ru
Feedback
Data Science | Machinelearning [ru]

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 20 021 подписчиков, занимая 6 726 место в категории Технологии и приложения и 33 725 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 20 021 подписчиков.

Согласно последним данным от 18 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -63, а за последние 24 часа — -3, при этом общий охват остаётся высоким.

  • Статус верификации: Не верифицирован
  • Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 8.21%. В первые 24 часа после публикации контент обычно набирает 4.21% реакций от общего числа подписчиков.
  • Охват публикаций: В среднем каждый пост получает 1 645 просмотров. В течение первых суток публикация набирает 843 просмотров.
  • Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 7.
  • 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 19 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.

20 021
Подписчики
-324 часа
-507 дней
-6330 день
Архив постов
🧩 Реализация паттерна «Одиночка» на Python Мечтаешь о коде, который работает как швейцарские часы? Паттерн «Одиночка» может стать тем самым механизмом, который заставит все шестеренки крутиться идеально. Читать...

🛠 4 полезных инструмента для работы с ИИ: RAGFlow, The Pipe, UFO и SWE-agent В этой статье мы рассмотрим 4 ИИ-инструмента, которые расширяют возможности разработчика: от платформ для работы с документами до агентов, способных исправлять ошибки в коде. Читать...

🤔 Метрологический дефицит в бигдате: что это такое и как с ним бороться Статья объяснит, почему данные, используемые в ИИ и машинном обучении, часто искажаются преобразованиями. Обсудим измерительные приборы, их влияние на производственные процессы и важность понимания этого эффекта. Читать...

➡️ Как мы перенесли распознавание на базе ИИ в веб и изменили веб-банкинг? В Markswebb оценили Статья расскажет о ежегодном рейтинге лучших веб-версий банковских приложений 2024 года от Markswebb. Лидеры рейтинга использовали ИИ-решения Smart Engines для улучшения клиентского опыта и достижения рекордов. Читать...

⚙️ AILink для Wolfram и плагины для ChatGPT Статья расскажет, как с помощью Wolfram Language создать ассистента на базе OpenAI API и добавить плагины. Также рассматривается удобство работы в интерактивном блокноте и обход региональных блокировок OpenAI. (197 символов) Читать...

Вебинар: «Как построить pipeline предобработки данных для машинного обучения» 📅 Дата: 21 октября 2024, 18:00 (МСК) 👩‍💻 Спи
Вебинар: «Как построить pipeline предобработки данных для машинного обучения» 📅 Дата: 21 октября 2024, 18:00 (МСК) 👩‍💻 Спикер: Мария Тихонова 🚀 О чем поговорим: На вебинаре вы научитесь строить полноценный pipeline для подготовки данных под задачи машинного обучения. Мы обсудим ключевые шаги, такие как Exploratory Data Analysis (EDA) и предобработка данных, на конкретных примерах. 💼 Что вы получите: - Разберетесь, как проводить разведочный анализ данных (EDA). - Изучите лучшие практики по очистке, трансформации и подготовке данных для ML-моделей. - Поймете, как избежать типичных ошибок при работе с данными. 📌 Встречаемся в преддверии старта курса «Machine Learning. Basic». Все участники вебинара получат специальную цену на обучение! 👉 Для участия зарегистрируйтесь на сайте: https://otus.pw/mkVE/ Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

😎 Искусство аугментации: как улучшить модели компьютерного зрения без сбора новых данных В статье рассказывается о методе аугментации данных для улучшения работы моделей компьютерного зрения. Вы узнаете, как с помощью этого метода увеличить количество данных, повысить точность модели и избежать типичных ошибок. Читать...

Как Лента формирует эффективный ассортимент на основе данных В этой статье расскажу про путь к управлению ассортиментом на основе данных и наш флагман – приложение Deli – рабочее место, в котором менеджер анализирует матрицу своих категорий и вносит в нее изменения на основе рекомендаций алгоритма. Читать...

🖥 Транскрибируем аудио и создаём субтитры для видео с помощью Whisper, FFmpeg и Python В этом пошаговом гайде вы узнаете, как быстро автоматизировать процесс транскрибации и добавления субтитров к видео за считанные минуты. Читать...

⚙️ Построим GPT: с нуля и шаг за шагом В этой статье я построил GPT архитектуру на данных из произведений Шекспира и получил достаточно впечатляющие результаты. Читать...

