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
🖥 GitUp В командах Git иногда можно запутаться (путаница между "git reset" и "git revert" может привести к непредвиденным последствиям). Кроме того, исправление ошибок в Git может быть сложным. GitUp представляет удобную модель взаимодействия с #Git, которая позволяет работать с Git быстро и безопасно. GitUp предоставляет: 🔹 Быстрая отмена/повтор практически всех операций 🔹 Мгновенный поиск по всему репо, включая diff-содержимое 🔹 Интерактивный граф репо для редактирования репозитория. 🔹 Удобный пользовательский интерфейс, который работает быстрее, чем командная строка. • Github @data_analysis_ml

🖥 Если вы работаете с блокнотами jupyter для работы с Python и Data Science, попробуйте эти волшебные команды, которые сэкон
+2
🖥 Если вы работаете с блокнотами jupyter для работы с Python и Data Science, попробуйте эти волшебные команды, которые сэкономят вам массу времени:🧵 1. Jupyter AI: выберите любую модель и пообщайтесь с ней прямо из блокнота Jupyter. Используйте волшебную команду "%%ai", чтобы указать модель и пообщаться с ней, используя промыт на естественном языке: https://github.com/jupyterlab/jupyter-ai 2. %%latex: Это позволяет отображать LaTeX-код в Jupyter Notebook. Картинка 2. 3. %%sql С помощью команд %sql(line magic) и %%sql(cell magic) можно выполнить любой SQL-запрос. Картинка 3. 4. %run Запуск Python-файла в блокноте становится простым. Если у вас есть python-файл, например, "demo .py", и вы хотите запустить его в блокноте, то это можно сделать с помощью следующей команды %run demo .py 5. %%writefile Пример: %%writefile app .py В результате будет создан новый файл "app .py" со всем содержимым, присутствующим в ячейке. 6. %history -n Все мы случайно удаляем команды и их результаты в блокноте. Для отображения всех предыдущих команд можно воспользоваться этой волшебной командой -n поможет получить последние n команд @data_analysis_ml

🔥 Дайджест полезных материалов из мира Data Science за неделю Почитать: — Как «воспитать ламу» и ускорить ML-эксперименты — Airflow vs NiFi: исследуем оркестратор для формирования витрин данных — Сравнение методов веб-скрепинга для данных Википедии: Beautiful Soup против WikipediaAPI — Применение нейросетевых подходов для формирования признаков в моделях — ipywidgets: создаем графические приложения на базе Jupyter — Как использовать GPU для ускорения аналитической обработки данных — Введение в библиотеку Diffusers и диффузионные модели — 70 % программистов пользуются ИИ-ассистентами. Скоро код будут писать алгоритмы? — Проблематика Open Source: профиль риска, лицензирование, как выбирать продукт и подход к разработке решений — LLaMA 2, RWKV, Santacoder и другие LLM на iOS — MLOps на примере прогноза движений акций с помощью MLRun — Using ggplot2 for Visualization in R — ИИ вместо астролога или как я создавала астробота Катю — Learning to Decode the Surface Code with a Recurrent, Transformer-Based Neural Network — Milvus Adventures | October 13, 2023 — Data Science Roadmap — Exploratory Data Analysis with Data Visualization Techniques — Data Visualization — Exploratory Data Analysis using Data Visualization Techniques. — Exploratory Data Analysis using Data Visualization Techniques — Nobel Laureates’ Countries, or Creating a Word Cloud with JS — Data Modelling — Exploratory Data Analysis using Data Visualization Techniques — Exploratory Data Analysis using Data Visualization Techniques — Stream Processing Engines and Streaming Databases: Design, Use Cases, and the Future Посмотреть: 🌐 Chatgpt, Bard , Claude, Theb - используй API лучших нейросетей бесплатно и без ВПН на Python. (⏱ 05:23) 🌐 NLP практика. Определяем тональность текста при помощи NLTK и DL (⏱ 19:37) 🌐 Django шаблонизация и маршрутизация (⏱ 09:11) 🌐 Задача, которая очень часто встречается на собеседованиях #python (⏱ 00:59) 🌐 Решение непростой задачи с Leetcode, часто всплывает на собеседования #pythontutorial (⏱ 00:59) 🌐 Хитрая задача с собеседования #Python (⏱ 00:59) 🌐 Lightning Interview "The Storied History of Video Games and AI" (⏱ 46:35) 🌐 Accelerate your AI/ML Initiatives and Deliver Business Value Quickly (⏱ 33:08) 🌐 Leveraging Generative AI in Education - A M Aditya (⏱ 31:24) 🌐 Google’s New AI Watched 2,500 Videos! But Why? (⏱ Хорошего дня!

