¡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 14 054 suscriptores, ocupando la posición 9 178 en la categoría Tecnologías y Aplicaciones y el puesto 47 284 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 14 054 suscriptores.
Según los últimos datos del 20 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -44, y en las últimas 24 horas de 2, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 18.28%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.82% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 2 569 visualizaciones. En el primer día suele acumular 958 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 52.
- 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 21 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.
14 054
Suscriptores
+224 horas
+77 días
-4430 días
Archivo de publicaciones
Курс по соревновательному Data Science👨💻
🏆 Хочешь покорить Kaggle и научиться выигрывать соревнования по анализу данных? Тогда курс "Введение в соревновательный Data Science" - это именно то, что тебе нужно!
🎯 В отличие от большинства курсов по машинному обучению, этот курс сконцентрирован на практике, а не на теории. Поэтому на нем будет более 200 практических заданий, интервью с Kaggle Grand Masters и, конечно же, внутренние соревнования для отработки техник.
⚡️В программе курса тебя ждет:
* Продвинутая работа с pandas и numpy
* Генерация, визуализация и фильтрация признаков
* Модуль про SOTA градиентные бустинги и то как их тюнить
* Стекинг и блендинг моделей
* Ускорение вычислений и оптимизация памяти
* Парсинг данных из открытых источников
* Работа с Kaggle Api и различными облачными вычислительными сервисам
* Нейронки для табличных данных
* Интервью с Kaggle Grand Masters и многое другое
🚀 Еще ребята проводят еженедельные открытые вебинары, на которых разбирают решения победителей с чемпионатов, делают обзоры предстоящих соревнование и рассказывают про необычные техники, с которыми сталкиваются на практике.
🔗 Записаться на курс и ознакомится с его подробной программой можно на странице курса. Так же подписывайся на их телеграмм канал, чтобы следить за новостями курса и открытыми вебинарами. Кстати, в закрепе канала ты найдешь промокод на 10%.
🐍Решение дифференциальных уравнений с Python
Дифференциальные уравнения — это мощный инструмент, который используется во многих областях науки и техники. От физики и химии до экономики и биологии, они предоставляют основу для моделирования различных процессов.
Дифференциальные уравнения описывают динамику системы, позволяя нам понять, как система меняется со временем или в ответ на различные воздействия.
Одной из ключевых библиотек, которую мы будем использовать, является SymPy.
SymPy — это библиотека Python для символьных математических вычислений, которая позволяет нам проводить аналитическое решение дифференциальных уравнений.
Для численного решения дифференциальных уравнений мы будем использовать библиотеку SciPy.
SciPy — это основная библиотека для научных вычислений в Python, которая предоставляет множество функций для численного решения дифференциальных уравнений, включая различные методы, такие как метод Эйлера и метод Рунге-Кутты.
• Чтобы начать работу с этими библиотеками, вам нужно их установить. Это можно сделать, используя менеджер пакетов Python pip:
pip install sympy scipy fipy matplotlib
• Читать дальше
Для обучения компьютерной математике исследователи объединяют подходы искусственного интеллекта
«Они будут говорить о единорогах, но забудут, что у них один рог, или расскажут вам историю, а после изменят детали», — рассказывает о больших языковых моделях (LLM — Large Language Model) Джейсон Рут из IBM Research.
Это больше, чем просто ошибки — LLM изо всех сил пытаются распознать свои ошибки, что ограничивает их производительность. Эта проблема не присуща системам искусственного интеллекта.
Модели машинного обучения, основанные на методе обучения с подкреплением, позволяют компьютерам учиться на своих ошибках и становиться вундеркиндами в таких играх, как шахматы и го. Хотя эти модели, как правило, более ограничены в своих возможностях, они представляют собой обучение такого рода, которого LLM еще не освоили.
«Не хочется создавать языковую модель, которая просто говорит как человек», — сказал Юхуай (Тони) Ву из Google AI. «Мы хотим, чтобы она понимала, о чем говорит».
