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 51 907 مشترک است و جایگاه 2 572 را در دسته فناوری و برنامه‌ها و رتبه 11 804 را در منطقه روسيا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 51 907 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 17 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 389 و در ۲۴ ساعت گذشته برابر -16 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

  • وضعیت تأیید: تأیید نشده
  • نرخ تعامل (ER): میانگین تعامل مخاطب 11.71% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 8.49% واکنش نسبت به کل مشترکان کسب می‌کند.
  • دسترسی پست‌ها: هر پست به طور میانگین 6 077 بازدید دریافت می‌کند. در اولین روز معمولاً 4 406 بازدید جمع‌آوری می‌شود.
  • واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 173 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 18 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.

51 907
مشترکین
-1624 ساعت
-507 روز
+38930 روز
آرشیو پست ها
Познай новую область IT - Нагрузочное тестирование. И сразу прокачай в нем свою карьеру! 15 сентября в 18:00 (по МСК) Кирилл
Познай новую область IT - Нагрузочное тестирование. И сразу прокачай в нем свою карьеру! 15 сентября в 18:00 (по МСК) Кирилл Борисов, начальник управления нагрузочного тестирования Газпромбанка, расскажет: — о тестировании ПО, мифах и реалиях профессии; — как начать карьеру в тестировании и развиваться в IT; — о видах и направлениях тестирования; — об особенности тестирования производительности. Лекция пройдет в Zoom – нужна регистрация: https://vk.cc/cgohwy
10 سپتامبر 2022, 03:01

🔎 Обнаружение фейковых новостей с помощью машинного обучения Однажды летом мама угостила меня горячей содовой с лаймом. Заче
🔎 Обнаружение фейковых новостей с помощью машинного обучения Однажды летом мама угостила меня горячей содовой с лаймом. Зачем же подогревать охлаждающий напиток? Мама объяснила, что лайм, соединяясь с горячей водой, превращается из кислоты в основание. По ее словам, такой напиток может убивать раковые клетки — она узнала это из социальных сетей. Удивительный факт! А что если это просто обман? Оказалось, что так и есть. ➡️ Читать дальше 📄 Датасет ⚙️ Код @data_analysis_ml
09 سپتامبر 2022, 04:50

9.09 @data_analysis_ml 🧠 Напишите свою первую нейронную сеть! Встречаемся 15 сентября в 20:00 мск на открытом уроке OTUS. 💬
9.09 @data_analysis_ml 🧠 Напишите свою первую нейронную сеть! Встречаемся 15 сентября в 20:00 мск на открытом уроке OTUS. 💬 Вместе с Антоном Витвицким, экспертом по компьютерному зрению и глубокому обучению, рассмотрим основные этапы создания и обучения своей первой нейронной сети и попробуем решить известную задачу классификации MNIST полносвязной и сверточной нейронными сетями на примере фреймворка PyTorch. 📚 Больше практики и и интересных задач ждут вас на онлайн-курсе «Deep Learning». Для участия необходимо знать основы Python, поэтому проходите вступительный тест и 👉 регистрируйтесь Реклама. Информация о рекламодателе на сайте otus.ru
09 سپتامبر 2022, 02:50

🐍📊 Графики в Python: 9 видов визуализации, привлекающих внимание лучше, чем гистограмма. Инструкция по визуализации данных.
🐍📊 Графики в Python: 9 видов визуализации, привлекающих внимание лучше, чем гистограмма. Инструкция по визуализации данных. Гистограмма – это двухмерный график с прямоугольными столбцами по оси X или Y. Мы используем эти столбцы для сравнения значений, принадлежащих дискретным категориям, сравнивая высоту или ширину соответствующих столбцов. Такие графики часто используются для визуализации данных, поскольку их нетрудно создать и просто понять. Однако в некоторых ситуациях, таких, как создание инфографики или когда необходимо привлечь внимание публики к данным, гистограмма может быть недостаточно привлекательной. Иногда слишком большое количество гистограмм может сделать презентацию скучной. Визуализация данных включает множество видов графиков. Эта статья продемонстрирует девять идей, которые можно использовать не только для разнообразия, но и для улучшения внешнего вида полученных результатов. ➡️ Читать дальше @data_analysis_ml
08 سپتامبر 2022, 05:00

