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 14 129 suscriptores, ocupando la posición 8 983 en la categoría Tecnologías y Aplicaciones y el puesto 46 602 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 14 129 suscriptores.
Según los últimos datos del 01 agosto, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 87, y en las últimas 24 horas de 1, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 12.01%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.42% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 698 visualizaciones. En el primer día suele acumular 907 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 16.
- 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 02 agosto, 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.
14 129
Suscriptores
+124 horas
+137 días
+8730 días
Archivo de publicaciones
⚡️ Очень понятная и сильная идея в этой работе
Авторы берут замороженные DINOv2 / SigLIP и превращают их в генеративную модель через Feature Auto-Encoder (FAE) - всего с одним attention-слоем.
Главная мысль:
👉 не пытаться сразу генерировать пиксели.
Сначала модель учится восстанавливать признаки teacher-модели, а уже потом отдельный декодер превращает их в изображение.
Как это делают:
- из изображения получают признаки DINOv2 / SigLIP
- сжимают их в очень маленький латент (всего 32 измерения)
- обучают модель восстанавливать эти признаки, сохраняя их семантику
- только после этого включают пиксельный декодер
Зачем это нужно:
Так 32-мерный латент сохраняет смысл изображения, а не просто пиксельную статистику.
Два ключевых трюка:
1️⃣ Gaussian Embedding Decoder
Пиксельный декодер заранее учат на признаках с добавленным шумом.
Это делает генерацию устойчивой и не даёт модели «развалиться» при обучении.
2️⃣ Time Shift
Смещение по времени в flow-matching помогает согласовать маленький латент и большое пространство изображений, ускоряя сходимость.
Результат:
- FID 1.29 на ImageNet-256
- обучение в 10 раз быстрее обычных подходов
(80 эпох вместо 800)
Вывод:
Можно получить топовое качество генерации, если сначала научить модель думать в признаках, а не сразу рисовать пиксели.
https://huggingface.co/papers/2512.07829
Год подходит к концу, сроки горят, локальное оборудование перегружено?
Переходи в GPU-облако immers.cloud:
💰 Посекундная тарификация: тарифы от 23 руб/час, платите только за время, когда сервер реально работает.
⚡️ Быстрый старт: Виртуальная машина готова к работе за 2–3 минуты.
📈 Гибкость и масштабируемость: 13 моделей видеокарт на выбор
RTX 4090, RTX 3080 и RTX 4090 — для рендеринга, генерации изображений и гейминга; H100 (80GB) и H200 (141GB) — для обучения и инференса LLM с большой памятью; RTX 5090 (32GB) — для задач ИИ и тяжелых сцен в Blender, Octane, Redshift.🔧 Удобство: готовые образы для ваших задач, чтобы не тратить время на настройку.
А также: заморозка (shelve) — не платите за время простоя сервера, resize — смена конфигурации сервера в несколько кликов, бесплатный интернет канал — скорость до 20Гбит/сек без ограничений в объеме трафика.👉 Ускорить проекты в облаке 👉 Все доступные образы
🧠 Инструмент для решения математических задач
Nomos - это интеллектуальная платформа для решения математических задач и написания доказательств на естественном языке. Она использует параллельные рабочие процессы для генерации и оценки решений, обеспечивая высокую эффективность и точность.
🚀Основные моменты:
- Решение задач с помощью модели Nomos-1.
- Параллельная работа для ускорения процесса.
- Финализация результатов через турниры и консолидацию.
- Оценка решений по 7-балльной шкале.
📌 GitHub: https://github.com/NousResearch/nomos
#python
🧠 Новая работа Anthropic: как «локализовать» опасные знания внутри небольшого участка модели, а не размазывать их по всем весам.
Проблема:
LLM легко впитывают рискованные навыки из грязных датасетов - вредный контент может проскочить фильтры, попасть в обучение, а затем его почти невозможно полностью удалить. Обычно такие знания распределяются по всей сети.
Идея работы:
Исследователи заранее выделяют крошечную часть модели — небольшой набор нейронов и attention-голов - и обозначают его как «рискованную зону». Именно там должна храниться целевая опасная информация.
Как это работает:
- Во время обучения рискованные примеры обновляют только эту зону, сигналы градиента к остальным весам обнуляются.
- Нормальные примеры наоборот - обучаются с отключённой risky-зоной.
- После обучения исследователи обнуляют веса risky-зоны, удаляя опасные знания, но почти не трогая общие способности модели.
Почему это эффективно:
Ранние размеченные опасные данные «прокладывают путь» - вся дальнейшая утечка вредных знаний из неразмеченного или ошибочно размеченного датасета также направляется в ту же область. В результате вредные навыки не расползаются по всей модели.