Чтобы ограничить внешний доступ и модификацию переменной за пределами класса, сделайте ее приватной, используя двойное подчер
Чтобы ограничить внешний доступ и модификацию переменной за пределами класса, сделайте ее приватной, используя двойное подчеркивание. Это позволяет свести к минимуму вероятность непреднамеренных изменений. #Python @data_analysis_ml

Яндекс продолжает приём заявок на Yandex ML Prize — премию для учёных и преподавателей в области Machine Learning Принять участие могут исследователи, научные руководители и преподаватели в области машинного обучения. Премия вручается за исследования в следующих направлениях: — компьютерное зрение, — обработка естественного языка и машинный перевод, — распознавание и синтез речи, — информационный поиск и анализ данных, — генеративные модели. География премии охватывает 11 стран. Подать заявку на соискание премии могут исследователи и преподаватели из России, Азербайджана, Армении, Беларуси, Казахстана, Кыргызстана, Молдовы, Таджикистана, Туркменистана, Узбекистана и Сербии. Лауреаты Yandex ML Prize получат денежные призы от 500 тысяч до 1 млн рублей, гранты от Yandex Cloud для использования сервиса в своих исследованиях, а также подписки на Яндекс 360 и Плюс Мульти. Больше информации по ссылке. Реклама. ООО «Яндекс»

📊 Perspective Perspective - это инструмент интерактивной аналитики и визуализации данных, который особенно хорошо подходит д
📊 Perspective Perspective - это инструмент интерактивной аналитики и визуализации данных, который особенно хорошо подходит для работы с большими и/или потоковыми наборами данных. С его помощью можно создавать настраиваемые отчеты, информационные панели, блокноты и приложения, а затем развертывать их отдельно в браузере или совместно с Python и/или Jupyterlab. • Github • Проект @data_analysis_ml

