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
⚡️Маст-хэв список для программистов, каналы с последними книжными новинками, библиотеками, разбором кода и актуальной информацией, связанной с вашим языком программирования. Лучший способ получать свежие обновлении и следить за трендами в разработке. Машинное обучение: t.me/ai_machinelearning_big_data Python: t.me/pythonl C#: t.me/csharp_ci C/C++/ t.me/cpluspluc Data Science: t.me/datascienceiot Devops: t.me/devOPSitsec Go: t.me/Golang_google Базы данных: t.me/sqlhub Rust: t.me/rust_code Javascript: t.me/javascriptv React: t.me/react_tg PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Linux: t.me/+A8jY79rcyKJlYWY6 Big Data: t.me/bigdatai Хакинг: t.me/linuxkalii Тестирование: https://t.me/+F9jPLmMFqq1kNTMy Java: t.me/javatg 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка машинное обучение: https://t.me/addlist/_FjtIq8qMhU0NTYy 📕 Бесплатные Книги для программистов: https://t.me/addlist/YZ0EI8Ya4OJjYzEy 🎞 YouTube канал: https://www.youtube.com/@uproger 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers

👀 12 лучших репозиториев GitHub по компьютерному зрению Список из наиболее важных Awesome репозиториев GitHub, посвященных к
👀 12 лучших репозиториев GitHub по компьютерному зрению Список из наиболее важных Awesome репозиториев GitHub, посвященных компьютерному зрению, которые охватывают широкий спектр исследовательских и образовательных тем. Огромный кладезь знаний из области CV. 1. Awesome Computer Vision 2. Computer Vision Tutorials by Roboflow 3. Transformer in Vision 4. Awesome Referring Image Segmentation 5. Awesome Vision Language Pretraining Papers 6. Awesome Vision and Language 7. Awesome Temporal Action Detection 8. Awesome Masked Autoencoders 9. Awesome Visual Transformer 10. Transformer-Based Visual Segmentation 11. CVPR 2023 Paper with Code 12. Awesome Deepfakes Detection 👍Лайк , если полезно @data_analysis_ml

🔮Как временные ряды помогают бороться с влиянием между группами в A/B-тестировании Зачастую для того, чтобы правильно провести A/B-тест, может быть недостаточно случайно и стратифицированно разбить пользователей на группы. Могут помешать “сетевые эффекты“, которые сделают группы зависимыми. И это касается не только социальных сетей. 🪄Как понять, когда могут возникнуть такие проблемы? И как измерить, насколько сильно искажается эффект? Есть немало методов разного уровня сложности и надежности. Но одним из самых простых и в то же время строгих методов является Interrupted Time Series Design. Читайте статью о методе и делитесь своим мнением в комментах.

Скидка до 22% на ресурсы управляемых баз данных Greenplum и OpenSearch в Yandex Cloud Теперь у вас есть возможность резервиро
Скидка до 22% на ресурсы управляемых баз данных Greenplum и OpenSearch в Yandex Cloud Теперь у вас есть возможность резервировать определенный объем ресурсов — Committed volume of services, CVoS — с фиксированной ценой в течение полугода или года. Это предложение доступно для всех пользователей и позволяет существенно сократить расходы при стабильном потреблении сервисов. Условия CVoS распространяются на Yandex Managed Service for Greenplum и Yandex Managed Service for OpenSearch, работающие на платформах с процессорами Intel Ice Lake. Размер скидки: 15% при резервировании на пол года и 22% при резервировании на 1 год. ➡️ Подробнее по ссылке.

🔮Как временные ряды помогают бороться с влиянием между группами в A/B-тестировании Зачастую для того, чтобы правильно провести A/B-тест, может быть недостаточно случайно и стратифицированно разбить пользователей на группы. Могут помешать “сетевые эффекты“, которые сделают группы зависимыми. И это касается не только социальных сетей. 🪄Как понять, когда могут возникнуть такие проблемы? И как измерить, насколько сильно искажается эффект? Есть немало методов разного уровня сложности и надежности. Но одним из самых простых и в то же время строгих методов является Interrupted Time Series Design. Читайте статью о методе и делитесь своим мнением в комментах.

