ru
Feedback

Не попадитесь на канал ботавода! Telemetrio находит и помечает такие каналы 👉 Хотите видеть метку — оформите подписку

Анализ данных (Data analysis)

Анализ данных (Data analysis)

Открыть в Telegram

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

Больше

📈 Аналитический обзор Telegram-канала Анализ данных (Data analysis)

Канал Анализ данных (Data analysis) (@data_analysis_ml) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 51 911 подписчиков, занимая 2 572 место в категории Технологии и приложения и 11 804 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 51 911 подписчиков.

Согласно последним данным от 16 ноября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 444, а за последние 24 часа — -8, при этом общий охват остаётся высоким.

  • Статус верификации: Не верифицирован
  • Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 11.63%. В первые 24 часа после публикации контент обычно набирает 8.47% реакций от общего числа подписчиков.
  • Охват публикаций: В среднем каждый пост получает 6 040 просмотров. В течение первых суток публикация набирает 4 397 просмотров.
  • Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 192.
  • Тематические интересы: Контент сосредоточен на ключевых темах, таких как llm, контекст, openai, архитектура, deepseek.

📝 Описание и контентная политика

Автор описывает ресурс как площадку для выражения субъективного мнения:
“Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp”

Благодаря высокой частоте обновлений (последние данные получены 17 ноября, 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.

51 911
Подписчики
-824 часа
+27 дней
+44430 дней
Архив постов
Команда аналитиков из Авито занимается улучшением пользовательского опыта продавцов в Авито Доставке. Аналитик Саша Голубев п
Команда аналитиков из Авито занимается улучшением пользовательского опыта продавцов в Авито Доставке. Аналитик Саша Голубев поделился очень крутым кейсом — как исследовали одну из метрик и её реальный потенциал оказался в 2 раза меньше ожидаемого. Особенно интересно, когда такие штуки происходят в крупной компании. Переходите и читайте статью по ссылке: clc.to/VuJVnw Реклама. ООО «Авито Тех».
16 мар. 2023, 04:01
23 мар. 2023, ~04:02

5️⃣ Декораторов Python, которые я использую почти во всех своих проектах в области Data Science С помощью декораторов мы може
5️⃣ Декораторов Python, которые я использую почти во всех своих проектах в области Data Science С помощью декораторов мы можем сократить код и улучшить его читаемость. Я постоянно декораторами в своей работе. Вот пять наиболее распространённых декораторов, которые я использую почти в каждом проекте с большим объёмом данных. • Читать @data_analysis_ml
15 мар. 2023, 13:36

В анализ данных переходят из самых разных сфер. Например, спикеры нашего вебинара — это бывшие сисадмин, врач и выпускник фил
В анализ данных переходят из самых разных сфер. Например, спикеры нашего вебинара — это бывшие сисадмин, врач и выпускник философского факультета МГУ. А сейчас они работают с данными в известных компаниях. На вебинаре они расскажут, как освоили профессии в аналитике данных. → Бесплатно, 20 марта в 15:00 Ваши проводники в анализ данных: ◾️Игорь Алдабаев,- Руководитель группы анализа данных в СберМаркете ◾️Ольга Мазур, руководительница практики бизнес-анализа в Samokat.tech ◾️ Антон Гаврюшин, старший системный аналитик в Positive Technologies ◾️Эдуард Григорян, Head of Data Science в Ленте ◾️Артём Исакин, руководитель трудоустройства в направлении анализа данных Яндекс Практикума Поговорим о четырёх профессиях: бизнес-аналитика, системного аналитика, аналитика данных и специалиста по Data Science. Вы узнаете: — в чём заключается их работа, — кому подходят эти профессии, — нужно ли хорошее знание математики, — на что обращать внимание при поиске первой работы, — какие перспективы роста. Вы сможете задать спикерам вопросы о смене профессии и старте карьеры. → Зарегистрироваться на вебинар
15 мар. 2023, 11:36
22 мар. 2023, ~08:15