🖥 Feature engineering и кластерный анализ клиентов на PySpark. BigData плотно входит в нашу жизнь. Датасеты растут и постоянно изменяются, что усложняет задачу кластеризации клиентов. Обычно для задач кластеризации используется библиотека Sklearn, но с большим объёмом данных её использовать не получиться. Spark позволяет реализовать параллельные вычисления на кластерах и имеет в составе своего фреймворка библиотеку машинного обучения MLlib. В случае больших данных, когда привычные инструменты отказываются работать с такими объёмами, PySpark приходит на выручку. При этом, прежде чем запустить алгоритмы машинного обучения на вашем датасете, необходимо подготовить данные и провести feature engineering, а это достаточно трудозатратная задача, но в то же время необходимая, так как от этого этапа во многом зависит качество конечного результата. Данный этап также необходимо делать на PySpark, опять-таки из-за объёма данных. Перед нами стояла задача анализа массива данных заёмщиков физических лиц – злостных неплательщиков кредитов, дела по которым уже направлены в суд. Этот массив необходимо было разбить на блоки (кластеры). Цель кластерного анализа – понять, какие группы по общим признакам можно выделить, и в дальнейшем разработать для каждой группы индивидуальную тактику взыскания, и, возможно, найти пути улучшения методологии скоринга. 1. Подготовка данных 1.1. Идеи Подготовка данных – этап, предшествующий анализу и требующий хорошего понимания предметной области. Предобработка осуществляется если не руками самого эксперта в этой области, то в очень тесном с ним сотрудничестве. Останавливаться на предварительной подготовке данных долго не будем, поскольку общих рекомендаций здесь не выработать, только кратко отметим основные моменты, которые мы произвели с нашим датасетом и которые отличаются от классической борьбы с отсутствующими значениями. Выбирали признаки, которые: • непосредственно характеризуют именно самого заёмщика, а не кредитный продукт, не договор и прочее; • имеют значение до выхода на просрочку (то есть, например, данные по процедурам взыскания в анализ не берём, так как хотим разобраться в причинах, которые к этому привели). Убрали признаки: • дублирующие друг друга по существу (например, остаток основного долга (ОД) в валюте и остаток ОД в рублях – достаточно оставить только один показатель); • по которым слишком много вариантов (например, 100-200 значений для признака «должность на месте работы»). В результате предобработки датасета количество исходных данных существенно сократилось. В исходном датасете количество признаков достигало 191, после чистки на основе описанных выше идей их осталось 43. Среди них: • признаки, связанные с первым кредитным договором: вид кредитования, срок кредита, признак реструктуризации, дата выдачи кредита, ставка, валюта и т.д.; • числовые признаки (итого по всем договорам): сумма обеспечения, сумма общей задолженности в рублях, сумма погашений по основному долгу; • признаки — индивидуальные характеристики заёмщика: пол, возраст, резидентство, признак vip, наличие заграничного паспорта, категория надёжности, данные, связанные с рабочей деятельности, данные, связанные с собственностью и т.д. 1.2 Реализация на PySpark После импорта необходимых библиотеки и создания сессии Spark, входной точки каждого PySpark приложения, загружаем исходные данные и подготовленный совместно с экспертом список признаков в объекты Spark DataFrame. DataFrame – одна из двух абстракций массива данных в Spark (вторая абстракция — RDD), которая предоставляет более высокоуровневое API (по сравнению с RDD). Метод загрузки данных зависит от формата файла (в рассматриваемом примере CSV, но может быть JSON, ORC, Parquet и др.). Далее на основе списка признаков из исходного датасета отбираем нужные колонки. Затем группируем полученный массив данных по идентификатору заёмщика, при этом для колонок с числовыми значениями данные суммируем, а для колонок с категориальными значениями оставляем только первое значение. 📌 Читать @data_analysis_ml

⚡️ Яндекс продолжает прием заявок на научную премию в области машинного обучения Yandex ML Prize — это премия для ML-исследователей, их наставников и преподавателей из 11 стран. Наградят в этом году за достижения в сферах: — распознавание и синтез речи; — компьютерное зрение; — информационный поиск и анализ данных; — обработку языка и машинный перевод — генеративные модели Кандидаты могут подать заявку сразу в несколько номинаций — от «Первой публикации» до «Лучшего молодого научного руководителя». Единственное условие для исследователей — наличие публикаций или докладов, в том числе постера, на конференции A* или A за 2022–2023 гг. А для научных руководителей — более 5 студентов с такими публикациями.  🏆 Победители получат от 500 тысяч рублей, грант на использование сервиса Yandex Cloud для исследований и подписку на Яндекс 360. Не пропустите шанс заявить о себе научному сообществу — подать заявку можно до 16 октября по ссылке. Реклама. ООО «Яндекс»

Cleanlab 🚀 Всего за 3 строки кода эта библиотека с открытым исходным кодом может очистить любой датасет! Вы можете: - удалят
+1
Cleanlab 🚀 Всего за 3 строки кода эта библиотека с открытым исходным кодом может очистить любой датасет! Вы можете: - удалять выбросы - находить ошибки в данных - выявлять дубликаты - проводить активное обучение - строить распределения - И многое другое ... Cleanlab разработана специалистами Массачусетского технологического института и работает на основе нового алгоритма под названием Confident Learning! На картинке 2 приведено упрощенное объяснение этого алгоритма! Библиотека работает с: - Любыми данными (текст, изображения, таблицы, аудио и т.д.) - Любые задачи ML (классификация,, распознавание, работа с LLM и многое другое ...) • Github @data_analysis_ml

Большие датафреймы могут потреблять значительные объемы памяти. Если обрабатывать #данные небольшими фрагментами, то можно из
Большие датафреймы могут потреблять значительные объемы памяти. Если обрабатывать #данные небольшими фрагментами, то можно избежать нехватки памяти и получить доступ к данным быстрее. В приведенном примере кода используется chunksize=100000, что работает примерно в 5495 раз быстрее, чем без использования chunksize. #tips #datascience #junior @data_analysis_ml

