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 использовать агенты Hugging Face для решения задач NLP Hugging Face — ИИ-сообщество с открытым исходным кодом для прак
🤖 Как использовать агенты Hugging Face для решения задач NLP Hugging Face  — ИИ-сообщество с открытым исходным кодом для практиков машинного обучения — недавно интегрировало концепцию инструментов и агентов в свою популярную библиотеку Transformers. Если вы уже использовали Hugging Face для решения задач обработки естественного языка (NLP), компьютерного зрения и работой над аудио/речью, вам будет интересно узнать о дополнительных возможностях Transformers. Агент Transformers: реализация В этом разделе я использовал документацию Hugging Face об агентах и реализовал их на собственных примерах. Шаг 1. Требования Начнем с импорта нескольких библиотек, которые будем использовать. Обратите внимание: я включил версии этих библиотек в результаты, чтобы вы могли создать идентичную среду. import transformers, huggingface_hub, diffusers, torch from platform import python_version print(f'python: {python_version()}') print(f'transformers: {transformers.__version__}') print(f'huggingface_hub: {huggingface_hub.__version__}') print(f'diffusers: {diffusers.__version__}') print(f'torch: {torch.__version__}') Результаты: 📌 Продолжение @data_analysis_ml

📢 Внимание, продуктовые аналитики! Приглашаем принять участие в осенних конкурсах Карьерного цеха 📢 Это отличная возможност
📢 Внимание, продуктовые аналитики! Приглашаем принять участие в осенних конкурсах Карьерного цеха 📢 Это отличная возможность проверить свои профессиональные навыки, решая реальные кейсы от ведущих компаний. 🔹 Что вас ждет: Практические кейсы по аналитике двух уровней сложности. Задания станут доступны всем зарегистрировавшимся с 25 сентября. Возможность продемонстрировать свои навыки работы с данными, знание метрик, a/b тестов и многое другое Прямой эфир с экспертами, которые разберут несколько работ и дадут ценные комментарии. 🔹 Бонусы для участников: Сертификат об участии на русском и английском языке. Возможность по результатам конкурса получить работу в компании HH.ru 🔹Полное описание конкурса и регистрация на сайте Карьерного цеха. Приглашайте друзей и коллег поучаствовать вместе с вами! Подписывайтесь на канал аналитиков Карьерного Цеха, где публикуют всю важную информацию о конкурсах.🔥

Yachay AI — открытое сообщество по машинному обучению Проект предназначен для поддержки разработчиков в создании и обучении с
Yachay AI — открытое сообщество по машинному обучению Проект предназначен для поддержки разработчиков в создании и обучении собственных моделей геотеггинга. Представленная здесь архитектура моделей геотаггинга позволяет настраивать и обучать их. Кроме того проект содержит даатсеты, которые хорошо подходят для обучения в различных сценариях определения геолокации. Из интересного: сообщество также разработало инструмент для определения геолокации • Github • Проект • Датасеты @data_analysis_ml

Присоединяйтесь к вебинару livecoding и обучайте модель Machine Learning в режиме реального времени. Когда: 15 сентября в 19:
Присоединяйтесь к вебинару livecoding и обучайте модель Machine Learning в режиме реального времени. Когда: 15 сентября в 19:00. Тема: "Прогнозирование цен на автомобили с помощью машинного обучения” Длительность: около 2 часов. Кто обучает: эксперт в Data Science с 10-летним практическим опытом Что будет на вебинаре: ✅Пошаговая разборка ML-процесса ✅Практические задания с доступом к реальным данным и среде ✅Интерактивное обучение и обсуждение Вместе мы сделаем сложное простым и достигнем результатов с минимальными усилиями 💪 Бесплатное участие только для первых 30 записавшихся человек. 👉 Записаться на вебинар Реклама: ИП Кравченко Николай Васильевич LjN8KYXZ9

