fa
Feedback

فریب کلاهبرداران را نخورید! تل‌متریو این کانال‌ها را شناسایی و برچسب‌گذاری می‌کند 👉 برای مشاهده برچسب، اشتراک تهیه کنید

Анализ данных (Data analysis)

Анализ данных (Data analysis)

رفتن به کانال در Telegram

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

نمایش بیشتر

📈 تحلیل کانال تلگرام Анализ данных (Data analysis)

کانال Анализ данных (Data analysis) (@data_analysis_ml) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 51 911 مشترک است و جایگاه 2 581 را در دسته فناوری و برنامه‌ها و رتبه 11 797 را در منطقه روسيا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 51 911 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 16 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 444 و در ۲۴ ساعت گذشته برابر -8 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

  • وضعیت تأیید: تأیید نشده
  • نرخ تعامل (ER): میانگین تعامل مخاطب 11.63% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 8.47% واکنش نسبت به کل مشترکان کسب می‌کند.
  • دسترسی پست‌ها: هر پست به طور میانگین 6 040 بازدید دریافت می‌کند. در اولین روز معمولاً 4 397 بازدید جمع‌آوری می‌شود.
  • واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 192 است.
  • علایق موضوعی: محتوا بر موضوعات کلیدی مانند llm, контекст, openai, архитектура, deepseek تمرکز دارد.

📝 توضیح و سیاست محتوایی

نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp”

به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 17 نوامبر, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامه‌ها تبدیل کرده‌اند.

51 911
مشترکین
-824 ساعت
+27 روز
+44430 روز
آرشیو پست ها
🖥 Как создать привлекательные графики с рейтингами стран с помощью Python и Matplotlib Шаг 1: Создание рейтингов На первом этапе необходимо упорядочить страны по каждому году в датасете, что легко сделать с помощью pandas. def create_rankings(df, columns): rank_columns = ["rank_{}".format(i) for i in range(len(columns))] for i, column in enumerate(columns): df[rank_columns[i]] = df[column].rank(ascending=False) return df, rank_columns Шаг 2: Создание и стилизация сетки Теперь, когда мы подготовили данные, пришло время создать сетку, на которой мы можем рисовать наши линии и флажки. set_style- функция Seaborn, которая создает общий стиль. Она определяет такие вещи, как цвет фона и семейство шрифтов. Я также удаляю корешки и галочки. def set_style(font_family, background_color, grid_color, text_color): sns.set_style({ "axes.facecolor": background_color, "figure.facecolor": background_color, "axes.grid": True, "axes.axisbelow": True, "grid.color": grid_color, "text.color": text_color, "font.family": font_family, "xtick.bottom": False, "xtick.top": False, "ytick.left": False, "ytick.right": False, "axes.spines.left": False, "axes.spines.bottom": False, "axes.spines.right": False, "axes.spines.top": False, } ) Я запускаю функцию со следующими значениями. font_family = "PT Mono" background_color = "#FAF0F1" text_color = "#080520" grid_color = "#E4C9C9" set_style(font_family, background_color, grid_color, text_color) Для создания сетки у меня есть функция, которая форматирует оси y и x. Она принимает несколько параметров, которые позволяют мне применять различные настройки, например, размер меток. def format_ticks(ax, years, padx=0.25, pady=0.5, y_label_size=20, x_label_size=24): ax.set(xlim=(-padx, len(years) -1 + padx), ylim=(-len(df) - pady, - pady)) xticks = [i for i in range(len(years))] ax.set_xticks(ticks=xticks, labels=years) yticks = [-i for i in range(1, len(df) + 1)] ylabels = ["{}".format(i) for i in range(1, len(df) + 1)] ax.set_yticks(ticks=yticks, labels=ylabels) ax.tick_params("y",labelsize=y_label_size, pad=16) ax.tick_params("x", labeltop=True, labelsize=x_label_size, pad=8) Вот как это выглядит, когда я запускаю все, что у нас есть на данный момент. # Load data years = ["2000", "2005", "2010", "2015", "2020", "2022"] df = pd.read_csv("rankings.csv", index_col=None) df, rank_columns = create_rankings(df, years) # Create chart fig, ax = plt.subplots(nrows=1, ncols=1, figsize=(15, 1.6*len(df))) format_ticks(ax, years) 📌 Читать дальше 📌 Код @data_analysis_ml