✅ A/B тестирование: как сделать правильный выбор? А/В-тестирование – это метод, который используется для сравнения двух версий переменной, например, дизайна сайта при маркетинговом исследовании с целью выявления лучшей версии. Это критически важный метод исследования в Data Science, который часто используется различными организациями при принятии решений с целью оптимизации существующего продукта и максимизации прибыли. Представлю, что компания, продающая мебель, хочет увеличить число кликов по баннеру «Мебель на заказ». Они значительно изменили дизайн сайта для этой цели. К сожалению, не существует способов предсказать, как именно изменится поведение людей на обновленном сайте по сравнению со старой версией. А/В-тестирование может помочь, например, измерить разницу в конверсии между двумя версиями сайта и сказать, является ли эта разница статистически значимой. Нулевая гипотеза в рамках А/В-тестирования – предположение о том, что разницы между версиями сайта А и В в действительности нет, а все наблюдаемые различия обусловлены случайностью. Моя задача в ходе А/В-тестирования – опровергнуть нулевую гипотезу. Альтернативная гипотеза в рамках А/В-тестирования утверждает, что версии сайта А и В различны с точки зрения поведения пользователей. Уровень значимости – это порог вероятности для определения того, являются ли результаты эксперимента статистически значимыми. Чаще всего уровень значимости устанавливается равным 0,05. Это значит, что моё утверждение о значимости результата будет справедливо на 95%. Чем ниже выбранный уровень значимости, тем ниже риск того, что будет обнаружена разница, вызванная случайностью. P—value – это вероятность наблюдения данного результата при условии, что нулевая гипотеза верна. Если p-value меньше, чем уровень значимости (α), то отвергается нулевая гипотеза в пользу альтернативной (то есть результаты являются статистически значимыми). Например, при уровне значимости 0,05 p-value должна быть меньше 0,05 для признания результатов эксперимента статистически значимыми. Доверительный интервал – интервал значений, в котором, с вероятностью (1- α), лежит истинное значение переменной. Доверительный интервал является оценкой возможных значений переменной в зависимости от её стандартного отклонения. Статистическая мощность – вероятность отклонения нулевой гипотезы в случае, если альтернативная гипотеза верна. Обычно статистическая мощность теста устанавливается равной 0,8. Это значение используется для вычисления размера выборки, необходимой для подтверждения гипотезы с необходимой силой эффекта. Организация эксперимента Для проведения А/В-теста требуется разделить всех пользователей на две группы: одна группа будет видеть старый дизайн сайта, а другая – новый. Пользователи распределяются между группами случайным образом. Как правило, группу, которой показывают новый дизайн сайта (В), называют тестовой, а группу, которой показывают старый дизайн (А) – контрольной. Целевая метрика – CTR, то есть количество кликов на баннер, делённое на количество показов. Буду сравнивать среднее значение метрики CTR для контрольной и тестовой групп. Предположу, что в контрольной группе среднее значение метрики составляет 12%, а в тестовой – 14%. Если среднее значение метрики в тестовой группе выше, чем в контрольной, то означает ли это, что дизайн сайта В лучше дизайна сайта А? Ответ: нет. Необходимо показать, что результаты А/В-теста статистически значимы. Это означает, что различие в версиях наблюдается не случайно и не обусловлено какой-либо ошибкой. Проверить это можно с помощью статистических тестов. Не буду заниматься сбором данных в рамках данной публикации. Буду анализировать данные, взятые из датасета с Kaggle. Скачать его можно здесь. 📌 Читать дальше @data_analysis_ml

Стать сотрудником Яндекса быстрее и проще, чем кажется. Участвуйте в днях быстрого найма: решите тестовое, пройдите несколько
Стать сотрудником Яндекса быстрее и проще, чем кажется. Участвуйте в днях быстрого найма: решите тестовое, пройдите несколько секций собеседования и получите офер за несколько дней. Ближайшее мероприятие: • 16-20 октября — Fast Track для технических менеджеров, офер за 5 дней в команду Crowd. Зарегистрироваться Реклама. ООО "Яндекс". erid:2Vtzqv5JoPP