🚀 Отличный ,бесплатный мини-курс, который научит работе с LLM. Курс содержит описание языковых моделей, описание задачи NLP
🚀 Отличный ,бесплатный мини-курс, который научит работе с LLM. Курс содержит описание языковых моделей, описание задачи NLP с точки зрения теории информации и алгоритмов семплирования (т.е. генерации текста) с использованием языковых моделей. В курсе представлены ноутбуки с кодом от базового до продвинутого, материалы по использованию Huggingface для генерации текста. Кроме того, будет предоставлено множество полезных ссылок на научные статьи и курсы. 📌 Курс @data_analysis_ml

4.08 data_analysis_ml ⚡️OTUS приглашает посетить открытый урок по Machine Learning для начинающих. Тема: Разведочный анализ д
4.08 data_analysis_ml ⚡️OTUS приглашает посетить открытый урок по Machine Learning для начинающих. Тема: Разведочный анализ данных на Python для Machine Learning. Вебинар приурочен к старту онлайн-курса "Специализация Machine Learning". Дата: 9 августа, 18:00 На занятии мы поговорим о том как проводить первичный анализ данных с использованием фреймворка Pandas. Расскажем об основных аспектах анализа данных. Научимся обрабатывать признаки и заполнять пропущенные значения. 🙎🙎‍♀️Кому подходит урок: - IT-специалисту, который хочет перейти в Data Science; - Начинающему Data Scientist, желающему углубиться в профессию; - Тому, кто самостоятельно изучает Data Science; - Для того, кто хочет войти в IT, но не знает что выбрать. После урока будет открыт доступ ко второму занятию "Введение в Machine Learning", а курс можно будет приобрести в рассрочку по спец.цене. 👉Регистрация: https://otus.pw/l2Tq/

✅ 6 способов оптимизировать рабочий процесс в Pandas #1. Отображение графиков в столбце DataFrame Jupyter — это IDE на веб-основе. Поэтому при выводе DataFrame он отображается с использованием HTML и CSS. Это позволяет форматировать вывод так же, как и любую другую веб-страницу. Одним из интересных способов такого форматирования является вставка встроенных графиков, которые появляются в столбце DataFrame. Их также называют “спарклайнами” (“sparklines”). В итоге мы получаем нечто подобное: *изображение 1. Как это создать? Смотрите код ниже. • Сначала выполним импорт: import pandas as pd import numpy as np import matplotlib.pyplot as plt from base64 import b64encode from io import BytesIO from IPython.display import HTML %matplotlib inline • Теперь создадим выдуманный набор данных: n = 100 data = [ ('Bitcoin', 40000*np.random.rand(n).round(2)), ('Ethereum', 2000*np.random.rand(n).round(2)), ('BNB', 500*np.random.rand(n).round(2)), ('Litecoin', 150*np.random.rand(n).round(2)), ] df = pd.DataFrame(data, columns=['Name', 'Price History']) df.head() Name Price History 0 Bitcoin [24800.0, 12400.0, 14800.0, 24800.0, 20800.0, ... 1 Ethereum [1900.0, 380.0, 420.0, 1760.0, 800.0, 620.0, 1... 2 BNB [120.0, 170.0, 255.0, 255.0, 395.0, 150.0, 180... 3 Litecoin [126.0, 109.5, 94.5, 49.5, 81.0, 129.0, 66.0, ... • В соответствии с четырьмя строками у нас есть список случайно сгенерированных историй цен. Теперь наша цель — добавить линейный график в каждую строку. Таким образом, мы можем создать функцию и использовать метод apply(). Как упоминалось выше, Jupyter отображает DataFrame с помощью HTML. Если мы придумаем способ, с помощью которого сможем предоставить HTML в качестве значения ячейки, ссылающейся на изображение, Jupyter сможет это отрисовать и отобразить соответствующий линейный график. Вот код, который мы для этого используем: def create_line(data, **kwags): # Преобразование данных в список data = list(data) # Создание объекта фигуры и оси с заданным размером и аргументами ключевых слов fig, ax = plt.subplots(1, 1, figsize=(3, 0.25), **kwags) # Построение графика из данных ax.plot(data) # Удаление границ в графике for k,v in ax.spines.items(): v.set_visible(False) # Удаление делений у осей x и y ax.set_xticks([]) ax.set_yticks([]) # Создание красной точки в последней точке данных plt.plot(len(data) - 1, data[len(data) - 1], 'r.') # Заполнение области под графиком с помощью alpha=0.1 ax.fill_between(range(len(data)), data, len(data)*[min(data)], alpha=0.1) # Закрытие графика, чтобы он не отображался plt.close(fig) # Сохранение графика как изображения в формате png и получение его бинарных данных img = BytesIO() fig.savefig(img, format='png') encoded = b64encode(img.getvalue()).decode('utf-8') # Возвращение закодированных данных изображения в виде тега изображения HTML return '<img src="data:image/png;base64,{}"/>'.format(encoded) Хотя часть построения довольно очевидна, сосредоточимся на том, для чего предназначены последние четыре строки кода (не включая комментарии). Цель состоит в том, чтобы преобразовать график в изображение, которое может быть отображено на веб-странице. 📌 Продолжение @data_analysis_ml