💻 Хочешь работать с масштабными цифровыми продуктами? Учись обрабатывать большие данные MLOps — все более популярный среди к
💻 Хочешь работать с масштабными цифровыми продуктами? Учись обрабатывать большие данные MLOps — все более популярный среди компаний способ повышения производительности и создания надежных моделей корпоративного уровня. ✅ Владение инструментами MLOps открывает новые карьерные горизонты специалистам ML, Data Scientist’ам и Software инженерам. 💪 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на продвинутом курсе «MLOps» от OTUS. ✍️ ПРОЙТИ ТЕСТ: https://otus.pw/ZQzt/ Нативная интеграция. Информация о продукте www.otus.ru

Команда архитекторов Yandex Cloud собрала общепринятые методики и проверенные практики, которые помогут оптимизировать хранил
Команда архитекторов Yandex Cloud собрала общепринятые методики и проверенные практики, которые помогут оптимизировать хранилище данных на базе Greenplum: ✓ как рассчитать и спланировать оптимальную конфигурацию кластера; ✓ как выбрать модель данных; ✓ какие особенности Greenplum учесть; ✓ какой сценарий интеграции с источниками выбрать; ✓ как выполнять оптимизации кластера и другие административные операции. Делимся с вами контентом бесплатно! ➡️ Заполните форму, чтобы получить доступ.

🖥 Delta Lake — это платформа хранения данных с открытым исходным кодом, которая позволяет строить архитектуру Lakehouse для
🖥 Delta Lake — это платформа хранения данных с открытым исходным кодом, которая позволяет строить архитектуру Lakehouse для Spark, Flink, Trino, Hive, Scala, Java, Rust, Python и не только! С помощью Delta Lake вы можете ускорить выполнение запросов Polars по сравнению с CSV. Посмотрите на время выполнения запроса #polars для файла #csv с 1 миллиардом строк в сравнении с упорядоченной таблицей deltalake (вычисления выполняются на Macbook M1). Delta Lake работает в 30 раз быстрее. ✅ ▪Github ▪Project @data_analysis_ml

☄️Открытый урок по языковым моделям от OTUS 4 сентября в 18:00 мск встречаемся на открытом уроке «Языковые модели: от статист
☄️Открытый урок по языковым моделям от OTUS 4 сентября в 18:00 мск встречаемся на открытом уроке «Языковые модели: от статистических до ChatGPT» в рамках курса «Natural Language Processing (NLP)» от OTUS. 📣 Кому подходит этот урок: - Практикующим Data Scientist и IT-специалистам, которые хотят глубже погрузиться в область NLP - Тем, кто хочет узнать, что делает ChatGPT таким умным - Людям, освоившим основы машинного обучения, но желающими развиваться в области DS 💪 Результаты урока: Вы узнаете, что такое языковые модели и как их использовать для решения NLP-задач, а также изучите подходы к обучению больших языковых моделей, таких как ChatGPT. Это отличная возможность совершенно бесплатно протестировать формат обучения и задать преподавателю любые вопросы в режиме реального времени 😎! Пройдите тестирование курса, чтобы зарегистрироваться на урок - https://otus.pw/8wKg/

