование, основы теории матричных игр, динамического и параметрического программирования, даются сведения из стохастического программирования, излагаются методы решения задач транспортного типа. Основное внимание уделено приложениям математических методов в экономике, приведены примеры экономического содержания с анализом полученных результатов.
🚀 Новый курс на Stepik: Computer Vision Engineer
Соберите production-ready CV-сервис: данные → модель → деплой → метрики.
Что внутри
• Задачи: классификация, сегментация, детекция, трекинг, OCR/Doc-AI
• Данные: разметка, баланс классов, аугментации (Albumentations), DataOps
• Инференс: ONNX/TensorRT, смешанная точность, батчинг, троттлинг
• Сервинг: FastAPI/gRPC, очереди сообщений, асинхронные пайплайны
• Надёжность: мониторинг, дрейф данных, алерты, регрессионные тесты
• MLOps для CV: mAP/IoU/Dice, A/B-тесты, бюджет по инфре
• Прод: Docker/Compose, CI/CD, профилирование p95 и cost/req
🎯 Итог: портфолио-проект + репозиторий + чек-листы деплоя и мониторинга + сертификат Stepik.
🔥 Промокод COMPUTERVISION: −30% на 48 часов.
👉 Пройти курс со скидкой
ВВС: История математики
Часть 1 Язык вселенной
Часть 2 Гений Востока
Часть 3 Пределы пространства
Часть 4 За пределы бесконечности
Математика - универсальный язык Вселенной, фундамент, на котором основаны все другие науки. Как человечество смогло открыть тайны этого универсального языка? Начиная с древнейших времен, прослеживается история математики до наших дней и завершается рассказом о наиболее важных проблемах современности. За решение каждой из этих "проблем тысячелетия" полагается крупное денежное вознаграждение. Но главное, их решение позволит лучше понять устройство нашего мира.
