Data Science

"DeepSeek-V4 Technical Report" 📗 Read @datascienceiot

Image Generators are Generalist Vision Learners 📗 Read @datascienceiot

Два сценария: а) работаете с данными на прикладном уровне, но есть теоретические пробелы б) есть теория, но не хватает глубины в ML и инфраструктуре Так вот. Школа анализа данных от Яндекса закроет оба этих сценария. Двухлетняя бесплатная программа, в которой сильная теория совмещается с постоянной практикой. Направления: — Разработка машинного обучения — Data Science — Инфраструктура больших данных — Анализ данных в прикладных науках ← особенно актуально для тех, кто на стыке DS и инженерии Два трека поступления: классический (3 этапа) и альтернативный — для специалистов с опытом. Можно обучаться офлайн в городах присутствия, гибридно или онлайн. Заполнить анкету на поступление можно по ссылке. Принимают заявки только до 3 мая.

🌟 Boxer: модель для подъема 2D-детекций в 3D. У WildDet3D от Института Аллена появился сосед по задаче: Reality Labs корпорации Марка Цукерберга опубликовала проект с той же целью - перевести 2D-детекции в 3D, но с иным профилем возможностей и открытости. Boxer - более узкий, но геометрически более строгий инструмент для indoor-сценариев с трекингом и фузией. Пайплайн трехступенчатый: 🟢детектор OWLv2 находит объекты в кадре; 🟢BoxerNet с DINOv3 под капотом через кросс-внимание поднимает каждую 2D-рамку в 3D, опираясь на внутренние параметры камеры, направление гравитации и глубину; 🟢детекции между кадрами либо сливаются офлайн через венгерский алгоритм, либо ведутся онлайн-трекером. В отличие от WildDet3D, Boxer работает с видеопоследовательностями: ему нужны 6-DoF позы каждого кадра, гравитация и калибровка. Взамен он дает то, чего у WildDet3D нет: согласованные сценовые 3D-боксы на уровне всей сцены и онлайн-трекинг с сохранением идентичности объектов. Boxer поставляется как inference-решение: авторы не планируют выкладывать код обучения и оценки, объясняя это нежеланием тянуть долгосрочную поддержку. В репозитории - только скрипты запуска и загрузчики датасетов Project Aria (Gen 1 и 2), CA-1M, SUN-RGBD и ScanNet. Boxer запускается на macOS и Linux. Windows официально не поддерживается 📌Лицензирование: CC-BY-NC-4.0 License. 🟡Страница проекта 🟡Модель 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI #ML #CV #Detection #Boxer #RealityLabs

«Я думал, что ИИ будет работать за меня, но в итоге я стал секретарем у нейросети» Знакомая ситуация? Промпты написаны, API подключен, но вместо отдыха вы часами правите код за моделью и вычищаете ошибки. Автоматизация обернулась новой рутиной, потому что разовые запросы к чат-боту не встраиваются в реальные бизнес-процессы. Проблема в том, что промпт-инжиниринг сам по себе не масштабируется. Нельзя построить надежный продукт, который держится на «удачно подобранном слове» в запросе. Чтобы ИИ приносил деньги, а не отнимал время, нужно внедрять агентские архитектуры, способные работать автономно. 28 апреля на бесплатной конференции мы покажем, как это делают те, у кого цена ошибки – миллионы.

✅ Руслан из Авиасейлс расскажет, как они «обожглись» на готовых решениях и с нуля собрали свою платформу. ✅ Даниил из Сбера покажет, как не сливать по $20 на каждую метрику и заставить LLM работать на результат. ✅ Максим из TripleTen выдаст схему, как их команда маркетинга высвободила 1000+ часов в месяц с помощью ИИ-агентов. Представь, сколько это в деньгах.

Мы не будем лить воду. Вы получите 9 готовых кейсов внедрения. Это конкретные алгоритмы: «запрос бизнеса – техническое решение – итоговый профит в цифрах». После конфы у вас на руках будет 70 страниц конспекта – пошаговое руководство, которое можно внедрить в свой проект уже на следующий день. Разберитесь, как превратить нейросети в надежный инструмент для бизнеса. 🚀 Участие бесплатное. Занимайте место - https://karpov.courses/conf Реклама

Как Т-Банк запустил десятки ИИ-агентов в продакшн, а Авиасейлс обжёгся на Open Source и построил свою платформу Вместо восторженных отзывов о «революции ИИ» мы разберем технические и финансовые ограничения: от галлюцинаций моделей до реальной экономики внедрения. 28 апреля лидеры из Авиасейлс, Сбер, Avito, MAGNIT TECH, Cloudꓸru соберутся в прямом эфире, чтобы показать всю изнанку своих ML-процессов. Коротко о конференции:

✅ 9 прикладных кейсов: от автоматизации маркетинга (экономия 1000+ часов в месяц) до создания ИИ-движков для управления ассортиментом в ритейле. ✅Разбор ошибок: честные истории о том, где ИИ бесполезен и как компании теряли ресурсы на неверных архитектурных решениях. ✅Хардкорные темы: ИИ-агенты, MCP-сервера и использование автономных сетей (Local LLM) для оценки качества ответов.