👆 Рост производительности машинного обучения с Rust Создадим с нуля небольшой фреймворк машинного обучения на Rust. Цели 1. Выяснить, заметен ли рост скорости при переходе с Python и PyTorch на Rust и LibTorch, серверную библиотеку PyTorch на C++, особенно в процессе обучения модели. ML-модели становятся крупнее, для их обучения требуется больше вычислительных возможностей, для обычного человека порой нереальных. Один из способов уменьшить рост аппаратных требований — понять, как сделать алгоритмы вычислительно эффективнее. Python в PyTorch — это лишь слой поверх LibTorch. Вопрос в том, стоит ли менять его на Rust. Планировалось использовать крейт Tch-rs для доступа к тензорам и функционалу Autograd DLL-библиотеки LibTorch как «калькулятору градиентов», а затем разработать с нуля на Rust остальное. 2. Сделать код достаточно простым для четкого понимания всех вычислений линейной алгебры и с возможностью легко его расширить при необходимости. 3. Во фреймворке ML-модели должны определяться, насколько это возможно, по аналогичной структуре стандартных Python/PyTorch. 4. Поизучать Rust и не скучать. Но статья посвящена скорее преимуществам применения Rust в машинном обучении. • Переходим сразу к конечному результату — вот как маленьким фреймворком создаются нейросетевые модели. Листинг 1. Определение нейросетевой модели struct MyModel { l1: Linear, l2: Linear, } impl MyModel { fn new (mem: &mut Memory) -> MyModel { let l1 = Linear::new(mem, 784, 128); let l2 = Linear::new(mem, 128, 10); Self { l1: l1, l2: l2, } } } impl Compute for MyModel { fn forward (&self, mem: &Memory, input: &Tensor) -> Tensor { let mut o = self.l1.forward(mem, input); o = o.relu(); o = self.l2.forward(mem, &o); o } } • Затем модель инстанцируется и обучается. Листинг 2. Инстанцирование и обучение нейросетевой модели fn main() { let (x, y) = load_mnist(); let mut m = Memory::new(); let mymodel = MyModel::new(&mut m); train(&mut m, &x, &y, &mymodel, 100, 128, cross_entropy, 0.3); let out = mymodel.forward(&m, &x); println!("Training Accuracy: {}", accuracy(&y, &out)); } Для пользователей PyTorch это интуитивно понятная аналогия определения и обучения нейросети на Python. В примере выше показана модель нейросети, используемая затем для классификации. Модель применяется к набору данных Mnist тестов производительности для сравнения двух версий модели: Rust и Python. • В первом блоке кода создается структура MyModel с двумя слоями типа Linear. • Второй блок — ее реализация, где определяется ассоциированная функция new, которой инициализируются два слоя и возвращается новый экземпляр структуры. • В третьем блоке реализуется типаж Compute для MyModel, им определяется метод forward. Затем в функции main загружается набор данных Mnist, инициализируется память, инстанцируется MyModel, а после она обучается в течение 100 эпох с размером пакета 128, потерями перекрестной энтропии и скоростью обучения 0,3. Очень даже понятно: это то, что потребуется для создания и обучения новых моделей на Rust с помощью маленького фреймворка. Теперь копнем поглубже и разберемся, как это все возможно. Если вы привыкли создавать ML-модели в PyTorch, то наверняка, глядя на код выше, зададитесь вопросом: «Зачем здесь ссылка на Memory?». Объясним ниже. 👇 ▪Часть 1 ▪Часть 2 @data_analysis_ml

Департамент информационных технологий города Москвы ищет аналитика Data Science. Ты: любишь искать закономерности и строить п
Департамент информационных технологий города Москвы ищет аналитика Data Science. Ты: любишь искать закономерности и строить прогнозные модели на основе больших данных, владеешь Python (DS-библиотек), у тебя есть знания и опыт в Machine Learning и владение различными инструментами визуализации данных? У нас: задачи городского масштаба, конкурентная зарплата и премии, обучение и профессиональный рост! Направляй свое резюме @sergey_job и присоединяйся к команде Департамента информационных технологий, чтобы сделать город еще комфортнее.