Результаты:
- На задачах с билингвальными историями, а также с биологическими и военными темами из Википедии этот метод значительно лучше удаляет целевые знания, чем простая фильтрация данных.
- Модель становится гораздо устойчивее к adversarial fine-tuning, который обычно восстанавливает запрещённые навыки.
- Минус - требуется больше вычислительных ресурсов.
Это первые шаги к практическому и управляемому «удалению способностей» из LLM через локализацию знаний, а не через попытки чистить датасеты или послеобучение.
Paper: arxiv.org/abs/2512.05648
⏳ Открытый урок «Частотный портрет временных рядов: от Фурье к Вейвлетам и обратно»/
🗓 15 декабря в 20:00 МСК
🆓 Бесплатно
📍 Программа вебинара:
✔️ Рассмотрим как преобразование Фурье превращает временной ряд в композицию из чистых частот и позволяет найти скрытые закономерности временных рядов
✔️ Узнаем недостатки преобразования Фурье, и как Вейвлет-анализ дает нам суперсилу: видеть КОГДА и НА КАКОЙ частоте произошло ключевое событие (внезапный обвал, всплеск волатильности)
✔️ Live-разбор на Python: как выделить сезонность, отфильтровать рыночный шум, классифицировать временные ряды
✔️ Ответы на ваши вопросы: когда использовать Фурье, а когда Вейвлеты? Как интерпретировать полученные спектрограммы? Не превратим ли мы сложные данные в еще более сложные картинки? И главное - как это применить для реальных задач предиктивной аналитики
🔗 Ссылка на регистрацию: https://otus.pw/p39U/?erid=2W5zFJHfTfn
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
⚡️ Google DeepMind представила FACTS Benchmark - новый набор тестов для оценки фактической точности LLM.
Коротко:
- DeepMind и Kaggle запустили FACTS Benchmark Suite для системного измерения фактической точности моделей в разных режимах.
- В набор входят 4 направления:
• Parametric - проверка внутреннего знания модели
• Search - ответы с использованием веб-поиска
• Multimodal - вопросы на основе изображений
• Grounding v2 - ответы на основе предоставленного контекста
- Всего 3 513 примеров; часть данных скрыта и используется только для официальной оценки и лидерборда.
- Топовые модели прошли тестирование: Gemini 3 Pro показывает лучший общий результат - 68.8% FACTS Score, значительно опередив Gemini 2.5 Pro, особенно в задачах Search и Parametric.
- Самой сложной областью остаётся мультимодальная фактуальность - ни одна модель не превысила порог в 70%, что показывает, насколько далеко ещё можно улучшать точность.
Новый бенчмарк даёт более реалистичную картину того, как модели справляются с фактами в разных режимах и насколько они надёжны в реальном использовании.
https://deepmind.google/blog/facts-benchmark-suite-systematically-evaluating-the-factuality-of-large-language-models
🐍 Математический совет для новичков в Python:
Когда нужно считать суммы, средние или агрегаты по большим спискам, не пиши циклы вручную — используй встроенные функции и из модуля math / statistics: они быстрее, точнее и читаются лучше.
Например, вместо:
total = 0
for x in data:
total += x
пиши:
sum(data)
Находка для тех, кто хочет сразу попасть в сердце R&D в ML:
🧠 Weekend Offer ML в Яндексе 13-14 декабря
Мероприятие даст возможность DL- и инфраструктурным инженерам с опытом в NLP, CV, ASR, TTS, RecSys получить офер всего за два дня 🖇
Ищут спецов в команды:
⚪Alice AI LLM (YandexGPT)
⚪Компьютерного зрения
⚪Яндекс Переводчика и Клавиатуры
⚪Яндекс Клавиатуры
⚪Технологий голосового ввода
⚪Рекомендательных технологий
⚪Синтеза речи
Самое крутое – в этот раз достаточно пройти всего две технические секции вместо обычных трех 💻
Суббота — секция по Classic ML & Programming и узкоспециализированная секция по вашему домену
Воскресенье — финалы с командами
Чтобы лучше подготовиться к секциям, можно заранее прорешать задачи уровня medium из Яндекс Контеста и LeetCode.
Регистрация закрывается 9 декабря в 12:00 мск.