Ву — соавтор двух недавних статей, где предлагается способ достижения этой цели. На первый взгляд, речь идет об очень конкретном приложении: обучении систем ИИ выполнять математические операции. В первой статье описывается обучение LLM переводу обычных математических выражений в формальный код, который компьютер может запускать и проверять. Во второй статье LLM обучили не только понимать математические задачи на естественном языке, но и решать их с помощью системы под названием Minerva.
В совокупности статьи предлагают форму будущей архитектуры ИИ, где LLM могут учиться рассуждать с помощью математического мышления.
«Есть глубокое обучение, обучение с подкреплением, AlphaGo, а теперь и языковые модели, — говорит об этом Сиддхартха Гэдгил, математик из Индийского института науки в Бангалоре, работающий с математическими системами ИИ. — Технология развивается во многих разных направлениях, и все они могут работать вместе».
📌 Читать дальше
С чего начать путь в Data Science?
Данных становится всё больше с каждым годом и компаниям нужны специалисты, умеющие работать с Big Data. Но как войти в сферу и пробиться на рынке труда?
Расскажем обо всем на бесплатном вебинаре «Как начать карьеру в Data Science».
Ведущие вебинара:
▪️Анатолий Карпов — основатель школы Data Science и разработки karpovꓸcourses, работал ведущим аналитиком в Mail.Ru, VK и JetBrains.
▪️Оксана Васильева — руководительница карьерного центра karpovꓸcourses, трудоустроевшего более 1500 учеников
На вебинаре вы узнаете:
- Как перейти в Data Science
- Как понять, какую профессию выбрать: аналитика данных или машинное обучение
- Как пробиться на рынке и получить первый оффер и опыт
- С чего начать погружение в профессию
Вебинар пройдет 8 августа в 19.00.
Постройте карьерный трек в Data Science вместе с нами!
Регистрируйтесь по ссылке!
🔥 Бесплатный курс: Прикладная математика для машинного обучения
Курс направлен на студентов без математического бэкграунда. Будут изложены основные понятия необходимые для понимания методов, на которых строится машинное обучение и модели нейронных сетей. Также целью курса является разъяснить как могут быть преобразованы и представлены данные для последующего обучения моделей на них.
Курс состоит из 13 лекций и 13 семинаров. На лекциях излагаются теоретические основы перечисленных тем, с простыми примерами. На семинарах планируется разбор, демонстрация и практика применения программных реализаций и алгоритмов обозначенных теоретических объектов.
После освоения курса от слушателя ожидается в первую очередь понимание того, что из себя представляют как представлять свои данные численно, и как они обрабатываются моделями машинного обучения численно. Одновременно с этим, курс не ставит перед собой цель, обучить всех строгому выводу каждой формулы и каждой теоремы, только понимание требующееся для прикладного использования.
https://teach-in.ru/course/applied-mathematics-for-machine-learning/about
@data_math
Каким должен быть хороший ИТ-менеджер? 👨💻
Ищите ответ в новом выпуске подкаста «Техно.Логично» с экспертами Газпромбанка: ИТ-лидером платформы 5NT Одоном Шоймполовым и ИТ-лидером стримов Газпром Бонус, ГПБ Мобайл и Монетизация Тимуром Мухтаровым.
Гости подкаста рассказали, как:
🔷 Доверять команде и не бояться делегировать задачи
🔷 Практиковать микроменеджмент с умом
🔷 Не потерять авторитет в коллективе
🔷 Реагировать на ошибки разработчиков
🔷 Стать ИТ-лидером розничного стрима Газпромбанка
Выпуск уже доступен на YouTube и основных подкаст-платформах.
Подписывайтесь на подкаст «Техно.Логично» и следите за актуальными трендами российского финтеха!
Реклама Банк ГПБ (АО), ИНН: 7744001497 erid: LjN8K4iEd
Изучение красоты чистой математики новыми способами.
https://www.deepmind.com/blog/exploring-the-beauty-of-pure-mathematics-in-novel-ways
Аналитики данных — настоящие супергерои и занимают 1 место в рейтинге профессий с самым большим спросом на рынке труда до 2025 года (по данным Всемирного экономического форума).