🔝Лучшие GitHub репозитории для изучения MLOps. #️⃣ MLOps-Basics #️⃣ MLOps-Guide #️⃣ Awesome MLOps #️⃣ Awesome MLOps - Tools
🔝Лучшие GitHub репозитории для изучения MLOps. #️⃣ MLOps-Basics #️⃣ MLOps-Guide #️⃣ Awesome MLOps #️⃣ Awesome MLOps - Tools #️⃣ DTU MLOps #️⃣ MLOps Course @data_analysis_ml

Если вы интересуетесь Business Intelligence, Data Science, ГИС, визуализацией данных, то вы просто не можете пройти мимо ново
Если вы интересуетесь Business Intelligence, Data Science, ГИС, визуализацией данных, то вы просто не можете пройти мимо нового выпуска подкаста «Магнитное Поле». В этом эпизоде Михаил Большаков (директор по геосервисам Магнита) рассказывает про их проприетарную ГИС для оценки на рынке ритейла России и ближнего зарубежья с точностью до конкретного двора. Как перформят собственные магазины Магнита, как дела у конкурентов, стоит ли открывать точку вот в этом доме, какого размера будет новый магазин, почему увеличился трафик в этом районе и на огромную пачку других вопросов отвечает их собственный уникальный Geo-BI инструмент. Это уже восьмой выпуск подкаста «Магнитное Поле», который совместно записывают Завтракаст и IT-команда ритейлера Магнит. В предыдущих выпусках обсуждали Data Governance, современные облачные решения и микросервисы, IT HR, ecom, кому нужен agile (а кому не нужен) и многое другое, так что стоит обратить внимание. 🎧 Послушать 📹 Посмотреть Посмотреть вакансии и отправить резюме: https://magnit.tech

🔥📖 Список Awesome ресурсов, посвященных обработке естественного языка ▪Использование #NLP на разных языках ▪Библиотеки на р
🔥📖 Список Awesome ресурсов, посвященных обработке естественного языка ▪Использование #NLP на разных языках ▪Библиотеки на различных языках (C++, Java, NodeJS, R, Scala, Python, ...) ▪Рекомендации и полезные учебные пособия ▪Датасеты ▪Лучшие практики 📌Github @data_analysis_ml

🦙 Lagent: A lightweight framework for building LLM-based agents Lagent - это легковесный фреймворк с открытым исходным кодом
+2
🦙 Lagent: A lightweight framework for building LLM-based agents Lagent - это легковесный фреймворк с открытым исходным кодом, который позволяет легко и эффективно создавать агентов на основе больших языковых моделей (LLM). Он также предоставляет некоторые типовые инструменты для расширения возможностей LLM. pip install lagent ▪Github @data_analysis_ml

🦙 Lagent: A lightweight framework for building LLM-based agents Lagent - это легковесный фреймворк с открытым исходным кодом
+2
🦙 Lagent: A lightweight framework for building LLM-based agents Lagent - это легковесный фреймворк с открытым исходным кодом, который позволяет легко и эффективно создавать агентов на основе больших языковых моделей (LLM). Он также предоставляет некоторые типовые инструменты для расширения возможностей LLM. pip install lagent ▪Github @data_analysis_ml

Последний шанс поступить в онлайн-магистратуру МФТИ “Финансовые технологии и аналитика” Ближайшие даты экзаменов: 4 и 19 сент
Последний шанс поступить в онлайн-магистратуру МФТИ “Финансовые технологии и аналитика” Ближайшие даты экзаменов: 4 и 19 сентября  - Диплом очной магистратуры МФТИ гособразца по направлению 38.03.05 «Бизнес-информатика» - Онлайн-обучение из любой точки мира - Углубленная специализация в области финтех-разработки или аналитики - Гранты на запуск своего стартапа в области Data Science/AI/ML до 3 млн рублей - Более 5 проектов в портфолио: реальные задачи от Сбера, ВТБ, Ozon FinTech, Альфа-Банка и других Fintech-компаний уже с первого семестра - Возможность совмещать с работой и развивать корпоративный проект в качестве дипломного - Рассрочка под 3% от Сбера и Минобразования: платеж во время учебы до 900 руб/мес  Бесплатный подготовительный курс и запись прошедших консультаций по экзаменам доступны после регистрации. Оставить заявку, чтобы записаться на День открытых дверей и начать готовиться к экзаменам.