"Spark Developer" - это хардкорный онлайн-курс по самым мощным инструментам обработки больших данных. 📌Справитесь ли вы с ур
"Spark Developer" - это хардкорный онлайн-курс по самым мощным инструментам обработки больших данных. 📌Справитесь ли вы с уровнем курса? Покажет вступительный тест. Пройдите тестирование, чтобы: ● оценить свои навыки ● зарегистрироваться на бесплатные демо-занятия курса ● занять место по специальной цене ● получить доступ в закрытое сообщество дата-инженеров 👉 Пройти тест: https://otus.pw/xbe0/ Реклама. Информация о рекламодателе на сайте otus.ru
08 سپتامبر 2022, 03:01

🎇 Сравнение различных способов редактирования Spark DataFrame При работе с распределенными базами данных чаще всего использу
🎇 Сравнение различных способов редактирования Spark DataFrame При работе с распределенными базами данных чаще всего используют Spark и его собственные DataFrame. В данном посте разберём различные способы создания столбцов путем преобразования, вычислений, применения регулярных выражений и т.д. Также мы сравним длительность каждого способа и какой лучше где п ➡️ Читать дальше 📄 Основы работы со Spark DataFrame ⚙️ Spark @data_analysis_ml
07 سپتامبر 2022, 09:01

Загляните в мир разработки на Python! Пройдите бесплатный интенсив Skillbox и начните осваивать один из самых распространённы
Загляните в мир разработки на Python! Пройдите бесплатный интенсив Skillbox и начните осваивать один из самых распространённых языков программирования. Успейте записаться и получить статью «Экспекто Питонум: 10 заклинаний на змеином языке» при регистрации. В ней — полезные скрипты на Python: ▶️ https://clc.to/qSme_A 📌 Освоите азы программирования на Python и разберёте основные элементы языка. 📌 Поработаете с библиотеками PyQT, Kivy, wxWidgets, Тkinter и поймёте основы сетевого ПО. 📌 Напишете интерфейс мессенджера на Python на практических вебинарах. Спикер интенсива — специалист, который 17 лет работает в области разработки высоконагруженных систем, обработки больших данных и машинного обучения, Михаил Овчинников. 🎁 Подключайтесь, задавайте вопросы и получите сертификат на 10 000 рублей на любой курс Skillbox. Ждём вас в прямом эфире с 12 по 14 сентября в 21:00 по московскому времени 😉
07 سپتامبر 2022, 07:01

🏙 Большое руководство по визуализации. Визуализация данных с помощью веб-фреймворка Dash. Сам Dash это некий коллаб HTML, Re
🏙 Большое руководство по визуализации. Визуализация данных с помощью веб-фреймворка Dash. Сам Dash это некий коллаб HTML, React.Js, Flask и CSS и предоставляет python классы для всех своих визуальных компонентов. В качестве демонстративного датасета я возьму датасет diamonds с сайта kaggle (https://www.kaggle.com/shivam2503/diamonds) Если описывать полностью все функции, которые предоставляет dash, уйдет довольно много времени, исходя из этого, предлагаю в качестве простого примера визуализировать более камерную задачу. Допустим, вывести гистограмму количества драгоценных камней в зависимости от нескольких факторов: качество огранки, уровень чистоты и цвет. При этом выбор нужной гистограммы происходит непосредственно в веб интерфейсе. ➡️ Читать дальше 📄 Датасет ⚙️ Код @data_analysis_ml
07 سپتامبر 2022, 04:57