Как стать таким нужным специалистом?
Приходите на бесплатный интенсив 18-19 июля, на котором вы:
— погрузитесь в рабочие будни аналитика
— узнаете о направлениях в аналитике и решите, какое подходит вам
— научитесь работать в Google Sheets как аналитик данных
А еще — поработаете руками, решите реальные бизнес-задачи и получите фидбэк от эксперта. За лучшее решение домашнего задания - мини-курс по аналитическому мышлению в подарок.
Регистрируйтесь БЕСПЛАТНО: https://go.skillfactory.ru/J4jZCw
Реклама ООО “Скилфэктори”
⚫️ Теория хаоса [видеоуроки]
1. Движение и детерминизм. Панта Рей
2. Векторные поля. Гонка лего
3. Немного механики. Яблоко и луна
4. Колебания
5. Бильярды. Бык Дюэма
6. Хаос и подкова. Смейл в Копакабане
7. Странные аттракторы. Эффект Бабочки
8. Статистика. Мельница лоренца
9. Хаотическая или нет Cовременные Исследования
Будущим аналитикам данных и специалистам по DS важно дружить с математикой. Если вы чувствуете, что нужно освежить знания и восполнить пробелы — пройдите курс от Яндекс Практикума.
Он подойдёт тем, кто учится анализу данных или проходит собеседования. Поможем подготовиться ко всем каверзным вопросам и претендовать на оффер в компании, где ценят знания математики.
Курс сделан для людей: не фундаментальный вузовский учебник, но и не научпоп.
◼️ Объясняем сложное простым языком, с примерами и иллюстрациями.
◼️ Вписываем практические задачи в бизнес-кейсы.
◼️ Объясняем, как абстрактные формулы связаны с анализом данных.
◼️ Разбираем типовые задачи из собеседований.
Вы не останетесь один на один с тервером, матаном и линалом. Опытные преподаватели математики всегда на связи в чате, чтобы объяснить непонятное.
Пройдите первый бесплатный урок
🎲 Вероятность и статистика
1. Переменные и метрики
2. Генераторы и Монте-Карло
3. ЗБЧ и ЦПТ
4. Монте-Карло: практика
5. Проверка гипотез и p-value
6. А/Б тесты: пропорции
7. А/Б тесты: непрерывные переменные
8. Множественная проверка гипотез
9. Ревью курса + вопросы и ответы
#video #math
🎞 Видео
Математика для Data Science: где и как учить?
В этом ролике автор поделится бесплатными ресурсами для изучения математики, необходимой для Data Science, и сделает их разбор.
00:00 Введение
00:34 Школьная математика
02:00 Статистика
03:00 Теория вероятностей
03:20 Линейная алгебра
04:07 Матанализ
05:00 Лучшие ресурсы
05:30 Создаем базу ресурсов вместе
Смотреть это видео на youtube: youtu.be/6ajAbghWzrs
Предварительная подготовка данных в Python [2 тома] [2023]
В двухтомнике представлены материалы по применению классических методов машинного обучения в различных промышленных задачах. Первый том посвящен инструментам Python – основным библиотекам, классам и функциям, необходимым для предварительной подготовки данных, построения моделей машинного обучения, выполнения различных стратегий валидации. В конце первого тома разбираются задачи с собеседований по SQL, Python, математической статистике и теории вероятностей. Во втором томе рассматривается сам процесс предварительной подготовки данных, а также некоторые метрики качества и ряд полезных библиотек и фреймворков (H2O, Dask, Docker, Google Colab).
Издание рассчитано на специалистов по анализу данных, а также может быть полезно широкому кругу специалистов, интересующихся машинным обучением.