🔥 Дайджест полезных материалов из мира : Data Science за неделю Почитать: — Неструктурированные данные: примеры, инструменты, методики и рекомендации — Строим пайплайн в sсikit-learn — пошаговое руководство — Цифровая трансформация цементного завода (ч.9): автоматическая корректировка качества муки — MLOps от Gucci и оценка уровня Data Driven’ности в компании — Kaggle для футболистов. Разбираем подходы призеров соревнований по детекции столкновений (1 и 2 место) — Вам в хранилище или к озеру? Чем занимаются специалисты по работе с данными и как стать Data-инженером — Преобразование табличных данных в Python — Работа с матрицами в python — SRP: Refactoring the Data Science Beyond Classes — NumPy Tutorial #9: Array Join — How to use Kaggle for Climate Change studies — Apache Flink — Troubleshooting SQL Server Errors - A Comprehensive Guide — NumPy Tutorial #8: Array Iterating — How to handle datasets with missing values In machine learning — 5 FREE Machine Learning Online Courses — NumPy Tutorial #7: Array Reshape — The most important skills for data scientist Посмотреть: 🌐 How to use GitHub Codespaces for Coding and Data Science (⏱ 11:53) 🌐 Практика парсинга Python (⏱ 05:27) 🌐 Уроки Парсинга на Python Сравниваем Scrappy и bs4 (⏱ 10:06) 🌐 Большой гайд по парсингу на Python. Часть 3 Работаем с selenium (⏱ 06:14) 🌐 Уроки Golang с нуля /#24 - Тесты (⏱ 09:50) 🌐 Полный Гайд по парсингу на Python: от азов до продвинутых техниик,. Часть 1 (⏱ 07:04) 🌐 Полный Гайд по парсингу на Python: Практика. Часть 2 (⏱ 05:59) 🌐 ODSC APAC Keynote Talk "Infuse Generative AI in your Apps Using Azure OpenAI Service" (⏱ 24:32) 🌐 Lightning Interview "Confident Data Science" (⏱ 48:13) 🌐 ODSC APAC Keynote Talk "Navigating the Post Pandemic Credit Risk Landscape with AI/ML Innovation" (⏱ 23:24) 🌐 New AI Beats DeepMind’s AlphaGo Variants 97% Of The Time! (⏱ 06:01) 🌐 AI Mind Reading Experiment! (⏱ 05:47) Хорошего дня!

💛 Зачем нужен AutoGPT AutoGPT  —  это автономный агент, одна из форм ИИ, автономно решающая поставленную задачу. ✅AutoGPT использует модель GPT-4 для автоматизации многоэтапных проектов, требующих обратного взаимодействия. Это позволяет агенту AutoGPT объединять выводы и суждения независимо. ✅ Агент имеет доступ к интернету и может чтение/запись файлов. Агенты на базе AutoGPT должны сделать GPT-4 полностью автономным сервисом. Сейчас на Github представлены три наиболее популярных AutoGPT: 🟡BabyAGI от Йохеи Накадзимы; 🟡Auto-GPT Торана Брюса Ричардса, известного под псевдонимом Significant Gravitas; 🟡Jarvis от Microsoft. Запускать эти популярные AutoGPT можно после локальной установки. А для этого требуется определенный опыт программирования, поскольку агент работает на Python и требует ключей OpenAI и приложения Pinecone. 💛 Однако уже появились приложения AutoGPT, запускаемые в браузере, например AgentGPT и Cognosys. BabyAGI также может работать в браузере через пространство Hugging Face. Поскольку эксперимент находится в стадии разработки, можно ожидать, что AutoGPT скоро станет удобнее для пользователя, получит приятный и интуитивно понятный интерфейс. ⭐️ R&D лаборатория Adept AI разрабатывает модели ИИ для автоматизации выполнения задач и преобразования текстовых команд в действия. Они используются в различных сферах, таких как туризм (например, Expedia) и возможно в будущем и в медицине. Целью этих разработок является создание активных агентов ИИ, которые могут принимать самостоятельные решения. Это выводит ChatGPT на новый уровень и превращает ИИ в помощника человека. @data_analysis_ml