📚Tricking Data Science Настоящие кладезь знаний для дата сайентистов. Будучи программистом, вы часто натыкаетесь на изящные
📚Tricking Data Science Настоящие кладезь знаний для дата сайентистов. Будучи программистом, вы часто натыкаетесь на изящные трюки с кодом на StackOverflow или в блогах крутых специалистов и думаете про себя: "Эй, я должен это сохранить". Вы сохраняете страницу в закладки, а через день забываете про это навсегда. Но в голове у вас остается размытое значение, что есть какой-то действительно классный способ решения задачи, но вы не можете его вспомнить и написать код. С этим сталкиваются многие программисты, и все они по-разному справляются с этим (или не справляются) с этим. Так вот, эта книга - отличный способ справиться с этой проблемой. Tricking Data Science - это коллекция фишек с кодом, советов, гайдов, проектов, библиотек, которые автор собрал за два года о науке о данных на Medium. Проект в виде книги опубликован в Jupyter Book. 📔 Книга @data_analysis_ml

​​Почему датасаентисты тоже разработчики Ещё в 2018 году работодатели требовали от DS-специалистов основы математики, теорию ML/DL, git и базовые знания python. Теперь даже для джунов к этому списку прибавляются Docker, FastAPI, k8s/ansible, CI/CD и прочие термины из Dev и Ops. Чтобы соответствовать рынку, необходимо постоянно учиться и изучать смежные области. Но надо с чего-то начать. Можно начать с приведения в порядок репозиториев с экспериментами. Ребята с канала DeepSchool проводят бесплатную лекцию, где расскажут об этом подробнее. На онлайн-лекции обсудят: 🔹почему датасаентисты тоже разработчики 🔹требования к DL-инженеру на рынке в 2023 году и почему они растут 🔹что изменить в экспериментах, чтобы приблизиться к соответствию этим требованиям 🔹какие шаги нужно предпринять и какие инструменты использовать, чтобы сделать эксперименты воспроизводимыми, прозрачными и доступными для команды 🔹и представят курс CV Rocket, а также подарят скидки на обучение и список полезных библиотек для CV инженера Лекцию будут вести: - Тимур Фатыхов — один из основателей школы DeepSchool, ex Lead CV Engineer KoronaPay - Андрей Шадриков — Head of R&D в компании Verigram, команда которого занимает топовые позиции в независимых тестах биометрических систем 🗓 Лекция пройдет в четверг 3 августа в 18:00 Мск 🎁 При регистрации по ссылке в боте вы получите доступ к одной из лекций курса CV Rocket с разбором сверточных архитектур от VGG до Effnet. Лекция освежит в памяти основные открытия в сверточных архитектурах, поможет подготовиться к собеседованиям или улучшить свои модели! Регистрируйтесь на лекцию в боте, чтобы повышать свои навыки в CV!

Petals Petals — это фреймворк, который позволяет дата сайентистам совместно запускать большие языковые модели. Вы загружаете
+1
Petals Petals — это фреймворк, который позволяет дата сайентистам совместно запускать большие языковые модели. Вы загружаете небольшую часть модели, а затем объединяетесь с людьми, обслуживающими другие части, для проведения вычислений или файнтюнига. Инструмент позволяет генерировать текст с помощью LLaMA-65B или BLOOM-176B, и настраивать их для своих собственных задач. Работает под GNU/Linux, macOS и Windows с WSL2. Возможность подключить свой графический процессор, для увеличение мощности Petals. ▪Github ▪Colab ▪Статья @data_analysis_ml

С чего начать путь в Data Science? Данных становится всё больше с каждым годом и компаниям нужны специалисты, умеющие работат
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!