📊 Pmdarima Для достижения функциональности, аналогичной auto.arima в R, в рамках scikit-learn-подобного интерфейса, использу
📊 Pmdarima Для достижения функциональности, аналогичной auto.arima в R, в рамках scikit-learn-подобного интерфейса, используйте Pmdarima. Pmdarima - это статистическая библиотека, для анализа временных рядов на Python. #Python #DataScience • Github @data_analysis_ml

Samokat.teсh & Systems.Education Meetup — cистемный анализ и проектирование в e-commerce Когда: 20 октября (пятница), 18:00 –
Samokat.teсh & Systems.Education Meetup — cистемный анализ и проектирование в e-commerce Когда: 20 октября (пятница), 18:00 – 21:30 по Мск Где: г. Москва, Овчинниковская набережная, 18/1 стр. 2 + онлайн-трансляция Приходите послушать спикеров из Samokat.tech, Systems.Education и ИТ-интегратора AWG про особенности работы системных аналитиков и архитекторов в быстрорастущих и высоконагруженных проектах e-commerce. После докладов — присоединяйтесь к дискуссии на круглом столе! В программе: 1️⃣ Почему аналитик не может быть кроссдоменным координатором? — Анастасия Тарасова, старший системный аналитик в Samokat.teсh 2️⃣ Проектирование системы от нефункциональных требований — Евгений Скориков, главный архитектор в AWG 3️⃣ Круглый стол с экспертами Темы: матрица компетенций, проектирование сквозных процессов, использование 🗓Вig Data в проектах. Модератор: Юрий Куприянов, ведущий эксперт по системному анализу и проектированию Systems.Education 👉 Регистрация и чат митапа Реклама ООО «Умное пространство» ИНН 7811554010 erid: LatgC5xRf

✅ NLP на практике. Определяем тональность текста при помощи NLTK и DL. https://www.youtube.com/watch?v=w2y01D2tLt4 @data_analysis_ml

⚡️ 7 признаков того, что вы стали продвинутым пользователем Sklearn Вы узнаете о семи неоспоримых признаках того, что стали продвинутым пользователем Sklearn, о чем, возможно, и не подозревали. А поскольку Sklearn — самая популярная МО-библиотека, можете считать эти признаки подтверждением своего профессионализма в области машинного обучения. Начнем! 0. Разделение на три набора Почти все, что вы делаете в машинном обучении, направлено на избежание чрезмерной подгонки. Один из лучших способов борьбы с этим явлением — разделение данных не на два, а на три набора! Кэсси Козырьков, руководительница отдела интеллектуальных решений в Google, считает: разделение данных — самая мощная идея в машинном обучении. Вы знаете, что переподгонка может произойти не только на обучающей, но и на контрольной выборке. Вы замечали, что использование одного и того же набора для тестирования и настройки гиперпараметров часто приводит к утечке данных, которую трудно обнаружить. При постоянном подстраивании гиперпараметров на основе производительности модели на конкретном тестовом наборе возникает риск переподгонки модели под этот конкретный набор. Итак, вы обучаете выбранную модель, используя 50% имеющихся данных. Затем проводите тонкую настройку и оценку модели на отдельном контрольном наборе, содержащем 25% данных. И наконец, когда baby-модель уже готова к внедрению, тестируете ее в последний раз, используя совершенно нетронутый (то есть вы даже не просматривали первые пять строк) тестовый набор. Помня вышеупомянутое правило, вы сохраняете этот фрагмент кода на своем рабочем столе, чтобы скопировать/вставить его в любое время: from sklearn.model_selection import train_test_split def split_dataset(data, target, train_size=0.5, random_state=42): # Разделение датасета на обучающий набор и остальные данные X_train, remaining_data, y_train, remaining_target = train_test_split( data, target, train_size=train_size, random_state=random_state ) # Разделение оставшихся данных поровну на тестовый и валидационный наборы X_val, X_test, y_val, y_test = train_test_split( remaining_data, remaining_target, test_size=0.5, random_state=random_state ) return X_train, X_val, X_test, y_train, y_val, y_test 1. Установление общепринятой базовой оценки Как понять, вносят ли вклад в конечный продукт — идеальную модель — ваши действия в МО-проекте? Подход “могу определить навскидку” не годится. Здесь нужна путеводная звезда — некий ориентир, на который всегда можно опереться, чтобы понять, может ли только что подготовленная модель пройти хотя бы простейшие тесты. Как вы неоднократно убеждались на опыте своих проектов, эта путеводная звезда является общепринятой базовой эффективностью. После идентификации задачи машинного обучения, выбора характеристик и определения целевой переменной вы устанавливаете либо DummyRegressor, либо DummyClassifier, чтобы оценить эффективность модели случайного угадывания для конкретной задачи. Эта оценка служит базовой, и все последующие эксперименты направлены на улучшение этого начального результата. from sklearn.dummy import DummyClassifier clf = DummyRegressor().fit(X_train, y_train) clf.score(X_test, y_test) Вы не устаете рекомендовать эту практику другим, включая вашего лучшего друга. Однажды по глупости он перепробовал все подходящие для задачи классификации изображений Sklearn-модели и все более сложные архитектуры глубокого обучения, пытаясь выяснить, почему все его эксперименты не дают результата выше определенного порога. Когда вы напомнили ему о базовой оценке, он попробовал DummyClassifier и понял: задача в принципе была неразрешима и все его усилия оказались пустой тратой времени, потому что ни один из его экспериментов не смог превзойти модель случайного угадывания. Ему пришлось искать новый набор данных. Ничто не сравнится с ужасом перед оверинжинирингом (чрезмерным инжинирингом), когда модель, казавшаяся исключительной, оказалась совершенно неэффективной. 📌 Читать дальше @data_analysis_ml