🌝 Крутые data science проекты с исходным кодом 1. Создание чат-ботов: https://dzone.com/articles/python-chatbot-project-build-your-first-python-pro 2. Обнаружение мошенничества с кредитными картами: https://kaggle.com/renjithmadhavan/credit-card-fraud-detection-using-python 3. Обнаружение фальшивых новостей https://data-flair.training/blogs/advanced-python-project-detecting-fake-news/ 4. Определение сонливости водителя https://data-flair.training/blogs/python-project-driver-drowsiness-detection-system/ 5. Рекомендательные системы (рекомендация фильмов) https://data-flair.training/blogs/data-science-r-movie-recommendation/ 6. Анализ настроений https://data-flair.training/blogs/data-science-r-sentiment-analysis-project/ 7. Определение пола и прогнозирование возраста https://pyimagesearch.com/2020/04/13/opencv-age-detection-with-deep-learning/ @data_analysis_ml

Присоединяйтесь к вебинару livecoding и обучайте модель Machine Learning в режиме реального времени. Когда: 15 сентября в 19:
Присоединяйтесь к вебинару livecoding и обучайте модель Machine Learning в режиме реального времени. Когда: 15 сентября в 19:00. Тема: "Прогнозирование цен на автомобили с помощью машинного обучения” Длительность: около 2 часов. Кто обучает: эксперт в Data Science с 10-летним практическим опытом Что будет на вебинаре: ✅Пошаговая разборка ML-процесса ✅Практические задания с доступом к реальным данным и среде ✅Интерактивное обучение и обсуждение Вместе мы сделаем сложное простым и достигнем результатов с минимальными усилиями 💪 Бесплатное участие только для первых 30 записавшихся человек. 👉 Записаться на вебинар

🖥 Python анализ данных с Pandas. Join, merge, concat в Pandas • Видео • Код из видео •Часть 1 •Часть 2 @pro_python_code

📌esProc SPL - это скриптовый язык для обработки данных, с хорошо продуманными богатыми функциями и мощным синтаксисом, котор
+1
📌esProc SPL - это скриптовый язык для обработки данных, с хорошо продуманными богатыми функциями и мощным синтаксисом, который может исполняться в Java-программе через интерфейс JDBC и вычисляться независимо. •Github •Документация @data_analysis_ml

🖥Python анализ данных с Pandas. PandaSQL ▪Видео ▪Код из видео ▪Введение в Pandas @data_analysis_ml

🎥 7 лучших бесплатных курсов по Конструирование признаков, которые вам стоит пройти. 1. Feature Engineering – Coursera Этот курс предлагается компанией Google Cloud. В этом курсе вы узнаете, что является хорошим признаком и как работать с ним в модели машинного обучения. 2. Feature Engineering for Machine Learning in Python– DataCamp Это еще один хороший курс по отбору признаков. В этом курсе вы узнаете об основах отбора признаков и о том, как конструировать новые признаки с помощью pandas. 3. Feature Engineering for Machine Learning– Udemy В этом курсе Udemy вы узнаете о различных методах по работе с данными. 4. Data Processing and Feature Engineering with MATLAB– Coursera В этом курсе вы будете объединять данные из различных датасетов и работать с примерами, когда часть дынных отсутствует. В начале курса вы изучите различные типы распределений. 5. Feature Engineering in R– Datacamp В данном курсе используется программирование на языке R для отбора признаков. В этом курсе вы узнаете, как преобразовывать категориальные признаки в числовые представления и техники кодирования данных. 6. Feature Engineering with PySpark– Datacamp Это еще один курс по работе с признаками от Datacamp. В этом курсе вы узнаете, как подготовить и очистить данные и как создать новые функции для модели машинного обучения. Затем вы узнаете, как построить модель машинного обучения и как оценить ее. 7. Feature Engineering– Kaggle Этот курс доступен на сайте Kaggle. В этом курсе вы изучите процесс отбора признаков. В ходе курса вы научитесь определять важные признаки из вашего датасета. @data_analysis_ml