15 сентября, 18:00 Selectel ML MeetUp: проблемы ML команд в 2022 Присоединяйтесь к ежегодному митапу от @Selectel, где мы пог
15 сентября, 18:00 Selectel ML MeetUp: проблемы ML команд в 2022 Присоединяйтесь к ежегодному митапу от @Selectel, где мы поговорим об актуальных сложностях, трендах и инструментах построения production ML-систем. Что обсудим: ◽️ Подготовку инфраструктуры для внедрения ML-инструментов. ◽️ Состояние российского рынка ML. ◽️ Новые Data/ML-продукты Selectel. ◽️ Кейсы наших партнеров и гостей митапа. Все участники получат запись сессии и смогут принять участие в розыгрыше приза за лучший вопрос. Регистрируйтесь на офлайн-встречу в Санкт-Петербурге: https://slc.tl/h53qb Регистрируйтесь на онлайн-трансляцию: https://slc.tl/l0mab
07 سپتامبر 2022, 03:01

Карл Андерсон / Аналитическая культура Это практическое пошаговое руководство по внедрению в вашей организации управления на
Карл Андерсон / Аналитическая культура Это практическое пошаговое руководство по внедрению в вашей организации управления на основе данных. Карл Андерсон, директор по аналитике в компании Warby Parker, провел интервью с ведущими аналитиками и учеными и собрал кейсы, которые и легли в основу данной книги. Вы узнаете, какие процессы следует ввести на всех уровнях и как именно это сделать, с какими трудностями можно столкнуться на этом пути и как их преодолеть. Автор рассказывает об аналитической цепочке ценностей, которая поможет принимать правильные решения и достигать лучших бизнес-результатов. Книга будет интересна CEO и владельцам бизнеса, менеджерам, аналитикам. ➡️ Книга @data_analysis_ml
06 سپتامبر 2022, 04:59

✒️ Валидация моделей машинного обучения и анализа данных. Cегодня мы разберем валидацию моделей. Иногда термин «валидация» ас
✒️ Валидация моделей машинного обучения и анализа данных. Cегодня мы разберем валидацию моделей. Иногда термин «валидация» ассоциируется с вычислением одной точечной статистической метрики (например, ROC AUC) на отложенной выборке данных. Однако такой подход может привести к ряду ошибок. В статье разберем, о каких ошибках идет речь, подробнее рассмотрим процесс валидации и дадим ответы на вопросы: - на каком этапе жизненного цикла модели проводится валидация? Спойлер: это происходит больше одного раза; - какие метрики обычно применяются при валидации и с какой целью? - почему важно использовать не только количественные, но и качественные метрики? Примеры в статье будут из финансового сектора. Финансовый сектор отличается от других областей (больше предписаний со стороны регулятора — Центрального банка), но в то же время в секторе большой опыт применения моделирования для решения бизнес-задач и есть широкий спектр опробованных на практике тестов по валидации моделей. Поэтому статья будет интересна как тем, кто работает в ритейле, телекоме, промышленности, так и специалистам любой другой сферы, где применяются модели машинного обучения. ➡️ Читать дальше @data_analysis_ml
05 سپتامبر 2022, 06:25