🎁 Бонус: Каждый участник получит 70-страничный конспект с детальными рекомендациями, которые можно внедрять в работу на следующий день. Регистрация по ссылке 👉 https://karpov.courses/conf Реклама

Introduction to Algorithms and Machine Learning 📗 Read @datascienceiot

Dive into Claude Code: The Design Space of Today's and Future AI Agent Systems 📗 Read @datascienceiot

The Future of Everything is Lies. 📗 Read @datascienceiot

Хаос в данных — это хаос в прибыли. Наводим порядок. Вы ежедневно тонете в разрозненных источниках, противоречивых отчётах и «ручном» Excel? Ваша команда тратит 80% времени на “вычистку” данных, а не на инсайты? Представьте: единая, прозрачная структура, где каждый цифровой актив ложится на своё место, а скорость принятия решений растёт в разы. Без простоев, перекладывания битых CSV и устаревших метрик. Практикум «Порядок в данных» — это не скучная теория. Это управленческий инструментарий:

✅ Как построить систему управления данными без сбоев ✅ Как избавиться от «аналитического мусора» и срезать операционные издержки ✅ Как делегировать контроль качества так, чтобы подразделения сами несли ответственность за чистоту информации

Живой Практикум от руководителя Яндекс eLama - 22 апреля в 19:00 (мск) Количество мест ограничено - зарегистрируйтесь сейчас

⭐️ AI Index 2026: 15 выводов, которые стоит знать каждому в индустрии Ежегодный AI Index Report за 2026 год - 423-страничный документ, который уже стал обязательным чтением для всех, кто работает с ИИ. Luiza Jarovsky собрала ключевые тезисы в одном треде, а мы разбираем их подробнее. Возможности ИИ не выходят на плато. Они ускоряются и охватывают все больше людей. Те, кто ждал замедления прогресса, ошиблись - кривая по-прежнему идет вверх. Разрыв между США и Китаем в производительности моделей фактически закрылся. Это серьезный сдвиг в геополитике ИИ, который меняет расклад сил на рынке. США лидируют по количеству дата-центров для ИИ, но основная масса чипов производится на одном тайваньском заводе. Зависимость от TSMC остается критической уязвимостью всей индустрии. Модели ИИ берут золото на Международной математической олимпиаде, но не могут надежно определить время. Исследователи называют это "зубчатой границей" (jagged frontier) - неравномерный профиль способностей, где прорывы соседствуют с провалами. Роботы по-прежнему проваливают большинство бытовых задач, даже если отлично работают в контролируемых средах. Разрыв между лабораторией и реальным миром никуда не делся. Ответственный ИИ не успевает за ростом возможностей. Бенчмарки безопасности отстают, а число инцидентов растет резко. Это тревожный сигнал для всей индустрии. США лидируют по инвестициям в ИИ, но их способность привлекать глобальные таланты снижается. Деньги есть, а люди уезжают - не лучшая комбинация. Внедрение ИИ идет с исторической скоростью. Пользователи получают значительную ценность от инструментов, к которым часто имеют бесплатный доступ. Порог входа для использования ИИ практически исчез. Рост продуктивности от ИИ наблюдается в тех же сферах, где начинает сокращаться занятость начального уровня. Это не совпадение, а закономерность, которую уже нельзя игнорировать. Экологический след ИИ расширяется вместе с его возможностями. Энергопотребление дата-центров становится все более заметным фактором. Модели ИИ для науки превосходят ученых-людей, хотя более крупные модели не всегда работают лучше. Закон "больше параметров = лучше результат" перестает работать. ИИ трансформирует клиническую практику, но строгих доказательств эффективности по-прежнему мало. Медицина требует другого уровня верификации. Формальное образование отстает от ИИ, но люди осваивают навыки работы с ИИ на всех этапах жизни. Самообучение опережает университеты. Суверенитет в сфере ИИ становится ключевым элементом национальной политики. Возможности распределены неравномерно, но open-source разработка помогает перераспределить участие. Эксперты по ИИ и обычные люди смотрят на будущее технологии совершенно по-разному. Глобальное доверие к институтам, которые должны управлять ИИ, фрагментировано. Это создает проблему: технологию двигают те, кому общество не вполне доверяет. Полный отчет (423 страницы): https://hai.stanford.edu/ai-index/2026-ai-index-report Тред Luiza Jarovsky с кратким обзором: https://x.com/LuizaJarovsky/status/2044033970560512149