📕 Руководство по добавлению шума в синтетические данные с использованием Python и Numpy ❓Что такое шум? Шум — это в основном
📕 Руководство по добавлению шума в синтетические данные с использованием Python и Numpy ❓Что такое шум? Шум — это в основном бессмысленная информация, добавляемая к данным, которая приводит к их повреждению или искажению. Наличие шума в данных является результатом их неправильного сбора и хранения. Например, набор табличных данных может собирать шум из-за человеческих ошибок, таких как небрежное отношение к точности данных, усечение данных, неправильная маркировка данных, программные ошибки и мошенническое вмешательство в данные. Нечеловеческие причины шума обычно включают проблемы с датчиком камеры, проблемы с микрофоном и неправильную фильтрацию, вызывающую шум в изображениях и звуке. Неправильное хранение фотопленок может привести к появлению шумов на пленках. Тепловые колебания в материале могут вызвать шум в электрических сигналах, проходящих в этом материале. Шум в радиосигналах может быть вызван электромагнитными помехами в космосе. Шум также может быть добавлен намеренно по причинам, которые вы узнаете в следующем разделе. ➡️ Читать

🎁 Приглашаем на базовый урок по Machine Learning для начинающих "Профессия Data Science - это проще, чем кажется" от OTUS. Д
🎁 Приглашаем на базовый урок по Machine Learning для начинающих "Профессия Data Science - это проще, чем кажется" от OTUS. Дата: 2 августа в 20:00. Вебинар приурочен к старту онлайн-курса "Machine Learning". На занятии расскажем: -Про профессию Data Science, -Чем методы машинного обучения отличаются от методов классического программирования. -Почему специалисты в этой области так востребованы Также на занятии решим одну из задач машинного обучения на практике. 👩‍💻Преподаватель: Мария Тихонова, Senior Data Scientist SberDevices После вебинара курс можно приобрести в рассрочку. Хочешь сделать карьеру в направлении Machine Learning? 👉Регистрируйся на пробный открытый урок: https://otus.pw/9eBJ Нативная интеграция. Информация о продукте www.otus.ru

Оптимизации работы Jupyter notebook при помощи параллельных вычислений (Библиотека Joblib) В данном посте я расскажу о возмож
Оптимизации работы Jupyter notebook при помощи параллельных вычислений (Библиотека Joblib) В данном посте я расскажу о возможностях применения параллельных вычислений в интерактивной среде Jupyter notebook языка Python. Для чего нам необходим параллелизм? Параллелизм играет важную роль в задачах Data Science, так как может значительно ускорить вычисления и обработку больших объемов данных. Вот некоторые основные причины, почему мультипроцессинг важен для этих задач: 🟢Ускорение вычислений: многие задачи в DS, такие как обучение моделей машинного обучения, кластеризация, обработка изображений и анализ больших данных, являются вычислительно интенсивными. Использование параллельных вычислений позволяет распределить работу между несколькими ядрами процессора или даже между несколькими компьютерами, что приводит к существенному ускорению выполнения задач. 🟢 Обработка больших объемов данных: параллельные вычисления позволяют эффективно распараллелить обработку данных, разделив ее на более мелкие части и выполняя их одновременно. 🟢 Оптимизация гиперпараметров: за счет параллельного выполнения экспериментов с различными значениями гиперпараметров можно ускорить процесс поиска оптимальных параметров модели. 🟢 Обработка потоковых данных: может быть необходимо обрабатывать потоковые данные в реальном времени. Мультипроцессинг позволяет эффективно обрабатывать и анализировать потоки данных, особенно в случае высоких нагрузок и необходимости обработки данных в режиме реального времени. В языке Python уже есть реализация параллелизма на основе базового модуля — multiprocessing. Тогда почему в Jupyter notebook он не будет работать? 🟢 Читать