⭐️ Как работает коллаборативная фильтрация? Коллаборативная фильтрация – метод, используемый в рекомендательных системах, для прогнозирования неизвестных предпочтений одного пользователя по известным предпочтениям других пользователей. Наиболее часто применяется для повышения продаж, конверсии, эффективности публикации информационных материалов и других метрик в электронной коммерции. Метод основан на предположении о том, что пользователи, которые одинаково оценивали какие-либо товары (услуги) в прошлом, склонны давать похожие оценки другим товарам в будущем. Исходя из этого допущения, рекомендательная система будет предлагать те товары, которыми интересовалась аудитория, а конкретный пользователь еще нет. В этом и будет проявляться коллаборация – прогнозы составляются индивидуально для каждого, хотя используемая для них информация собрана от многих участников. На задачу рекомендательной системы можно смотреть как на заполнение пропусков в матрице оценок товаров пользователями. Для этого применяют два основных подхода, основанные на сходстве пользователей (user-based collaborative filtering) и похожести предлагаемых продуктов (item-based collaborative filtering). В общем виде алгоритм состоит из следующих шагов: Найти, насколько другие пользователи (продукты) похожи на пользователя (продукт), для которого необходимо выдать рекомендацию. По оценкам других пользователей (продуктов) предсказать, какую оценку даст исследуемый пользователь определенному продукту, учитывая с большим весом тех пользователей (продукты), которые больше похожи на данный. В качестве меры похожести часто используют косинусную меру, коэффициент корреляции Пирсона, евклидово расстояние, коэффициент Танимото и манхэттенское расстояние. Разработчики коллаборативной фильтрации применяют различные решения для учета явности и неявности оценок и предпочтений пользователей. Примером явной оценки является количество звезд, поставленных зрителем после просмотра фильма в онлайн-кинотеатре Okko, или нажатие кнопки “дизлайк” у статьи Яндекс Дзен. В наше динамичное время, как правило, объем неявных оценок превышает явную обратную связь, поэтому высокий потенциал для повышения качества рекомендаций несет именно неявный рейтинг, когда есть все основания полагать, что пользователь воспользовался услугой, но не захотел сообщить своё мнение о ней. В этом случае рекомендательная система может попытаться спрогнозировать оценку по другим метрикам, например времени чтения статьи или просмотра видео. Недосмотренный фильм, как и статья, которая удержала на себе внимание не больше 5 секунд, скорее всего не смогли понравиться. Важно понимать, что результативность коллаборативной фильтрации может быть низкой, когда рекомендательная система еще не накопила достаточного набора данных о новом пользователе или товаре. Эта ситуация называется проблемой холодного старта. Она может проявляться так же для непопулярных товаров и неактивных пользователей. ➡️ Коллаборативная фильтрация и ее реализация @data_analysis_ml
04 سپتامبر 2022, 08:13

Какие учебники по математическому анализу, линейной алгебре и теории вероятностей лучше подходят для изучения анализа данных? К сожалению, анализ данных не устроен как стройная теория - это лоскутное одеяло методов, которые опираются на определенные идеи, беря, иногда, для решения одной задачи, половину курса теории оптимизации. Более того, существует некоторое количество абсолютно необходимых практических навыков для работы в этой области, которые не будут подвязаны к существующим учебникам, поэтому существенную часть, вероятно, придется изучать по документации пакетов. Для старта: 1 Начните изучение с практических навыков описательной статистики (может взять учебник с названием "статистика" (не математическая статистика), взять датасет на kaggle и начать баловаться с pandas. Это даст вам существенное понимание про элементарную предобработку. 2 Возьмите книжку по практике математической статистики Гмурмана и попытайтесь средствами того же pandas по-постраивать доверительные интервалы, да по-проверять гипотезы. 3 После освоения pandas - вам стоит перейти к библиотеке scikit-learn, почитать ее документацию, поупражняться на конкретных датасетах с кластеризациями, предобработкой, тренировкой моделей и визуализацией. Для визуализации следует ознакомиться с matplotlib и bokeh. 4 Дальше желательно изучить SQL. На фоне владения pandas он окажется простым 5 Потом, почти наверняка наступит период овладения torch и keras. Вот дальше можно пойти в разные стороны: • копать в сторону теории без библиотек (типа HMM) и в совершенстве овладеть numpy и stats; • копать в сторону больших данных и изучать Hadoop и Spark; • копать в сторону компьютерного зрения и изучать opencv; • узучать биоинформатику и изучать взаимодействия с GenBank и другими биоинформатическими сервисами • уйти в изучение по информационному поиску, изучать какой-нибудь EllasticSearch, NLTK, pymorphy, request и регулярные выражения. Ну и там на самом деле это просто верхушка айсберга. Поймите тут такую вещь, что понимание - это круто, конечно, но есть отдельно огромная работа уже просто освоить готовые технологии. Если Вы параллельно сможете еще и теорию осваивать на тему, то советую 1 по анализу трехтомник У. Рудина, 2 по линейной алгебре "Задачи и теоремы линейной алгебры" Прасолова, 3 а по теории вероятностей начать с "Гмурмана" чисто с практических соображений, 4 потом перейти на "Боровкова". 5 Есть еще хорошая книга "Коралов-Синай", но у нее безумно маленький тираж на русском языке. Еще, разумеется, вам абсолютно необходимо будет знать что-то про конечномерную оптимизацию - это вообще лучше всего по методичкам на сайтах различных вузов посмотреть. @data_analysis_ml
03 سپتامبر 2022, 08:38