🖥 Docker: размещение и запуск Python сценария на русском Процесс размещения скрипта Python в контейнере Docker: • Создание D
🖥 Docker: размещение и запуск Python сценария на русском Процесс размещения скрипта Python в контейнере Docker: • Создание Dockerfile • Создание образа из Dockerfile • Запуск образа Docker #doc #python #docker • Читать @data_analysis_ml
15 мар. 2023, 06:19

🖥 Docker: размещение и запуск Python сценария на русском Процесс размещения скрипта Python в контейнере Docker: • Создание D
🖥 Docker: размещение и запуск Python сценария на русском Процесс размещения скрипта Python в контейнере Docker: • Создание Dockerfile • Создание образа из Dockerfile • Запуск образа Docker #doc #python #docker • Читать @data_analysis_ml
15 мар. 2023, 04:35
15 мар. 2023, ~04:35

🔥 Проверьте свои навыки в системном анализе! Пройдите тест из 12 вопросов онлайн-курса «Системный аналитик. Advanced» и узна
🔥 Проверьте свои навыки в системном анализе! Пройдите тест из 12 вопросов онлайн-курса «Системный аналитик. Advanced» и узнайте, осилите ли вы обучение в OTUS. 💣 Все, кто успешно пройдет тест, получит доступ к 2 открытым урокам курса для знакомства с форматом и спец.цену на курс. — «Какие сервисы делать на gRPC?» — «Use case: примеры и разбор ошибок» В программе курса разбираются технические аспекты архитектурного проектирования приложений и аналитические инструменты! За 6 месяцев обучения вы научитесь решать задачи уровня Middle+ и четко определите круг своих профессиональных навыков. 👉 Пройти тест: https://otus.pw/rqoW/
15 мар. 2023, 04:19
22 мар. 2023, ~08:15

8️⃣ Приемов очистки данных в SQL 1. Выявление и удаление дублирующих записей SELECT DISTINCT column1, column2, ... FROM table_name; В качестве альтернативы можно использовать GROUP BY, чтобы сгруппировать похожие записи вместе, а затем удалить количество записей в каждой группе. SELECT column_name, COUNT(*) FROM table_name GROUP BY column_name HAVING COUNT(*) > 1; 2. Стандартизация текстовых полей UPDATE table_name SET column_name = UPPER(column_name); Вы также можете использовать функцию REPLACE для замены определенных символов или строк в текстовых полях. Например: UPDATE table_name SET column_name = REPLACE(column_name, 'OldString', 'NewString'); 3. Обработка отсутствующих или нулевых значений SELECT column1, column2, ... FROM table_name WHERE column_name IS NULL; Затем вы можете удалить эти записи или заменить отсутствующие значения значением по умолчанию. Например: UPDATE table_name SET column_name = 'DefaultValue' WHERE column_name IS NULL; 4. Удаление кривых символов UPDATE table_name SET column_name = REPLACE(column_name, 'InvalidChar', ''); UPDATE table_name SET column_name = REGEXP_REPLACE(column_name, '[^a-zA-Z0–9 ]', ''); 5. Обработка выбросов Чтобы определить и удалить выбросов, мы можем использовать функции AVG и STDDEV для расчета среднего и стандартного отклонения столбца. SELECT AVG(column_name), STDDEV(column_name) FROM table_name; 6. Корректировка форматов дат Функция STR_TO_DATE может преобразовать строку в формат даты. Синтаксис функции следующий: SELECT STR_TO_DATE(date_string, format_string) FROM table_name; 7. Очистка текстовых данных Функция REPLACE может заменить подстроку в строке. Функция TRIM позволяет удалить из строки ведущие и последующие пробелы. Синтаксис выглядит следующим образом: SELECT UPPER(column_name) FROM table_name; SELECT REPLACE(column_name, 'old_string', 'new_string') FROM table_name; SELECT TRIM(column_name) FROM table_name; 8. Проверка типов данных Важно убедиться, что ваши данные имеют правильный тип данных. Для проверки и преобразования типов данных можно использовать функции CAST или CONVERT. Например: SELECT CAST(column_name AS INT) FROM table_name; SELECT CONVERT(column_name, DATE) FROM table_name; @data_analysis_ml
14 мар. 2023, 12:02