📚 Книги
@data_math
🔘Что отличает обучение с подкреплением от основных методов машинного обучения? Погрузимся в историю RL и разберем отличительные особенности этого направления 3 июля в 20:00 мск на открытом уроке в OTUS.
Вебинар пройдет в рамках старта онлайн-курса «Reinforcement Learning» и будет полезен всем DS/ML/DL специалистам и IT-специалистам, которые хотят расширить свои знания в этой области.
💬На занятии мы:
— Рассмотрим RL с точки зрения вычислений и через призму поведенческих и когнитивных наук.
— Разберем классический пример многорукого бандита — автомата для казино
— Продемонстрируем возможности примитивного алгоритма RL в упрощенной среде.
— Обсудим самые знаковые приложения RL нашего времени.
👉Регистрация для участия https://otus.pw/vBWK/
📌Спикером выступит Андрей Маргерт, исследователь Машинного Обучения в Wageningen Research и преподаватель курса.
Не упустите возможность познакомиться с экспертом! После вебинара вы сможете продолжить обучение на курсе, доступном в рассрочку. Нативная интеграция подробная информация о продукте на сайте www.otus.ru
📎 Руководство по модулю Math Python (22 примера и 18 функций)
math - это встроенный модуль стандартной библиотеки Python 3, который предоставляет стандартные математические константы и функции. Модуль math можно использовать для выполнения различных математических вычислений, таких как числовые, тригонометрические, логарифмические и экспоненциальные вычисления.
В этой статье рассмотрены константы и функции, реализованные в модуле math с примерами кода
https://www.dataquest.io/blog/python-math-module-and-functions/
@data_math
Руководство по модулю Math Python (22 примера и 18 функций)
math - это встроенный модуль стандартной библиотеки Python 3, который предоставляет стандартные математические константы и функции. Модуль math можно использовать для выполнения различных математических вычислений, таких как числовые, тригонометрические, логарифмические и экспоненциальные вычисления.
В этом уроке мы рассмотрим общие константы и функции, реализованные в математическом модуле, и как их использовать.
Когда в интернете так много курсов, как выбрать тот, который поможет сделать буст в карьере или начать свой путь в Data Science?
Приходите на день открытых дверей, чтобы познакомиться со школой Data Science и разработки karpovꓸcourses, узнать как наши курсы выглядят изнутри, и почему стоит учиться у нас.
День открытых дверей проведет Анатолий Карпов — основатель karpovꓸcourses, ведущий аналитик с опытом работы в Mail.Ru, VK и JetBrains, а также автор тех самых курсов на Stepik.
Анатолий ответит на вопросы о старте карьеры, расскажет, как продолжать развиваться в Data Science и как школа karpovꓸcourses может помочь в этом.
Обязательно регистрируйтесь, ведь в прямом эфире мы разыграем сертификат на 20 тысяч рублей на обучение на любой из программ и карьерные консультации.
Встречаемся 5 июля в 19.00 по мск
[Зарегистрироваться и принять участие в конкурсе]
Project Euler — платформа с математическими задачами для развития навыков программирования
Здесь вы найдёте более 700 математических задачек, требующих творческого подхода и использования программирования для успешного решения
Сервис отличается от многих других (таких как Codewars) тем, что здесь встречаются математическое мышление и кодинг
Стоимость: #бесплатно
#code #алгоритмы #математика
📌 Изучение линейной алгебры и матричных методов от MIT.
Курс покрывает все необходимые основы для работы с матрицами, включая SVD-разложение, backpropagation, градиентный спуск и даже первоначальные модели нейронных сетей, которые могут быть спрошены на собеседовании. В конце курса также представлены некоторые примеры работы с сигналами. Хотя курсы пересекаются в некоторых местах, это не является проблемой.
Посмотреть (линейная алгебра):
https://www.youtube.com/playlist?list=PL221E2BBF13BECF6C
Посмотреть (матричные методы):
https://www.youtube.com/playlist?list=PLUl4u3cNGP63oMNUHXqIUcrkS2PivhN3k
#линейнаяалгебра #база
@data_math