⚡Легкий способ получать свежие обновлении и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: Go: t.me/Golang_google Java: t.me/java_library Базы данных: t.me/sqlhub Машинное обучение: t.me/ai_machinelearning_big_data Data Science: t.me/machinelearning_ru C/C++/ t.me/cpluspluc C#: t.me/csharp_ci Хакинг: t.me/linuxkalii Мобильная разработка: t.me/mobdevelop Docker: t.me/+0WdB4uvOwCY0Mjdi Python: t.me/python_job_interview Rust: t.me/rust_code Javascript: t.me/javascriptv React: t.me/react_tg PHP: t.me/phpshka Android: t.me/android_its Linux: t.me/+A8jY79rcyKJlYWY6 Big Data: t.me/bigdatai Devops: t.me/devOPSitsec Тестирование:https://t.me/+F9jPLmMFqq1kNTMy Собеседования: https://t.me/machinelearning_interview 💼 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 ML: https://t.me/addlist/2Ls-snqEeytkMDgy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers ИИ: t.me/vistehno 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

⚡ 7 БЕСПЛАТНЫХ курсов по математике для Аналитиков данных. 1. Linear Algebra Refresher Course Это бесплатный курс для изучения основ линейной алгебры. 2. Intro to Statistics Курс "Введение в статистику" - это совершенно БЕСПЛАТНЫЙ курс для начинающих. Курс ведет сооснователь Udacity Себастьян Трун. Структура курса интересна и увлекательна для начинающих. 3. Intro to Inferential Statistics Более продвинутый курс - "Введение в описательную и инференциальную статистику". 4. Intro to Descriptive Statistics Курс "Введение в описательную статистику" - это объемный курс с уклоном в практику. 5. Eigenvectors and Eigenvalues Это очень короткий курс, в котором вы изучите линейные преобразования, векторы, метод главных компонентов. 6. Intro to Artificial Intelligence Курс начинается с основ искусственного интеллекта и его приложений. В рамках этого курса вы познакомитесь с различными алгоритмами поиска, такими как поиск по дереву, поиск по графу, поиск по ширине, поиск по A* и т.д. 7. Differential Equations in Action В этом курсе 7 уроков. В нем вы научитесь находить решения систем дифференциальных уравнений. @data_analysis_ml

У Яндекс Практикума есть бесплатный курс по основам Python-разработки. Программу составили опытные разработчики и методисты,
У Яндекс Практикума есть бесплатный курс по основам Python-разработки. Программу составили опытные разработчики и методисты, чтобы вы сами могли освоить базу Python. На курсе вы — узнаете, какие задачи решает бэкенд-разработчик; — будете писать код на Python — с первого урока; — создадите программного помощника Анфису; — узнаете, как устроено полноценное обучение в Практикуме. После бесплатного курса вы сможете принять спокойное, взвешенное решение. → Начните действовать: разберитесь бесплатно, что к чему в Python.