💡Напоминаем, что скоро стартует очная программа переподготовки «Аналитик данных» от Центра непрерывного образования ФКН ВШЭ.
💡Напоминаем, что скоро стартует очная программа переподготовки «Аналитик данных» от Центра непрерывного образования ФКН ВШЭ. ✅ Программа подходит начинающим, которые хотят освоить новую профессию: вы начнете с основ Python, SQL и прикладной статистики. Перейдете к машинному обучению, A/B-тестам, продуктовым и бизнес-подходам, инструментам Business Intelligence, Data Warehouse. ✅ Наши преподаватели работают в крупных IT-компаниях, банках и инновационных стартапах. На занятиях вы научитесь применять теорию к реальным задачам из индустрии. ✅ Плюс очного обучения: личное знакомство с преподавателями и общение с другими студентами. ✅ Обучение завершается финальным проектом, направленным на решение бизнес-задачи, который станет отличным дополнением к портфолио. Старт уже 22 марта!🔥 Длительность: 1 год Где: Москва, Покровский бульвар, 11 Стоимость: 390 000₽, оплату можно разделить на 5 частей без переплат Результат обучения: диплом о профессиональной переподготовке Запишитесь на курс по ссылке.
14 мар. 2023, 10:01
22 мар. 2023, ~08:15

10 малоизвестных библиотек Python, которые стоит использовать дата-саентистам в 2023 году PyGWalker: PyGWalker упрощает рабочий процесс анализа и визуализации данных в Jupyter Notebook, превращая фрейм данных pandas (или фрейм данных polars) в пользовательский интерфейс в стиле Tableau для визуального исследования. SciencePlots: Создаёт профессиональные графики matplotlib для презентаций, исследовательских работ и т.д. CleverCSV: Устраняет ошибки синтаксического анализа при чтении CSV-файлов с помощью Pandas. Fastparquet: Ускоряет ввод-вывод pandas в 5 раз. Bottleneck: ускоряет работу методов NumPy в 25 раз. Особенно, если массив имеет значения NaN. Multipledispatch: предоставляет методы для перегрузку функций в Python. Aquarel: дополнительные стили графиков matplotlib. Modelstore: библиотека моделей машинного обучения для лучшего отслеживания работы моделей. Pigeon: помогает анотировать данные щелчками мышки в Jupyter notebook. Nbcommands: помогает легко выполнять поиск кода в Jupyter notebooks, а не выполнять это вручную. • Подробнее с примерами кода @data_analysis_ml
14 мар. 2023, 06:00

Ваша цель – погрузиться в новые практики и инструменты дата-инжиниринга или понять, подходит ли вам эта сфера? Тогда пора на
Ваша цель –  погрузиться в новые практики и инструменты дата-инжиниринга или понять, подходит ли вам эта сфера? Тогда пора на обучение! NewProLab запускает 12-й обновленный поток интенсивной онлайн-программы Data Engineer, который подойдет для дата-инженеров, аналитиков данных, бэкенд-разработчиков, техлидов и менеджеров. За 8 недель обучения вы получите:  • 20 интенсивных  занятий с преподавателями в зуме • 6 лабораторных работ - задач с реальными данными • Общий чат с участниками и поддержку координатора В конце обучения вы научитесь решать задачи DE, структурируете ваши знания и поработаете с облачным кластером для решения лаб с реальными данными, освоите необходимые навыки настройки инфраструктуры и devops-практики для своих data-решений. А все материалы программы останутся у вас навсегда! Старт программы 27 марта Подробная информация и регистрация по ссылке. Бонус: Получите скидку 23% при покупке программы по промокоду birthday23.
14 мар. 2023, 04:01
22 мар. 2023, ~08:15