🖥 Сервис для обхода блокировки OpenAI API в России или ваш первый API В статье объясняется, как с помощью FastAPI и Docker создать сервис для обхода блокировки OpenAI в России. Описываются шаги по настройке пересылки запросов через сервер, чтобы обойти ограничение доступа по IP. Читать...

🔈 От звука к смыслу: распознавание речи в видеоконтенте В данной статье мы рассмотрим проект по распознаванию речи из видео, преимущества и недостатки данной разработки, а также посмотрим на то, как ее внедрение помогло ускорить работу аналитиков и разработчиков на проекте. Читать...

NLP Researchers, отметьте в календаре 26 октября🌟 Всего за один день вы сможете пройти все этапы отбора, познакомиться с ком
NLP Researchers, отметьте в календаре 26 октября🌟 Всего за один день вы сможете пройти все этапы отбора, познакомиться с командой GigaCode и получить оффер. Мы создаем AI ассистента разработчика – GigaCode. Наши модели помогают писать 80к строк кода ежедневно! Решаем задачи по различным подходам в NLP и PLP, проводим ресёрч-эксперименты и обучаем новые SOTA LLM. В работе используем: NLP, DL, ML, Python, Pytorch, Transformers, FSDP, Deepspeed. Чем предстоит заниматься? ✅ реализовывать дизайн экспериментов, формулировать гипотезы для улучшения NLP/PLP моделей и алгоритмов, планировать исследовательские эксперименты с выводами. ✅ проводить эксперименты, писать код, подготавливать датасеты и бенчмарки, проводить замеры и анализ результатов. ✅ обучать модели на кластере, включая обучение моделей с нуля и дообучение опенсорс моделей. Если вы амбициозны и готовы к новым вызовам в PLP и/или NLP направлениях, регистрируйтесь на One Day Offer! Будем делать важнейшие исследования вместе!💚

⚙️ 6 основных алгоритмов машинного обучения: руководство для начинающих В этой статье мы расскажем о шести основных алгоритмах машинного обучения и их практическом применении в различных отраслях. Читать...

🎓 5 задач для подготовки к собеседованию по Python Используем алгоритмы Манакера и заметающей прямой, определяем границы окна с k-элементами, вычисляем площадь участков разного цвета и находим наибольшую увеличивающуюся подпоследовательность. Читать...

🤖 42 секунды и 5 запросов: как взламывают генеративные ИИ-модели Ты знал, что злоумышленникам для взлома генеративных ИИ достаточно всего 42 секунды и пяти запросов? В этой статье мы разберем, как это происходит, какие уязвимости существуют и как защитить свои системы от подобных атак. Читать...

🤔 В чём различия между Data Science, машинным обучением, ИИ, глубоким обучением и Data Mining Эта статья поможет вам не только понять, какие исследования и опыт позволяют извлекать знания из данных, чтобы делать машины умнее, но и как конкретно это происходит. Читать...

☁️ Как обучить ИИ в облаке Сегодня мы хотим поделиться с вами нашим успешным кейсом, который наглядно демонстрирует, как облачные технологии могут значительно улучшить и ускорить процессы разработки и обучения ИИ. Читать...

📨 Пример использования программы для парсинга e-mail адресов с сайтов, созданный ИИ Сегодня делимся программой для парсинга e-mail с сайтов, созданной за 30 минут с помощью ИИ от Rokitok. Это показывает, как ИИ ускоряет задачи, на которые раньше уходили дни или большие бюджеты. Читать...

True Tech Hub в Иннополисе МТС приглашает на митап для ИТ-специалистов, который пройдет в Иннополисе 26 октября. Программа ме
True Tech Hub в Иннополисе МТС приглашает на митап для ИТ-специалистов, который пройдет в Иннополисе 26 октября. Программа мероприятия: 1. «Проверка продуктовых гипотез на примере процессов в МТС». Сергей Яковлев, Tech Lead, МТС 2. «Как наладить работу аналитики с остальной командой». Никита Цыбин, ведущий аналитик, МТС 3. «Что такое пользовательская история и как она помогает SA/BA и PO», Эвита Шарафутдинова, ведущий аналитик, МТС 4. «Экстремальная оптимизация моделей машинного обучения и векторных данных: как комбинировать прунинг, квантование и снижение размерности». Альберт Насыбуллин, ведущий разработчик, МТС 4. «Повышение качества информационного поиска за счет использования RAG в AI», Владислав Шевченко, red_mad_robot Регистрируйся