Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
Data Science | Machinelearning [ru]
Открыть в Telegram
Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. Личный блог автора - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD
Больше📈 Аналитический обзор Telegram-канала Data Science | Machinelearning [ru]
Канал Data Science | Machinelearning [ru] (@devsp) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 19 966 подписчиков, занимая 6 683 место в категории Технологии и приложения и 33 603 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 19 966 подписчиков.
Согласно последним данным от 28 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -97, а за последние 24 часа — -9, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 6.80%. В первые 24 часа после публикации контент обычно набирает 3.96% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 1 358 просмотров. В течение первых суток публикация набирает 790 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 5.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как llm, nvidia, контекст, openai, архитектура.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM.
Личный блог автора - @just_genych
По вопросам рекламы или разработки - @g_abashkin
РКН: https://vk.cc/cJPGXD”
Благодаря высокой частоте обновлений (последние данные получены 29 июня, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.
19 966
Подписчики
-924 часа
-427 дней
-9730 день
Архив постов
Подготовка данных в Data Science-проекте: рецепты для молодых хозяек
/ Статья /
Как устроены камеры с искусственным интеллектом
В каждой умной камере есть встроенная видеоаналитика, сегодня чаще всего здесь используются нейросети глубокого обучения или искусственный интеллект. Это стало возможным благодаря увеличению мощности процессоров видеокамер, раньше видеоаналитика могла существовать только на серверах.
[ Статья ]
Пишешь на Objective-C/Swift/Java/Kotlin?
15, 22 или 29 мая ты сможешь получить оффер в Яндекс за 1 день!
Нужно:
Зарегистрироваться на сайте
Решить две задачи онлайн
В любую субботу на выбор пройти две онлайн секции с кодом. Оффер в тот же вечер твой.
Подавай заявку на One Day Offer и начинай проходить!
Описание алгоритмов сортировки и сравнение их производительности
[ Статья ]
Технология FPGA для искусственного интеллекта.
Трудно представить другую технологию, которая настолько разносторонняя как FPGA.
FPGA — Field-Programmable Gate Array, то есть программируемая логическая матрица (ПЛМ), программируемая логическая интегральная схема (ПЛИС). Это технология, при которой создается микросхема с набором логических элементов, триггеров, иногда оперативной памяти и программируемых электрических связей между ними. При этом программирование FPGA оказывается похоже на разработку электрической схемы, а не программы. Пользуюсь данной технологией давно и попробую описать самые полезные с моей точки зрения применения по мере их усложнения.
Cферы применения решений FPGA + AI и Преимущества FPGA для искусственного интеллекта.
https://telegra.ph/Cfery-primeneniya-reshenij-FPGA--AI-03-09
Какая из следующих команд SQL используется для получения данных?
Бесплатный вебинар «Как запустить проект в Kubernetes за 60 минут» от Mail․ru Cloud Solutions
Kubernetes — сложная для внедрения технология, если запускать ее самостоятельно, преодолевая все подводные камни и неочевидные препятствия. Специалисты MCS помогут вам подготовиться к возможным трудностям.
На вебинаре от Mail․ru Cloud Solutions 29 апреля вы узнаете, как быстро задеплоить проект в Kubernetes за 60 минут, как справиться со всеми сложностями и настроить автоматизированный конвейер разработки приложения.
По итогам вебинара вы получите готовый репозиторий в GitHub и сможете самостоятельно повторить все действия, которые будут продемонстрированы спикером в рамках вебинара.
Мероприятие пройдет в четверг, 29 апреля, онлайн.
Начало в 17:00 по Москве.
Регистрация обязательна: https://vk.cc/c1ek4U
Какой из этих языков используется в DataScience
Интересуетесь искусственным интеллектом? 🤖
Тогда 29 апреля присоединяйтесь к онлайн-лекции от Лектория Skillbox об искусственном интеллекте и проблемах, к которым он может привести.
Регистрация по ссылке: https://clc.am/ERZokA
Вы рассмотрите:
✅ последние достижения в области ИИ и машинного обучения;
✅ страхи, связанные с появлением сверхинтеллекта;
✅ проблему «цифрового тайного суда»;
✅ реальность угрозы ИИ для человечества;
✅ связь искусственного интеллекта и социальных проблем.
🔥 Лекцию проведет Сергей Марков — руководитель Управления экспериментальных систем машинного обучения департамента SberDevices в Сбербанке, основатель научно-популярного портала 22century.ru.