Хотите понимать основы синтаксиса С++ и разрабатывать многопоточные приложения? Научитесь этому на бесплатном онлайн-интенсив
Хотите понимать основы синтаксиса С++ и разрабатывать многопоточные приложения? Научитесь этому на бесплатном онлайн-интенсиве с 8 по 10 сентября в 21:00 по московскому времени! 💻 Подробности: ✋ https://clc.to/ohs6SQ ✔️ Познакомитесь с основными понятиями разработки на С++, принципами сетевых соединений и организацией многопоточного приложения. ✔️ Установите среду разработки и примените стандартную библиотеку. ✔️ Создадите сервер для чатов. 📢 Спикер онлайн-интенсива — программист с опытом 17 лет, ведущий методист курсов по программированию в Skillbox Михаил Овчинников. Он в прямом эфире разберёт работы и ответит на вопросы. 🎁 После регистрации пришлём вам чек-лист полезных материалов для разработчика на C++. В конце интенсива подарим электронную книгу Пола Доэрти и Джеймса Уилсона «Человек + машина» издательства МИФ. Подключайтесь к прямым эфирам и используйте возможность получить сертификат на 10 000 рублей на любой курс Skillbox.
03 سپتامبر 2022, 06:38

📈 Различные варианты визуализации данных с примерами кода. Визуализация данных — это большая часть работы специалистов в области data science. На ранних стадиях развития проекта часто необходимо выполнять разведочный анализ данных (РАД, Exploratory data analysis (EDA)), чтобы выявить закономерности, которые обнаруживают данные. Визуализация данных помогает представить большие и сложные наборы данных в простом и наглядном виде. На этапе окончания проекта важно суметь отчитаться о его результатах так, чтобы даже непрофессионалам, не обладающим техническими знаниями, всё стало ясно и понятно. Matplotlib — это популярная библиотека для визуализации данных, написанная на языке Python. Хоть пользоваться ей очень просто, настройка данных, параметров, графиков и отрисовки для каждого нового проекта — занятие нудное и утомительное. В этом посте мы разберем 6 способов визуализации данных и напишем быстрые и простые функции для их реализации с помощью питоновской библиотеки Matplotlib. А пока взгляните на прекрасный график, который поможет вам выбрать правильный тип визуализации данных! Алгоритм выбора техники визуализации в зависимости от задачи ➡️ Читать дальше @data_analysis_ml
02 سپتامبر 2022, 07:32