💨 Методы предварительной обработки данных для Data Science • Data cleansing and editing (очистка и преобразование данных): На этом этапе данные с недопустимыми значениями, выбросами или другими проблемами удаляются или корректируются. На этом этапе либо заполняются отсутствующие данные (NaN), либо удаляются объекты данных (или признаки данных), содержащие такие отсутствующие значения, если их доля велика. • Feature transformation (преобразование/трансформация признаков): На этом этапе изменяются значения признаков (изменяется распределение, например, признаки масштабируются), их тип (непрерывные значения преобразуются в категориальные путем агрегирования и бинаризации), модальность (изображения преобразуются в табличные данные) и т. д. Этот этап в основном включает преобразования, направленные на улучшение качества признаков (и данных) или трансформацию признаков таким образом, чтобы они были применимы для машинного обучения. • Feature selection (отбор признаков): На этом этапе мы стараемся сократить количество признаков (желательно с минимальной потерей информации) за счет поиска подпространства более низкого измерения с использованием методов сокращения размерности или просто путем удаления некоторых нерелевантных или дублирующих (сильнокоррелирующих) признаков. Этот этап направлен на упрощение моделей, снижение сложности обучения модели и избегание неприятных эффектов, типа проклятия размерности. • Feature generation and construction (создание/генерация признаков): Данный этап включает в себя создание новых признаков на основе логики и знаний предметной области или математических преобразований, например, возведение в полиномиальную степень, перемножение значений признаков или другие виды смешения признаков. Этот этап направлен на выявление нелинейных сложных зависимостей в данных, преобразование их в явных вид (в виде нового признака) и создание более простых в использовании признаков для моделей машинного обучения. • Data generation and augmentation (генерация данных): На этом этапе мы увеличиваем объем данных за счет копирования существующих точек (например, увеличения количества точек минорного класса), добавления слегка преобразованных имеющихся точек данных, создания новых синтетических данных из существующих или даже генерация данных из физических моделей. Во время предварительной обработки сырые данные, которые часто не применимы для методов и алгоритмов машинного обучения, преобразуются в выборки данных, готовые для решения конкретных задач и построения моделей. Подготовка датасета для машинного обучения: 10 базовых способов совершенствования данных @data_analysis_ml
13 мар. 2023, 13:40

🔥 Хардкорный тест для DS/ML-специалистов! Ответьте на 15 вопросов и узнайте, достаточно ли у вас знаний, чтобы пройти онлайн
🔥 Хардкорный тест для DS/ML-специалистов! Ответьте на 15 вопросов и узнайте, достаточно ли у вас знаний, чтобы пройти онлайн-курс «Natural Language Processing (NLP)» в OTUS по спец.цене. 🚀 Курс поможет прокачать весь арсенал навыков, необходимых специалисту в NLP. 👉 Пройти тест: https://otus.pw/765K/ 💣 Успешное прохождение теста откроет доступ к 2 урокам курса: — Современные применения Natural Language Processing — Задача Question-Answering в NLP
13 мар. 2023, 11:14
19 мар. 2023, ~06:32

🗣 Оценка качества работы систем Speech to Text Вопрос оценки качества работы систем распознавания речи возникает как перед р
🗣 Оценка качества работы систем Speech to Text Вопрос оценки качества работы систем распознавания речи возникает как перед разработчиками собственных решений, так и перед конечными пользователями. Насколько качественна система распознавания речи? Насколько она эффективная на разных типах данных? ▪Читать @data_analysis_ml
13 мар. 2023, 05:14

Ищем учеников на бесплатное обучение по созданию искусственного интеллекта с нуля. Опыт программирования не важен!🤖 Всего за 3 вечера под руководством Дмитрия Романова - основателя Университета Искусственного Интеллекта, лидера обучения AI-разработке в РФ, вы с легкостью напишете свой первый искусственный интеллект👨‍💻 Какие нейронные сети вы создадите? ▫️Классификация людей на входящих и выходящих из автобуса ▫️Обнаружение возгораний ▫️Оценка стоимости квартир ▫️Оценка резюме соискателей ▫️Прогнозирование стоимости полиметаллов ▫️Сегментация изображений самолетов ▫️Распознавание команд умного дома⠀ Лучше освоить навыки создания нейронных сетей вам помогут домашние задания с проверкой от кураторов.⠀ Приходите на бесплатное обучение и напишите искусственный интеллект за 3 вечера💪 Регистрация по ссылке
13 мар. 2023, 04:14
14 мар. 2023, ~07:29