Трансформация профессии разработчика в эпоху ИИ Профессия разработчика меняется прямо сейчас: ИИ уже пишет код, предлагает архитектуру и собирает прототипы за минуты. Но без фундаментальных знаний архитектуры, алгоритмов, сетей, безопасности и DevOps использовать такие инструменты рискованно. Центральный университет запускает серию бесплатных вебинаров о том, как меняется роль разработчика в 2026 году, какие навыки остаются критически важными и как безопасно и эффективно использовать нейросети в разработке. На вебинарах разберем: — почему ИИ не заменит программиста, но изменит его роль; — какие навыки и языки будут востребованы; — чего ждут работодатели от разработчиков сегодня; — почему магистратура по бэкенд-разработке может стать преимуществом; — как вырасти в техлида и тимлида, не теряя технических экспертных знаний. Спикеры — лидеры индустрии из Центрального университета, Авито и cloud. ru. Даты вебинаров: 21, 23 и 27 апреля 2026, 19:00 мск. Регистрируйся по ссылке

ELT: Elastic Looped Transformers for Visual Generation 📗 Read @datascienceiot

Роскошный максимум: получить приглашение в команду SberAds за один день! 😉 Сделать это можно на One Day Offer* для Data Analyst**, который пройдёт уже 25 апреля. Сбер ждёт специалистов, которые готовы: ✔️ создавать и улучшать модели для real-time аукционов ✔️ трансформировать SberAds — вывести на пик эффективности, качества и релевантности рекламы ✔️ стать частью команды из 8000+ коллег (это вау! 🤩) Занимай место в проекте мечты! * One Day Offer — предложение о работе за один день. ** Data Analyst — аналитик данных.

CLAWSAFETY: ”Safe” LLMs, Unsafe Agents 📗 Read @datascienceiot

Theory First 📗 Book @datascienceiot

“Self-Distilled RLVR” Most reasoning RL rewards are reliable, but too sparse. 📓 Book @datascienceiot

⚠ Большинство компаний считают, что у них есть проблема с данными. Но когда дело доходит до практики, возникает главный вопрос: как измерить качество данных и начать его улучшать? 🚀 20 апреля в 20:00 МСК на открытом уроке разберём, как измерять качество данных с помощью технических метрик — полнота, уникальность, валидность и другие. Покажем, как проводить профилирование данных и как связать показатели качества с бизнес-процессами через мониторинг в Grafana. Отдельно обсудим роли в процессе управления качеством данных: кто отвечает за проверки, как распределять ответственность по матрице RACI и с чего начать внедрение Data Quality в компании. Вы получите практическую стратегию запуска пилотного проекта контроля качества данных. ➡ Открытый урок проходит в преддверии старта курса «Качество данных (Data Quality)». Принять участие: https://otus.pw/qVs0/?erid=2W5zFHswYYH Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

✔️ 10 книг, чтобы понять, как реально работают LLM (2026) 1. Deep Learning https://deeplearningbook.org Библия нейросетей - backprop, архитектуры, вся база 2. Artificial Intelligence: A Modern Approach https://aima.cs.berkeley.edu Фундаментальный взгляд на AI как систему 3. Speech and Language Processing https://web.stanford.edu/~jurafsky/slp3/ NLP, трансформеры и язык - максимально глубоко 4. Machine Learning: A Probabilistic Perspective https://probml.github.io/pml-book/ Вероятности, статистика и основа ML 5. Understanding Deep Learning https://udlbook.github.io/udlbook/ Современное объяснение DL с хорошей интуицией 6. Designing Machine Learning Systems https://oreilly.com/library/view/designing-machine-learning/9781098107956/ Как довести модели до продакшена 7. Generative Deep Learning https://github.com/3p5ilon/ML-books/blob/main/generative-deep-learning-teaching-machines-to-paint-write-compose-and-play.pdf Практика генеративных моделей и трансформеров 8. Natural Language Processing with Transformers https://dokumen.pub/natural-language-processing-with-transformers-revised-edition-1098136799-9781098136796-9781098103248.html Как строить NLP-системы на трансформерах 9. Machine Learning Engineering https://mlebook.com Инженерия ML и продакшен 10. The Hundred-Page Machine Learning Book https://themlbook.com Суперконцентрированная база без лишнего

Detecting and Correcting Reference Hallucinations in Commercial LLMs and Deep Research Agents Read @datascienceiot