Data Scientist | ML & AI
رفتن به کانال در Telegram
Один из ведущих каналов по Data Science, Machine Learning и Big Data Сотрудничество: @bape_ads Прайс: @bape_media
نمایش بیشتر3 172
مشترکین
-224 ساعت
-137 روز
+12030 روز
در حال بارگذاری دادهها
کانالهای مشابه
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
نوامبر '26نوامبر '26
نوامبر '26
+22
در 2 کانالها
اکتبر '26
+161
در 18 کانالها
Get PRO
سپتامبر '26
+97
در 31 کانالها
Get PRO
اوت '26
+55
در 22 کانالها
Get PRO
ژوئیه '26
+269
در 15 کانالها
Get PRO
ژوئن '26
+42
در 2 کانالها
Get PRO
مه '26
+45
در 15 کانالها
Get PRO
آوریل '26
+97
در 48 کانالها
Get PRO
مارس '26
+37
در 0 کانالها
Get PRO
فوریه '26
+37
در 0 کانالها
Get PRO
ژانویه '26
+33
در 1 کانالها
Get PRO
دسامبر '25
+22
در 0 کانالها
Get PRO
نوامبر '25
+321
در 30 کانالها
Get PRO
اکتبر '25
+43
در 11 کانالها
Get PRO
سپتامبر '25
+724
در 0 کانالها
Get PRO
اوت '25
+41
در 1 کانالها
Get PRO
ژوئیه '25
+25
در 0 کانالها
Get PRO
ژوئن '25
+42
در 0 کانالها
Get PRO
مه '25
+658
در 1 کانالها
Get PRO
آوریل '25
+1 687
در 33 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 17 نوامبر | 0 | |||
| 16 نوامبر | 0 | |||
| 15 نوامبر | 0 | |||
| 14 نوامبر | 0 | |||
| 13 نوامبر | 0 | |||
| 12 نوامبر | +2 | |||
| 11 نوامبر | 0 | |||
| 10 نوامبر | 0 | |||
| 09 نوامبر | 0 | |||
| 08 نوامبر | 0 | |||
| 07 نوامبر | +2 | |||
| 06 نوامبر | +6 | |||
| 05 نوامبر | +8 | |||
| 04 نوامبر | +2 | |||
| 03 نوامبر | 0 | |||
| 02 نوامبر | 0 | |||
| 01 نوامبر | +2 |
پستهای کانال
💾 Как улучшить распознавание речи на 20%: объединяем две ИИ-модели
В статье сравнили 32 конфигурации ASR-моделей, включая Whisper, GigaAM, Parakeet и Qwen3-ASR.
Лучшим компромиссом для русских встреч с IT-терминами оказался каскад GigaAM + Parakeet: первая модель распознаёт речь, вторая исправляет технические названия.
⛓️ Читать статью
tags: #статья
➡ Data Scientist | Чат
| 2 | 🗂 Создаём собственную reasoning-модель с нуля
Себастьян Рашка открыл исходники практикума по разработке reasoning-моделей на основе Qwen3.
Внутри: 8 глав, Jupyter Notebook, упражнения, Chain-of-Thought, GRPO, Reinforcement Learning и дистилляция моделей.
Код доступен бесплатно на GitHub. Большую часть примеров можно запускать на обычном компьютере.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 296 |
| 3 | 📰 Какая видеокарта нужна для локального ИИ в 2026 году?
Нашли статью по подбору GPU для локального запуска языковых моделей, генерации изображений и работы с ИИ.
Автор сравнил семь видеокарт NVIDIA — от RTX 3060 до RTX 5090, оценив объём VRAM, пропускную способность памяти и скорость генерации токенов.
Также собрали таблицу подбора железа для чат-ботов, генерации кода, изображений, LoRA и многопользовательских ИИ-сервисов.
⛓️ Читать статью
tags: #статья
➡ Data Scientist | Чат | 348 |
| 4 | 🗂 Визуализируем любые датасеты одной строкой Python
Нашли бесплатную библиотеку, которая автоматически строит графики, анализирует распределения признаков, выявляет корреляции и помогает оценивать качество данных.
Поддерживает CSV, JSON, pandas и интерактивные визуализации. Для больших датасетов умеет использовать выборку.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 375 |
| 5 | Удалёнка с доходом от 70.000 для новичков
К счастью, еще не все поняли, где на самом деле будут все деньги в 2027 году.
Пока одни учат с помощью ИИ делать для бизнеса ненужные картинки и видео, другие решают реально важные задачи и зарабатывают на этом.