✒️ Новая версия Scikit-Learn (1.2.0–1). Обзор функций для анализа данных. Примерно в декабре прошлого года Scikit-Learn выпус
✒️ Новая версия Scikit-Learn (1.2.0–1). Обзор функций для анализа данных. Примерно в декабре прошлого года Scikit-Learn выпустила крупное стабильное обновление (версия 1.2.0–1). Теперь Scikit-Learn хорошо совместим с Pandas, некоторые новые функции могут помочь нам с моделями регрессии, а также с задачами классификации. В статье я расскажу о некоторых новых обновлениях с примерами кода и рекомендациями как их использовать. ▪ Читать @data_analysis_ml
12 мар. 2023, 06:01

В современном мире тратить 5 лет на освоение профессии — роскошь. Хорошо, что сейчас есть программы, которые позволяют сделат
В современном мире тратить 5 лет на освоение профессии — роскошь. Хорошо, что сейчас есть программы, которые позволяют сделать это быстро. А некоторые из них — попробовать себя в новой роли бесплатно. Предлагаем поучаствовать в интенсиве Skillbox «3 дня в роли бизнес-аналитика: основы профессии и первый кейс». Он пройдёт онлайн с 13 по 15 марта в 19:00 по московскому времени. Всего за 3 вечера вы: ✅ Познакомитесь с профессией и поймёте, подходит ли она вам. ✅ Изучите инструменты аналитика. ✅ Научитесь ориентироваться на рынке бизнес-анализа. ✅ Попрактикуетесь на реальных задачах — соберёте данные о деятельности структурного подразделения. И да — всё это бесплатно. Ведущий интенсива — Антон Антипин, основатель и генеральный директор компании Business Set, сертифицированный эксперт в области моделирования бизнес-процессов, который 21 год работает в бизнес-аналитике. 🎁 Подарки участникам: электронная книга Дэвида Рубенштейна «Быть лидером» издательства МИФ и сертификат на скидку 5 000 рублей на любой курс Skillbox — каждому, кто будет онлайн! Регистрируйтесь: https://epic.st/Ux2i1J
12 мар. 2023, 04:00
19 мар. 2023, ~06:32

🏷 Ресурсы, которые дадут очень прочную основу для начала работы с машинным обучением. Набор тем, ранжированных по темам. Градиентный спуск Метрики — классификация ▪Матрицы неточностей, точность, прецезионность, recall, чувствительность ▪F1-оценка ▪TPR, TNR, FPR, FNR ▪Ошибки I и II типов ▪Кривые AUC-Roc Метрики — регрессия ▪Общая сумма квадратов, объясненная сумма квадратов, остаточная сумма квадратов ▪Коэффициент детерминации и его скорректированная форма ▪AIC и BIC ▪Преимущества и недостатки RMSE, MSE, MAE, MAPE Компромисс отклонение-дисперсия, Over/Under-Fitting ▪Метод k-ближайших соседей ▪Random Forests ▪Асимптотические свойства ▪Проклятие размерности Выбор модели ▪k-Fold кросс-Валидация (перекрестная проверка) ▪L1 и L2 регуляризация ▪Байесовская оптимизация Sampling ▪Классовый дисбаланс при обучении классифицирующих моделей ▪SMOTE ▪Несбалансированность классов в независимых переменных ▪Систематическая ошибка выборки Модели регрессии ▪Глубокие нейронные сети для проблем регрессии ▪Случайная лесная регрессия ▪Регрессия XGBoost ▪ARIMA / SARIMA ▪Байесовская линейная регрессия ▪Регрессия на основе гауссовского процесса Алгоритмы кластеризации ▪Метод К-средних ▪Иерархическая кластеризация ▪Процессы Дирихле Классификационные модели ▪Логистическая регрессия ▪Множественная регрессия ▪XGBoost ▪Метод опорных векторов @data_analysis_ml
11 мар. 2023, 05:01

