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 14 427 suscriptores, ocupando la posición 8 862 en la categoría Tecnologías y Aplicaciones y el puesto 45 023 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 14 427 suscriptores.
Según los últimos datos del 11 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 170, y en las últimas 24 horas de 5, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 12.78%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.09% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 844 visualizaciones. En el primer día suele acumular 878 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 18.
- 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 12 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.
14 427
Suscriptores
+524 horas
+87 días
+17030 días
Archivo de publicaciones
ТЕОРИЯ ВЕРОЯТНОСТЕЙ В ПРИМЕРАХ И ЗАДАЧАХ
В. А. КОЛЕМАЕВ, В. Н. КАЛИНИНА, В. И. СОЛОВЬЁВ, В. И. МАЛЫХИН, А. П. КУРОЧКИН (2001)
Учебное пособие для студентов всех специальностей
Содержит задачи по теории вероятностей. По каждому разделу учебной про- граммы приводятся необходимые теоретические сведения, типовые примеры с решениями и задачи для самостоятельного решения, сопровождающиеся ответами.
От других пособий отличается ориентацией на экономические приложения: большинство задач по каждой теме составлены специально для настоящего изда- ния и иллюстрируют применение математических методов при исследовании эко- номических и социальных процессов, принятии управленческих решений, управ- лении рисками и т. д. Приводятся как элементарные задачи, доступные студентам всех специальностей, так и задачи повышенной сложности, рассчитанные на сту- дентов, изучающих расширенный курс теории вероятностей и математической статистики.
На AI Journey презентовали крупнейший open-source проект в Европе: Сбер открыл доступ к своим флагманским моделям - GigaChat Ultra-Preview и Lightning, а также новое поколение открытых моделей GigaAM-v3 для распознавания речи, все модели генерации изображений и видео новой линейки Kandinsky 5.0 — Video Pro, Video Lite и Image Lite.
GigaChat Ultra-Preview, новая MoE-модель, 702 миллиарда параметров, собранная под русский язык и натренированная полностью с нуля. Читайте подробный пост от команды.
Впервые в России обучена MoE-модель такого масштаба полностью с нуля — без зависимости от зарубежных весов. Обучение с нуля, да и ещё на таком масштабе, — это вызов, который приняли немногие команды в мире.
Флагманская модель Kandinsky Video Pro сравнялась с Veo 3 по визуальному качеству и обогнала Wan 2.2-A14B. Читайте подробный пост от команды.
Код и веса всех моделей теперь доступны всем пользователям по лицензии MIT, в том числе для использования в коммерческих целях.
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
Можно ли передать характер животного всего одной линией❓
Оказывается, да.
И математика тут играет не меньшую роль, чем искусство.
В канале «Зачем мне эта математика» я наткнулся на потрясающую историю о том, как художник и инженер смотрят на одну и ту же форму.
Там рассказывают о карандашных набросках Пикассо, в которых он рисовал животных одной непрерывной линией. Свою таксу Лумпа он изобразил одним штрихом, — при этом каждому понятно, что это именно собака.
Интересно еще то, что программист Джереми Кун попытался описать этот рисунок математически. Он оцифровал контур таксы и аппроксимировал — то есть заменил линию рисунка на математическую кривую — каждый сегмент всего одной кривой Безье, линией, которую можно задать всего парой опорных точек.
В итоге оказалось, что всего девяти кривых достаточно, чтобы почти идеально повторить живую линию художника.
Математика дала форму, которой можно легко управлять: масштабировать, анализировать, анимационно «рисовать» шаг за шагом.
Так становится видно, как формулы и творчество соединяются в одном пространстве.
Если вам нравится, когда математика помогает понять искусство, технологии и визуальные формы, загляните в «Зачем мне эта математика». Там таких неожиданных историй полно.
Реклама. ООО «ФРОМ СКРЭТЧ», ИНН 9724205560, erid: 2VtzqvFdwow
⚡️ Математический roadmap для ML специалистов: от линала до теорвера
Это подробный гайд по математическому фундаменту, необходимому для понимания работы алгоритмов «под капотом». Материал полезен тем, кто хочет углубиться в теорию дальше вызова
.fit() в scikit-learn.
Ключевые поинты:
* Структура: Roadmap базируется на трех дисциплинах:
1. Linear Algebra: Язык описания данных и моделей (векторы, матрицы, тензоры).
2. Calculus: Инструментарий для обучения и оптимизации (производные, градиенты).
3. Probability Theory: Фреймворк для оценки неопределенности.
Подход: Автор делает упор на интуицию, а не на заучивание формул.
Гайд связывает абстрактную математику с конкретными ML-задачами - от понимания того, как работает Backpropagation и SGD, до причин взрыва градиентов и выбора функции потерь.
🔗 Читать полную версию: https://thepalindrome.org/p/the-roadmap-of-mathematics-for-machine-learning
🔗 Мат база на русском: https://stepik.org/course/226596/info
Математика и алгоритмы для программиста
Сегодня в гостях у LoftBlog программист-математик Стас Капулкин. Мы поговорим про методологии проектирования IT продуктов, про то, почему просто невозможно создать хорошую архитектуру программы без глубоких знаний в математике. Вы узнаете, что такое теория категорий, при чем тут когнитивная психология, как и где применяются big data, что такое Motion Learning и почему рядовые веб-разработчики рискуют в будущем остаться без работы, если всерьез не возьмутся за изучение алгоритмов и математики.
Конференция AI Driver & RecSys Темы — пространство, где наука и бизнес встречаются, чтобы обсудить будущее рекомендаций ⚡️
28 ноября пройдёт конференция о том, как создаются и развиваются современные рекомендательные системы.
На площадке Сбера соберутся эксперты топовых российских IT-компаний и вузов, чтобы обсудить новые исследования, открытые датасеты и практические решения, которые меняют подход к персонализации.
Это возможность за один день познакомиться с ключевыми трендами RecSys, пообщаться со специалистами и вдохновиться идеями, формирующими будущее рекомендаций.
Присоединяйтесь к профессиональному сообществу 28 ноября в 10:00 — регистрация по ссылке!
Основы линейной алгебры
1. Введение
2. Векторы. Часть 1
3. Векторы. Часть 2
4. Векторы. Часть 3
5. Матрицы. Часть 1
6. Матрицы. Часть 2
7. Линейные уравнения. Часть 1
8. Линейные уравнения. Часть 2
9. Спектр матрицы
10. Заключение
источник
💵💸💸 Открытый урок «Введение в библиотеки обработки данных финансовых моделей».
🗓 04 декабря в 20:00 МСК🆓 Бесплатно. Урок в рамках старта курса «ML для финансового анализа».
Программа вебинара:
✔️ Минимально необходимые основы языка python.
✔️ Примеры финансовых данных, способов их загрузки, обработки и визуализации.
✔️ Использование библиотек pandas и numpy для анализа финансовых данных.
👥 Для кого будет актуален:
- Для тех, кто хочет познакомиться с основными инструментами и библиотеками для анализа финансовых данных. Узнать, как использовать эти инструменты для обработки, анализа и визуализации финансовых данных;
✅ Что вы узнаете по итогам урока:
- Проведут обзор популярных инструментов и библиотек обработки финансовых данных.
- Познакомятся с основами python, pandas и numpy.
- Узнают основные приемы языка программирования и библиотек для анализа и визуализации данных.
🔗 Ссылка на регистрацию: https://otus.pw/untZ/?erid=2W5zFGDdUZv
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
🔥 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