Ты можешь просто делать чат-ботов с ИИ без программирования и получать за это от 150.000 рублей в месяц с 3 проектов🔥
А в среднем, от 5.000р за простые заказы и от 25.000р за сложные на 5-6 часов работы ☝️
Клиентов полно, бизнесы постоянно ищут исполнителей на автоматизации.
В боте показываю, где их искать без опыта📲
Чтобы начать свой путь в нише надо:
1. Просто запустить бота по ссылке и забрать бесплатные уроки
2. Сделать 30-40к подработкой за первый месяц
3. Дорасти до 150.000 дохода уже через 3-4 месяца
Действуй, пока ссылка еще активна 👇
https://t.me/Alekseicoach_bot?start=testdrivetg491 | 329 |
| 6 | 🔖 Учимся понимать решения ML-моделей
На GitHub выложили open-source инструмент для интерпретации алгоритмов машинного обучения и анализа их предсказаний.
Что умеет:
🔵 Объяснять решения ML-моделей;
🔵 Оценивать влияние отдельных признаков;
🔵 Анализировать глобальное поведение модели;
🔵 Разбирать причины конкретных предсказаний;
🔵 Использовать методы SHAP и LIME;
🔵 Обучать Explainable Boosting Machines;
🔵 Исследовать ошибки и потенциальные смещения;
🔵 Строить интерактивные визуализации результатов.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 392 |
| 7 | 💾 ИИ-код становится дешевле, а его поддержка дороже
В статье разобрали скрытые издержки вайбкодинга: накопление технического долга, ошибки нейросетей, уязвимые зависимости и расходы на проверку сгенерированного кода.
Отдельно рассмотрели реальные инциденты и исследования, показывающие, почему ИИ не всегда ускоряет разработку.
⛓️ Читать статью
tags: #статья
➡ Data Scientist | Чат | 428 |
| 8 | 🗂 Дополнительные инструменты для машинного обучения
Нашли библиотеку, которая добавляет готовые трансформеры, модели и метрики для обработки признаков, поиска выбросов и настройки классификации.
Всё совместимо со стандартными ML-пайплайнами и не требует переписывать существующие проекты.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 440 |
| 9 | Готовитесь к собеседованию по Data Science или ML? Проверьте, сможете ли объяснить, как выбрать метрику, распознать утечку данных и оценить модель.
В «Банке собесов» есть вопросы по классическому ML, NLP и LLM, Computer Vision, SQL и Python. У части вопросов есть разборы с примерами ответов. Откройте бесплатные вопросы и попробуйте ответить самостоятельно.
Полный доступ — от 500 ₽.
Открыть Банк собесов
https://tglink.io/af84b02278d17c?erid=2W5zFK2Zwmc | 236 |
| 10 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 11 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 12 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 13 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 14 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 15 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 16 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 17 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 536 |
| 18 | На один навайбкоженный проект — один аккаунт поддержки 📱
Но зачем тратиться на аккаунты, если можно создать бота обратной связи в 2 клика и принимать обращения?
Suppy — это удобнейший конструктор ботов обратной связи в Telegram.
Диалоги с пользователями разделены по веткам, можно брать в работу обращения и получать за ответы оценки, добавлять сотрудников, кастомзировать тексты и много чего ещё — в одном боте, да ещё и бесплатно! | 480 |
| 19 | 📰 Как стать ML-инженером в 2026 году
Нашли большой роадмап, который поможет пройти путь от первых строк на Python до разработки и запуска собственных ML-моделей.
Авторы разобрали математику, SQL, классический ML, нейросети, трансформеры и ML System Design.
⛓️ Читать статью
tags: #статья
➡ Data Scientist | Чат | 498 |
| 20 | Уже очевидно, что ВАЙБКОДИНГ — главный навык ближайших лет
Посмотрите сами. ИИ уже забирает на себя работу целых команд: пишет код, закрывает задачи джунов и позволяет стартапам запускать продукты в 2–3 раза меньшим составом. То, на что раньше нужны были несколько разработчиков, сегодня всё чаще делает один человек с ИИ-агентами.
И это только начало. Те, кто освоит вайбкодинг сейчас, смогут быстрее запускать проекты, автоматизировать огромный объём работы, увереннее конкурировать на рынке и зарабатывать больше тех, кто продолжает делать всё вручную.
Начать с нуля поможет канал Вайб-кодинг. Там ребята круглосуточно мониторят более 320 российских и зарубежных источников и публикуют только главное: релизы, инструменты, гайды, курсы и практические кейсы.
Подписывайтесь, нас уже 69 тысяч: @vibecoding_tg | 350 |