Как исследовать сырые данные, а на их основе находить решения? 💪 Пройди тест по аналитике данных и проверь свои знания. Отве
Как исследовать сырые данные, а на их основе находить решения? 💪 Пройди тест по аналитике данных и проверь свои знания. Ответишь — пройдешь на продвинутый курс "Аналитик данных" от OTUS по специальной цене. На курсе ты освоишь мощные навыки анализа данных: анализ требований + статистика + BI и получишь востребованную профессию. Курс доступен в рассрочку. ✍️ ПРОЙТИ ТЕСТ: https://otus.pw/P4EU/ Нативная интеграция. Информация о продукте www.otus.ru

🧑Использование библиотеки Facerecognition и фреймворка Django для распознавания лиц в реальном времени В этом посте рассмотр
🧑Использование библиотеки Facerecognition и фреймворка Django для распознавания лиц в реальном времени В этом посте рассмотрим, как использовать библиотеку Facerecognition для распознавания лиц на изображениях. Комбинируя ее с веб-фреймворком Django, мы покажем этапы создания веб-приложения пропускной системы. Здесь вы найдете простые и понятные инструкции, шаг за шагом, которые помогут создать свою собственную пропускную систему, способную распознавать лица и управлять доступом в компании. В процессе решения задачи было выделено 3 основных фреймворка для создания веб-приложений: Django, Flask и FastAPI. Рассмотрим особенности каждого из них. Одним из плюсов фреймворка FastAPI является поддержка асинхронных процессов. Такие процессы позволяют увеличить скорость обработки данных в разы. Также плюсом данного фреймворка является поддержка из коробки Websockets. Благодаря указанному протоколу пользователь может получать данные в режиме реального времени. 📌Читать дальше 📌Github @data_analysis_ml

🚀 Ruff Ruff - это #Python-линтер, написанный на Rust, который может быть использован для замены различных инструментов, таки
+1
🚀 Ruff Ruff - это #Python-линтер, написанный на Rust, который может быть использован для замены различных инструментов, таких как Flake8, isort, pydocstyle, yesqa, eradicate, pyupgrade и autoflake. Ruff также работает в 10-100 раз быстрее, чем существующие линтеры. pip install ruff ▪Github ▪Документация @data_analysis_ml

Курс «Английский для аналитиков» Яндекс Практикума Для специалистов, которые хотят изменить свою профессиональную жизнь и раб
Курс «Английский для аналитиков» Яндекс Практикума Для специалистов, которые хотят изменить свою профессиональную жизнь и работать в международной команде. Обучение построено вокруг рабочих ситуаций и полезных для карьеры навыков: 🗣 Самопрезентация. Рассказ о своей роли, задачах, сфере ответственности на поведенческом интервью и в неформальной беседе. 🙌 Работа в команде. Стендапы, планирование спринтов, демонстрация навыков командной работы на собеседовании. 👨‍💻 Общение с заказчиками и исполнителями. Сбор требований у стейкхолдеров и постановка задач для разработчиков. 📈 Презентация результатов работы. Выступление на митапах, неформальное общение с коллегами из отрасли. 📝 Обсуждение решений по проекту. Генерация и аргументация идей, участие в мозговых штурмах. 🚀 Рефлексия и самоанализ. Ретроспектива, ревью, ответы на сложные вопросы. Запишитесь на бесплатную консультацию. Кураторы определят ваш уровень языка и расскажут подробнее про обучение.