⭐️ Топ-5 ресурсов для лёгкого изучения Глубокого Обучения с Подкреплением. Здесь я собрал список полезных, на мой взгляд ресурсов для изучения Глубокого Обучения с Подкреплением. 1. Hugging Face Deep Reinforcement Learning course: Возможно, лучший курс, который я когда-либо проходил. В потрясающей работе Томаса Симонини вы одновременно узнаете, как программировать и использовать алгоритмы DRL, используя среды StableBaselines3 и OpenAI Gymnasium, а также теорию, лежащую в основе обучения с глубоким подкреплением. 2. Foundations of Deep Reinforcement Learning Я включил эту книгу в данную рубрику, потому что у неё есть важное преимущество: её очень легко читать и она дает хорошее базовое представление о теме. 3. Welcome to Spinning Up in Deep RL by OpenAI! Данный источник содержит большое количество доступных для исследований тем, таких как ключевые статьи в DRL и полезные бенчмарки. 4. Reinforcement Learning book by Sutton and Barto рекомендую вам эту книгу, чтобы вы изучили основы обучения с подкреплением. Это продвинутая книга, но почти без практических задач.Тем не менее, это классика, и из-за этого я думаю, что вы должны прочитать её, если собираетесь работать в этой области. 5. Li, Y. (2017). Deep reinforcement learning: An overview. arXiv preprint arXiv:1701.07274. Наконец, если вам нужно выбрать направление своего исследования и получить широкое представление о процессе глубокого обучения с подкреплением, то это отличная статья. Я рекомендую вам прочитать ее, а затем поискать более свежие исследования по вашему конкретному направлению. @data_analysis_ml
10 мар. 2023, 05:28

Repost from Data Science Jobs
Data analytic (middle, senior) Формат: классный офис в Москве/гибрид/удаленно; Доход: 180-300К руб.; Форма оформления: по ТК/ИП. О нас: Мы занимаемся разработкой data-платформы, в рамках которой развиваются различные data-продукты: • рекомендательные системы; • сервисы аналитики и визуализации данных; • ML-модели; • иные решения для решения бизнес-задач. Наша команда это 25 инженеров с сильнейшими компетенциями в ML, аналитике и работе с данными, и сейчас мы ищем классных ребят для дальнейшего роста. У нас нет долгих согласований и бюрократии. Мы стремимся к быстрому внедрению в production, с последующей работой над улучшениями. Что нужно будет делать: • сегментация пользователей и анализ пользовательских данных; • проведение ad-hoc исследований и создание аналитических решений для включения в продукт; • работа с визуализацией данных. Будет классно, если у тебя: • знание методов сбора и подготовки данных. • практический опыт развития продуктов на данных. • SQL (оконные функции, вложенные запросы, регулярные выражения). • владение инструментами визуализации данных (используем Tableau). • методы статистического анализа. • опыт работы с Python, опыт работы с etl/elt. Большой плюс: опыт работы с большими наборами данных. Мы предлагаем: • работу в аккредитованной IT компании с сильнейшей командой в разных масштабных проектах; • гибридный график работы 5/2, с 10:00 - 19:00; • ДМС со стоматологией; • в современном офисе в стиле Лофт с капсулой медитации, спортзалом, большой современной библиотекой и кабинетом для записи подкастов и треков; • комфортную кухню с холодильником, кофемашиной, тостером, микроволновкой и Magic Bullet; • холодильник с напитками (соки, энергетики, вода и т.д.) и едой (сыры, колбасы, сырки, фрукты и м.ч.); • каждую пятницу совместные обеды за счет компании. За подробностями пиши: tg @naikava @datascienceml_jobs - вакансии Data Science
10 мар. 2023, 04:28

🎇 Создавайте потрясающие Фрактальные рисунки с помощью Python Небольшое учебное пособие для начинающих и заядлых любителей математики. В этой статье вы узнаете, как построить базовые (но очень красивые) множества Мандельброта, используя Matplotlib и NumPy. ▪ Читать @data_analysis_ml
09 мар. 2023, 11:25