💻 Как быстро и легко создавать прототипы датасайенс-проектов Проект в области науки о данных можно успешно реализовать при н
💻 Как быстро и легко создавать прототипы датасайенс-проектов Проект в области науки о данных можно успешно реализовать при наличии минимального стека технологий. Более того, чем меньше стек, тем лучше проект! Jupyter Notebook — неотъемлемая часть повседневной работы специалистов по данным. Большинство проектов в этой области также нуждаются в интерактивном дашборде. А что если превратить ноутбуки в многофункциональные дашборды? Это возможно! Как правило, для разработки дашборда требуются знания HTML, JavaScript и CSS. Такие инструменты, как Streamlit и Dash, позволяют обойтись без этих знаний. Тем не менее преобразовывать ноутбуки в функциональные приложения все равно нужно вручную, для чего потребуется копировать множество фрагментов. Однако с помощью Mercury можно мгновенно превратить Jupyter Notebook в интерактивный дашборд, онлайн-слайд-шоу или веб-сервис. ➡️ Читать дальше @data_analysis_ml
01 سپتامبر 2022, 04:04

🌅 GAN-модели для генерации набора данных из изображений Для работы с данными в специфических областях очень остро стоит проб
🌅 GAN-модели для генерации набора данных из изображений Для работы с данными в специфических областях очень остро стоит проблема нехватки данных для обучения. Давайте рассмотрим один из способов генерировать изображения. ➡️ Читать дальше ⚙️ Полный код @data_analysis_ml
31 اوت 2022, 06:41

🎲 Байесовская статистика для специалистов по данным c примерами на Python. Возможно, вы помните теорему Байеса как громоздко
🎲 Байесовская статистика для специалистов по данным c примерами на Python. Возможно, вы помните теорему Байеса как громоздкое уравнение из курса статистики, которое вам нужно было заучить. Но за ним кроется нечто большее. Эта теорема лежит в основе альтернативного взгляда на статистику и вероятность, противостоящего мнению сторонников частотного подхода (или фреквентистов), и доброй половины величайших (или нуднейших) священных войн в академической среде. ➡️ Читать дальше @data_analysis_ml
30 اوت 2022, 07:38

Хотите выйти на качественно новый уровень в Data Science? Научитесь проектировать хранилища данных! Ведущие дата-инженеры VK, Яндекс Go, Sbermarket и Ozon поделятся своим опытом и расскажут о лучших практиках разработки корпоративных Data Warehouse. На курсе «Инженер данных» за 5 месяцев подробной теории и интенсивной практики вы научитесь: ● Работать с реляционными и MPP базами данных ● Автоматизировать ETL-пайплайны ● Проектировать традиционные и облачные хранилища ● Применять ML-модели на больших данных ● Строить дашборды для мониторинга DWH платформы Вас ждут интересные проекты и настоящая инфраструктура: Greenplum, Hadoop, Kubernetes, Spark, Hive, Kafka, Airflow, Tableau. К концу обучения вы получите комплексное понимание инженерных процессов и широкий набор прикладных навыков, с помощью которого сможете самостоятельно организовать сбор, хранение и обработку данных в любой компании. Переходите по ссылке и записывайтесь на курс «Инженер данных» до 5 сентября. Также на сайте доступна бесплатная демоверсия!
30 اوت 2022, 05:48

📖 От 0 до 300 SQL-запросов в месяц: практические советы для аналитика данных. До текущей работы бизнес-аналитиком, на котору
📖 От 0 до 300 SQL-запросов в месяц: практические советы для аналитика данных. До текущей работы бизнес-аналитиком, на которую я устроилась в августе 2021 года, я написала всего несколько SQL-запросов. Меня наняли не из-за знания SQL (Structured Query Language, язык структурированных запросов). Однако в ноябре в нашей компании внедрялась новая база данных. Я, как единственный человек в команде, который когда-либо писал на языке программирования, стала самым подходящим кандидатом в специалисты по извлечению данных из новой БД. Сегодня я делаю запросы к базе данных по 7-10 раз в день. В следующем месяце получу доступ ко второй БД, а позже еще к нескольким за счет привлечения в компанию других бизнес-направлений. Помимо базовых правил использования операторов, я полагаюсь на несколько лайфхаков, помогающих упростить запросы и загрузить данные в дашборд более эффективно. ➡️ Читать дальше @data_analysis_ml
30 اوت 2022, 04:51