🔥 Дайджест полезных материалов из мира : Data Science за неделю Почитать: — Руководство по масштабированию MLOps — Data больше не Big: как данные перестали быть большими и почему это полезно для бизнеса — Что нового в Pandas 2.1 — Готовые скрипты Python — Data Vendor Lock-In and Web3 — Mastering Data Preparation for Your Dream Data Job: Using Job Postings Data — Matplotlib Tutorial #7: Plot Color Customization — 10 NoSQL databases available as alternatives to MongoDB — Data Science in Human Resources: Talent Acquisition and Retention — Explain the Central Limit Theorem in Data Science with Python? — Ultimate Guide: Best Books for Data Science with Ratings for All Levels — Professional literature as a way to improve your analytics skills — Top 10 Online Courses to Learn ChatGPT in 2023 — Matplotlib Tutorial #6: Plot Line Customization Посмотреть: 🌐 Streamlit LLM Hackathon (⏱ 03:27) 🌐 Полный курс по библиотеке Numpy. Матрицы (⏱ 11:24) 🌐 Python+SQL работа с базами данных. (⏱ 11:10) 🌐 Полный курс по библиотеке Numpy. Полезные функции (⏱ 11:05) 🌐 Полный курс по библиотеке Numpy. Применение Numpy (⏱ 11:52) 🌐 Полный курс по библиотеке Numpy. Создание матриц из файла (⏱ 15:55) 🌐 Python Атоматизация отправки email с selenium (⏱ 04:59) 🌐 Полный курс по библиотеке Numpy. Продвинутые методы работы с матрицами (⏱ 07:28) 🌐 Python анализ данных с Pandas. (⏱ 17:04) 🌐 Lightning Interview “Beyond the Code: How AI Is Disrupting the Programmer's Role” (⏱ 58:40) 🌐 Уроки Golang с нуля /#26 - Обработка ошибок (⏱ 08:14) 🌐 Introduction to Generative Art with Stable Diffusion, presented by HP Inc - Hunter Kempf (⏱ 43:48) 🌐 Emerging Approaches to AI Governance: Tech-Led vs Policy-Led - Ilana Golbin (⏱ 44:36) 🌐 Wow, NVIDIA’s Rendering, But 10X Faster! (⏱ 06:58) Хорошего дня!

🗺Leafmap - Python пакет для создания интерактивных карт для геопространственного анализа. Эта библиотека доступна в среде Jupyter, Google Colab, Jupyter Notebook и JupyterLab, и позволяет анализировать и визуализировать геоданные без особого труда. Leafmap теперь поддерживает загрузку и визуализацию данных из Google Solar API, включая аэроснимки, маску зданий, цифровую модель поверхности, годовой/месячный/часовой солнечный поток 🛰️☀️. ▪Github ▪Documentation ▪Лекции по работе с Leafmap @data_analysis_ml

👩‍💻Как выглядит карьера специалиста по Data Science: где и чему учиться, какие soft skills нужно освоить и как не выгореть в профессии? В новом выпуске «Уютного ФКНчика» обсуждаем, как попасть в анализ данных и куда двигаться. ⏺️Ведущий: Евгений Соколов, научный руководитель Центра непрерывного образования ФКН Гости: ⏺Ян Пиле, руководитель группы аналитики VK и преподаватель Центра непрерывного образования ФКН НИУ ВШЭ ⏺Алексей Борисенко, инженер-разработчик по интерпретации данных в Schlumberger и выпускник программы профессиональной переподготовки «Специалист по Data Science» Центра непрерывного образования ФКН НИУ ВШЭ Подкаст организован Центром непрерывного образования ФКН.

👩‍💻Как выглядит карьера специалиста по Data Science: где и чему учиться, какие soft skills нужно освоить и как не выгореть в профессии? В новом выпуске «Уютного ФКНчика» обсуждаем, как попасть в анализ данных и куда двигаться. ⏺️Ведущий: Евгений Соколов, научный руководитель Центра непрерывного образования ФКН Гости: ⏺Ян Пиле, руководитель группы аналитики VK и преподаватель Центра непрерывного образования ФКН НИУ ВШЭ ⏺Алексей Борисенко, инженер-разработчик по интерпретации данных в Schlumberger и выпускник программы профессиональной переподготовки «Специалист по Data Science» Центра непрерывного образования ФКН НИУ ВШЭ Подкаст организован Центром непрерывного образования ФКН.