Сбер расширяет географию своих ивентов: 19 октября в Алматы состоится первый технологический митап, посвящённый разработке ре
Сбер расширяет географию своих ивентов: 19 октября в Алматы состоится первый технологический митап, посвящённый разработке рекомендательных систем 👨‍💻 На RecSys MeetUp вы познакомитесь с экспертами Сбера, станете частью одного из крупнейших IT-комьюнити и узнаете о: ✔️ Технологических трендах в области искусственного интеллекта и машинного обучения. ✔️ Устройстве современных стримингов компаний-партнёров Сбера. Гарантируем: будет интересно и безумно полезно каждому DS-специалисту. Регистрируйтесь по ссылке, встречаемся 19 октября в 18:00 по адресу: Алматы, Лофт 1205, 2 этаж, Restopark, проспект Сейфуллина 617 💚

🔥 Дайджест полезных материалов из мира Машинного обучения за неделю Почитать: — Есть ли жизнь после Nvidia? — Перевод трактата по демонологии при помощи GPT-4 и Claude — Откройте свое будущее: Изучите 15 бесплатных курсов IBM прямо сейчас — SAGE: коррекция орфографии с помощью языковых моделей — Python, Go или… готовим сырой видеопоток с полсотни камер — Как мы используем NLP в банке — Нейронные сети для планирования движения беспилотных автомобилей — Организация GPU-вычислений для машинного обучения в компании: проблемы и трудности — Детекция дефектов дорожного покрытия без размеченных данных: Хакатон, LiDAR, RANSAC, ICP и 44 бесcонных часов — Чат GPT-4V, который видит — что он умеет — Feature engineering и кластерный анализ клиентов на PySpark — Trabaje con sus datos en tiempo real usando Langchain — BakaLLM, part 3: it's testing time, it's testing time — Enabling Language Models to Implicitly Learn Self-Improvement — Introdução ao Aprendizado de Máquina Online — Why Python is a first choice for Data scientist — Mastering Machine Learning: Your Path to Excellence with UpSkill Certifications — Data Science for Beginners: 2023-2024 Edition — Data Science for beginners, complete roadmap. — Data Science Beginner's guide. — The Ultimate Guide to Getting a Data Scientist Job in 2023 (Even If You're a Beginner) Посмотреть: 🌐 Interview: "Large Language Model Operations: The Next Frontier in MLOps" (⏱ 59:18) 🌐 Exploring the Generative AI Landscape: From Basics to Hands-on Applications - Raghav Bali (⏱ 32:54) Хорошего дня! @data_analysis_ml