Создаем несложный шахматный ИИ: 5 простых этапов
[ Статья ]
Диаграммы рассеяния
Диаграмма рассеяния лучше всего подходит для визуализации связи между двумя
спаренными множествами данных. Например, на рис. 3.7 показана связь между
числом друзей пользователя и числом минут, которые они проводят на веб-сайте
каждый день:
friends = [ 70, 65, 72, 63, 71, 64, 60, 64, 67)
minutes = [175, 170, 205, 120, 220, 130, 105, 145, 190)
labels = ['а', ·ь·, 'с', 'd', 'е', 'f'' 'g'' 'h', 'i']
# Друзья
# Минуты
# Метки
plt.scatter(friends, minutes)
# Назначить метку для каждой точки
for label, friend_count, minute_count in zip(labels, friends, minutes):
plt.annotate(label,
xy=(friend_count, minute_count), # Задать метку
xytext=(5, -5), # и немного сместить ее
textcoords='offset points')
plt.title("Чиcлo минут против числа друзей")
pl t. xlabel ( "Число друзей")
plt.ylabel("Чиcлo минут, проводимых на сайте ежедневно")
plt.show ()Как улучшить свои навыки в веб-разработке, фронтенде и вёрстке?
Просто подписаться на канал «Просто: разработка» и читать ценные статьи, а также авторские наработки от веб-разработчика с десятилетним опытом.
YouTube-канал с уроками, а также чат на тысячу человек — прилагаются.
Подписаться тут: t.me/prostorazrabotka
Тонкая настройка предварительно обученных трансформаторов в RNN
Microsoft + Deepmind + ...
Трансформеры - это текущая СОТА в языковом моделировании. Но они сопряжены со значительными вычислительными затратами, поскольку механизм внимания квадратично масштабируется по длине последовательности. Потребление памяти также линейно растет с увеличением длины последовательности. Это узкое место ограничивает использование крупномасштабных предварительно обученных моделей генерации, таких как GPT-3 или преобразователи изображений.
Недавно было предложено несколько эффективных вариантов трансформатора. Например, рекуррентный вариант линейной сложности (https://arxiv.org/abs/2006.16236) оказался хорошо подходящим для генерации авторегрессии. Он аппроксимирует внимание softmax с помощью рандомизированных или эвристических карт характеристик, но может быть трудно обучить или получить неоптимальную точность.
Эта работа преобразует предварительно обученный преобразователь в его эффективный рекуррентный аналог линейной сложности с изученной картой функций для повышения эффективности при сохранении точности. Для этого они заменяют softmax Внимание в готовом предварительно обученном трансформаторе на его рекуррентную альтернативу линейной сложности, а затем тонкую настройку.
➕ Плюсы:
+ Процесс точной настройки требует гораздо меньше времени графического процессора, чем обучение повторяющихся вариантов с нуля
+ Преобразование большого стандартного трансформатора в облегченную модель вывода без повторения всей процедуры обучения очень удобно во многих последующих приложениях.
На Открытом Уроке мы подробно разберем, что же такое платформы Оркестрации, какие решения есть сегодня на рынке и даже углубимся в практический пример использования одной из самых распространенных платформ на сегодня: Apache Airflow.
Демо-занятие является частью онлайн-курса «Экосистема Hadoop, Spark, Hive». Для вас это возможность попробовать курс, познакомиться с преподавателем и получить ценные навыки. Для регистрации пройдите вступительный тест https://otus.pw/eEGc/
Чем искусственный интеллект отличается от машинного обучения?
*AI* Искусственный интеллект нацелен на создание художественной компьютерной системы, подобной людям, для решения сложных проблем.
*ML* позволяет машинам учиться на данных, чтобы они могли выдавать точный результат
*AI* В зависимости от возможностей ИИ можно разделить на 3 типа. Слабый ИИ, Общий ИИ и сильный ИИ.
*ML* ML делится на 3 типа: обучение с учителем, обучение без учителя и обучение с подкреплением.
*AI* Системы искусственного интеллекта заинтересованы в максимальном увеличении шкалы успеха.
*ML* Машинное обучение в основном связано с точностью и закономерностями.
*AI* ИИ позволяет машине имитировать поведение человека.
*ML* Машинное обучение - это разновидность искусственного интеллекта
*AI* В основном имеет дело со структурированными полуструктурированными и неструктурированными данными.
*ML* ML работает со структурированными и полуструктурированными данными.
*AI* Применение ИИ - это Siri, поддержка клиентов с помощью кэтботов, интеллектуальных гуманоидных роботов и т. Д.
*ML* Применением машинного обучения являются системы рекомендаций, алгоритмы поиска, предложения автоматической пометки друзей в Facebook и т. Д.
Научитесь с помощью компьютерного зрения решать реальные задачи бизнеса! Если вы Data Scientist с опытом и хотите освоить новые технологии, ждем вас на онлайн-курсе «Computer Vision».
📍Справитесь ли вы с уровнем курса? Покажет вступительный тест.
Пройдите тестирование, чтобы:
● оценить свои навыки
● занять место на курсе по специальной цене
● получить доступ к демо-урокам курса
👉🏻Пройти тестирование: https://otus.pw/Ii51/
Комплексная нейронная сеть на основе ряда Фурье от функции многих переменных
[ Статья ]
Как дата-саентисты помогают по-новому взглянуть на футбол, а нейросети пишут гороскопы и вызывают налоговые скандалы — читайте в апрельском Data Science-дайджесте от Нетологии.
https://netology.ru/blog/04-2021-data-science-daijest