🖥 Полный курс по библиотеке Numpy. Урок 5: Продвинутые функции. ▪Видео ▪Код из видео ▪Часть 1 ▪Часть 2 ▪Часть 3 ▪Часть4 @dat
🖥 Полный курс по библиотеке Numpy. Урок 5: Продвинутые функции. ▪Видео ▪Код из видео ▪Часть 1 ▪Часть 2 ▪Часть 3 ▪Часть4 @data_analysis_ml

9 сентября Сбер приглашает IT-специалистов поучаствовать в отборе: пройти все интервью, познакомиться с командой и, возможно,
9 сентября Сбер приглашает IT-специалистов поучаствовать в отборе: пройти все интервью, познакомиться с командой и, возможно, даже получить оффер. Какими задачами занимаются DS-специалисты крупнейшего банка страны? 👇 ✔️ Обучают все модели искусственного интеллекта: от классического ML до глубоких нейронных сетей. ✔️ Создают инновационные сервисы от систем принятия решений до компьютерного зрения и обработки естественного языка ✔️ Развивают блочное хранилище на Teradata и DataLake на Hadoop. ✔️ Работают на Python, Spark, SQL, Hadoop, GreenPlum. За год команда разрабатывает и внедряет более 200 моделей для отделений банка, приложений, колл-центра, банкоматов и так далее, поэтому работа точно будет интересной и разнообразной. Переходите по ссылке и регистрируйся на One Day Offer, чтобы получить оффер мечты! 💚

👆 Принципы SOLID в инженерии данных. Часть 1. SOLID — это набор основных принципов процесса разработки ПО, направленных на упрощение чтения, тестирования и сопровождения кода. Как расшифровывается SOLID Акроним SOLID расшифровывается так: • Single responsibility principle («Принцип единственной ответственности»). • Open/close principle («Принцип открытости/закрытости»). • Liskov substitution principle («Принцип подстановки Лисков»). • Interface segregation principle («Принцип разделения интерфейса»). • Dependency inversion principle («Принцип инверсии зависимостей). 1. Принцип единственной ответственности Согласно этому принципу, класс должен меняться только по одной причине. То есть у каждого модуля должно быть только одно назначение, отчего код становится удобнее для восприятия и тестирования. Примеры Продемонстрируем нарушение и соблюдение принципа единственной ответственности, создав простой класс для банковского счета: а) нарушение принципа: class BankAccount: def __init__(self, account_number: int, balance: float): self.account_number = account_number self.balance = balance def deposit_money(self, amount: float): self.balance += amount def withdraw_money(self, amount: float): if amount > self.balance: raise ValueError("Unfortunately your balance is insufficient for any withdrawals right now ... ") self.balance -= amount def print_balance(self): print(f'Account no: {self.account_number}, Balance: {self.balance} ') def change_account_number(self, new_account_number: int): self.account_number = new_account_number print(f'Your account number has changed to "{self.account_number}" ') Принцип нарушается, поскольку классом BankAccount контролируется больше одной задачи, связанной с банковскими счетами: управление профилями счетов и управление денежными средствами. б) соблюдение принципа: А вот пример соблюдения принципа: class DepositManager: def deposit_money(self, account, amount): account.balance += amount class WithdrawalManager: def withdraw_money(self, account, amount): if amount > account.balance: raise ValueError("Unfortunately your balance is insufficient for any withdrawals right now ... ") account.balance -= amount class BalancePrinter: def print_balance(self, account): print(f'Account no: {account.account_number}, Balance: {account.balance} ') class AccountNumberManager: def change_account_number(self, account, new_account_number): account.account_number = new_account_number print(f'Your account number has changed to "{account.account_number}" ') class BankAccount: def __init__(self, account_number: int, balance: float): self.account_number = account_number self.balance = balance self.deposit_manager = DepositManager() self.withdrawal_manager = WithdrawalManager() self.balance_printer = BalancePrinter() self.account_number_manager = AccountNumberManager() def deposit_money(self, amount: float): self.deposit_manager.deposit_money(self, amount) def withdraw_money(self, amount: float): self.withdrawal_manager.withdraw_money(self, amount) def print_balance(self): self.balance_printer.print_balance(self) def change_account_number(self, new_account_number: int): self.account_number_manager.change_account_number(self, new_account_number) Задачи, связанные с управлением банковским счетом, мы разделили на отдельные классы, упростив в случае необходимости изменение классов одинакового назначения. в) пример расширения кодовой базы: 🔘 Продолжение части 1. 🔘 Часть 2.