🤖 Список полезных нейросетей для датасаентита: • Amazon CodeWhisperer -серви, который помогает создавать приложения с помощь
🤖 Список полезных нейросетей для датасаентита: • Amazon CodeWhisperer -серви, который помогает создавать приложения с помощью ии-помощника по написанию кода с поддержкой ML. • Stenography - Автоматическое документирование кода. • tabnine -Крутой сервис для автозаполнение кода. Помогает автоматически дописывать функции на Генерирует блоки кода на основе комментариев на естественном языке. • GPT Engineer - генерация кода с помощью ИИ. • Code Mentor - оптимизирует и рефакторит код. • Polycoder - Генерирует код на 12 языках программирования. • Cogram - переводит текстовый запрос на язык баз данных и интегрируется со средой разработки Jupyter. • Copilot by GitHub - облегчает написание кода через автодополнение. • CodeT5 - преобразовывает запрос в код и дописывает начатые функции. • Ghostwriter - ИИ- программист с искусственным интеллектом для генерации кода. • Agent GPT - 👨‍🏫Agent GPT устанавливает в вашем браузере ИИ-агента, который помогает в выполнении поставленной задачи. • Mintlify - ИИ, который пишет документацию и комментарии. • ExplainDev - инструмент, который обучает в процессе и помогает разобраться в коде. @data_analysis_ml

Just wanted to share with you that CrunchDAO is organizing the ADIA Lab Market Prediction Competition with a 100 000 USD Prize pool! Here is what we offer (on top of the 100 000$ Prize pool) for you to participate). - 128$ (40$Crunch) if you score > 3.5 - 320$ (100$Crunch) if you score > 4 These rewards are paid in $Crunch (you can swap it against USDC whenever you want). They are only intended for you and can only work if you register through this link : https://crunchdao.com/live/adialab?referral=Sfodpwltzyn6Li3 The challenge of the competition is to rank the investments from best to worst at each given date. The scoring function for the competition is based on Spearman's rank correlation, which measures how well the predicted ranking of the investments matches up with the actual ranking.

Файнтюниг Llama 2 на пользовательском наборе данных за 4 шага с помощью Lit-GPT. 📌Github 📌Подробная инструкция @data_analysis_ml

Научитесь проводить бизнес-анализ, собирать, обрабатывать данные и оптимизировать бизнес-процессы! Регистрируйтесь на бесплат
Научитесь проводить бизнес-анализ, собирать, обрабатывать данные и оптимизировать бизнес-процессы! Регистрируйтесь на бесплатный онлайн-интенсив с 31 июля по 2 августа в 19:00 по московскому времени: 👉 https://epic.st/TTEFZ Сразу после регистрации получите два чек-листа «Бизнес-аналитик: начинаем карьеру с нуля» и «Ключевые качества и навыки успешного бизнес-аналитика». Интенсив подойдёт студентам технических и экономических вузов, разработчикам, junior-аналитикам, product- и project-менеджерам и всем, кто интересуется этим направлением. 💬 Спикер интенсива — Антон Антипин, 21 год опыта в бизнес-аналитике. Основатель и генеральный директор компании Business Set, сертифицированный эксперт в области моделирования бизнес-процессов. 🎁 Всех участников ждут подарки: электронная книга Скотта Беркуна «Сделано» издательства МИФ и сертификат на скидку 10 000 рублей на любой курс Skillbox каждому, кто будет онлайн на интенсиве. Подключайтесь к прямым эфирам! Реклама. ЧОУ ДПО «Образовательные технологии «Скилбокс (Коробка навыков)», ИНН: 9704088880

🤗 HuggingFace Model Downloader Полезный инструмент, написанный на Go для загрузки HuggingFace моделей. Утилита дает возможно
🤗 HuggingFace Model Downloader Полезный инструмент, написанный на Go для загрузки HuggingFace моделей. Утилита дает возможности многопоточной загрузки файлов LFS и гарантирует целостность загруженных моделей, проверяя их контрольную сумму SHA256. Скачивание происходит в разы быстрее, чем при использовании Git LFS. Скрипт загрузит нужную версию на основе os/arch и сохранит бинарник под именем "hfdownloader" в той же папке: bash <(curl -sSL https://g.bodaay.io/hfd) -h ▪ Github @data_analysis_ml