Все подробности и регистрация по ссылке
Находка для тех, кто хочет сразу попасть в сердце R&D в ML:
🧠 Weekend Offer ML в Яндексе 13-14 декабря
Мероприятие даст возможность DL- и инфраструктурным инженерам с опытом в NLP, CV, ASR, TTS, RecSys получить офер всего за два дня 🖇
Ищут спецов в команды:
⚪Alice AI LLM (YandexGPT)
⚪Компьютерного зрения
⚪Яндекс Переводчика и Клавиатуры
⚪Яндекс Клавиатуры
⚪Технологий голосового ввода
⚪Рекомендательных технологий
⚪Синтеза речи
Самое крутое – в этот раз достаточно пройти всего две технические секции вместо обычных трех 💻
Суббота — секция по Classic ML & Programming и узкоспециализированная секция по вашему домену
Воскресенье — финалы с командами
Чтобы лучше подготовиться к секциям, можно заранее прорешать задачи уровня medium из Яндекс Контеста и LeetCode.
Регистрация закрывается 9 декабря в 12:00 мск.
Все подробности и регистрация по ссылке
🇨🇳 Китай официально начал продавать первый в мире квантовый компьютер на атомной базе — момент, когда квантовое железо выходит из лабораторий в коммерческий рынок.
В отличие от сверхпроводниковых или ионных систем, эта машина использует отдельные атомы, расположенные в оптических решётках. Такие атомы работают как стабильные кубиты с намного более длительным временем когерентности — меньше ошибок, значит можно выполнять глубже и сложнее вычисления.
Первые демонстрации показали работу над молекулярными симуляциями, взломом криптографии и оптимизационными задачами, которые доводят классические суперкомпьютеры до предела. Управляя атомами с помощью ультра-точных лазеров, разработчики добились уровня контроля, при котором атомные кубиты становятся особенно надёжными для реальных научных и промышленных задач.
Впервые университеты, корпорации и исследцентры могут купить полноценный атомный квантовый компьютер, а не пользоваться им через облако. Это открывает путь к частному квантовому поиску лекарств, разработке новых материалов, ускорению ИИ и тестированию будущей кибербезопасности.
Аналитики предупреждают: это может резко ускорить глобальную квантовую гонку и изменить баланс технологической мощи в ближайшие десятилетия.
#QuantumComputing
https://x.com/ShiningScience/status/1997633207957926118
Repost from Machinelearning
⚡️ ChatGPT 5.2 "Code Red" выйдет 9 декабря.
The Verge пишет, что по информации инсайдеров, OpenAI планирует представить обновление уже в начале следующей недели, ориентировочно 9 декабря.
Ожидается, что GPT-5.2 вернет компании доминирующие позиции в сегменте больших языковых моделей.
@ai_machinelearning_big_data
#news #ai #ml
Открытый урок «Yahoo Finance и не только — работа с российскими торговыми площадками».
🗓 9 декабря, 20:00 МСК
🆓 Бесплатно. В рамках старта курса «ML для финансового анализа».
📍 Программа:
• Работа с Yahoo Finance API (yfinance): данные по акциям, индексам, ETF
• Особенности российских площадок: источники, форматы, обработка данных
• Практика: загрузка котировок и построение графика цены
👥 Для студентов и начинающих аналитиков в финансах и трейдинге, Data Scientists с временными рядами и финмоделированием, разработчиков инструментов для инвестанализа
Узнаете:
• загрузку данных с Yahoo Finance через Python (акции, индексы, валюты, ETF)
• API и источники для РФ (MOEX, Тинькофф и др.)
• обработку, визуализацию и использование данных в ML
🔗 Регистрация: https://otus.pw/DB5p/?erid=2W5zFHPgWoA
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
⚡️ DeepSeek, Gemini и GPT-5: кто лучше оценивает решения по математике
Команда исследователей проверила, как современные модели справляются с ролью «машинного экзаменатора» на задачах USAMO-2025. Результаты оказались довольно разнообразными.
Основные выводы:
- DeepSeek-Math V2 показала самую высокую точность и лучше всего совпала с оценками людей, когда в решении практически нет осмысленного прогресса.
- Gemini-3-Pro оказался лидером там, где в ответе есть частичное, но нетривиальное продвижение.
- GPT-5 продемонстрировал ровно сильное поведение в обоих сценариях.
Дополнительные результаты:
- DeepSeek-Math-V2 заняла первое место по точности и среднему абсолютному отклонению.
- GPT-5 стал лучшим по коэффициенту корреляции Пирсона.
- Gemini-3-Pro стабильно входит в топ-3 по трём метрикам.
Подробнее:
Блог — https://gaussmath.ai/eval.html
Отчёт — https://gaussmath.ai/assets/eval.pdf
GitHub — https://github.com/Gauss-Math/GAUSS-Eval
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.
