Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
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 50 263 подписчиков, занимая 2 659 место в категории Технологии и приложения и 12 428 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 50 263 подписчиков.
Согласно последним данным от 28 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 42, а за последние 24 часа — 3, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 10.26%. В первые 24 часа после публикации контент обычно набирает 6.15% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 5 157 просмотров. В течение первых суток публикация набирает 3 091 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 29.
- 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 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.
50 263
Подписчики
+324 часа
+87 дней
+4230 день
Архив постов
— Хочу услышать три главных слова…
— Вы в SberData!
Добро пожаловать в команду, которая создаёт решения для обработки данных всего Сбера.
Её дважды признали лучшей в двух номинациях Data Award 2022. Эти люди собирают свои СУБД, мониторят процессы с помощью инструментов DS, ML, AI, разрабатывают фреймворки загрузки и проверки качества данных, внедряют сервисы.
Объём данных внутренних клиентов Сбера уже перевалил за 123 Пб и продолжает расти. В команду SberData нужны ещё руки и головы: разработчики ClickHouse, DevOps-инженеры, сисадмины, гуру Scala, Java, Python.
Вы получите опыт работы в масштабном data-проекте, сможете повышать квалификацию и как захотите мигрировать внутри команды – вертикально и горизонтально.
Присоединяйтесь
Узнать больше о команде и посмотреть вакансии: по ссылке
Предсказание временных рядов с помощью Keras
Машинное обучение имеет множество применений, одним из которых является прогнозирование временных рядов.
Состояние сферы искусственного интеллекта сегодня включает в себя множество разных методов, которые позволяют расширить спектр возможностей компьютера. Например, машинное обучение, big data, нейронные сети, когнитивные вычисления и другие.
Машинное обучение – один из передовых методов, который может быть использован для идентификации, интерпретации и анализа чрезвычайно сложных структур и шаблонов данных. Это позволяет проводить последовательное обучение и улучшать прогнозы моделей с помощью систематического ввода более свежих данных.
В данной статье цель состоит в том, чтобы построить современную модель для прогнозирования временного ряда, которая фокусируется на краткосрочном прогнозировании.
Задачи
Поиск источников данных, содержащих информацию о курсе валюты.
Получение, обработка и преобразование данных к необходимому виду, интеллектуальный анализ данных.
Обозначение критериев оценивания для исследования, поиск и выбор наиболее подходящих моделей машинного обучения, разработка программных средств.
Решение задач на основе выбранных моделей машинного обучения, выполнение эмпирического исследования, сбор материала, анализ полученных данных, сравнение результатов.
Читать дальше
@data_analysis_ml
Нужно обучить модели, но недостаточно производительности офисного или домашнего компьютера?
В облачном сервисе immers.cloud можно арендовать в несколько кликов виртуальные серверы с почасовой оплатой и мощными видеокартами, например конфигурации с RTX 3090 от 64,56 ₽ в час.
Подключайтесь к серверу и работайте как на обычном компьютере, а после завершения работы удалите сервер с сохранением данных.
Доступны следующие модели видеокарт NVIDIA: Tesla V100, Tesla A10, Tesla T4, RTX 3080, RTX 2080Ti, RTX 3090.
Зарегистрируйтесь по ссылке и получите бонус +20% к первому платежу.
Для получения более подробной информации о работе сервиса свяжитесь с менеджером в телеграм - @Aemilius91 или по номеру +79253131515
9️⃣ отвлекающих моментов в визуализации данных
Xaquín González Veira, визуальный редактор The Guardian, на днях опубликовал свою версию мема distracted boyfriend. 3,5 тыс. лайков навели его на мысль, что пора уже исчерпать этот мем. Он собрал вместе девять отвлекающих моментов при работе с визуализацией данных и проиллюстрировал их.
Читать дальше
@data_analysis_ml
⚡️Рассказываем про альтернативу зарубежным облакам для ML-разработки⚡️
Лавры высокотехнологичной компании манят всех. Но разговоры о BigData, AI и ML становятся тише, когда на стол ложится смета на обновление инфраструктуры.
✅Платформа ML Space станет отличным местом для первых шагов в ML-разработке для компаний с любым уровнем погружения в AI, и вот почему:
1️⃣Полный цикл работ: от импорта данных и обучения модели до эксплуатации готового AI-сервиса.
2️⃣ Для обучения моделей доступны CPU и GPU-ресурсы, что ускоряет сроки разработки и приближает момент получения выгоды от AI на несколько месяцев.
3️⃣ Оплата pay-as-you-go исключает капитальные затраты и позволяет масштабировать ресурсы.
4️⃣ Платформа аттестована по УЗ-1, входит в Единый реестр российского ПО, имеет лицензии ФСТЭК и ФСБ, так что проблем с безопасностью не будет.
🔥Ну, и главный плюс — для знакомства вложений не требуется, достаточно зарегистрироваться как юрлицо и получить грант от 5 до 180 тысяч рублей.
📍Протестировать
8️⃣ бесплатных инструментов для создания интерактивных визуализаций данных без необходимости написания кода
Когда тот, кто работает в сфере Data Science, собирается показать результаты своей деятельности другим людям, оказывается, что таблиц и отчётов, полных текстов, недостаточно для того чтобы представить всё наглядно и понятно. Именно в таких ситуациях возникает нужда в визуализации данных, в такой их обработке, которая позволит всем желающим в них разобраться и ухватить суть тех сложных процессов, которые они описывают.
В этом материале я расскажу о лучших бесплатных инструментах, позволяющих без особых сложностей создавать впечатляющие визуальные представления данных. При этом тут я не буду говорить о сложных системах вроде Power BI и Google Studio. Я выбрал те 8 инструментов, о которых пойдёт речь, из-за того, что ими легко пользоваться, из-за их приятного внешнего вида, из-за того, что работать с ними можно, не написав ни единой строчки программного кода и из-за того, что они бесплатны. Кроме того, они позволяют создавать интерактивные визуализации. А это значит, что графики, представляющие некие данные, могут содержать в себе больше сведений об этих данных, чем обычные изображения. Да и работать с такими графиками интереснее.
Читать
@data_analysis_ml
Получите востребованную профессию будущего — IT-инженер метавселенных на курсе от GeekBrains!
Обучение и трудоустройство берём на себя. Вы разберетесь, как устроены 3D-миры для работы, отдыха, бизнеса и общения. На практике научитесь разрабатывать концепции, дизайн и механики для метавселенных. Поймете, кто, зачем и с помощью каких инструментов создает цифровые миры.
Переходите по ссылке, чтобы узнать подробности и получить персональную скидку от менеджера: https://clc.to/g5-UWQ
🔝 Лучшие практики Python для специалистов по обработке данных
Если вы когда-либо «гуглили» одни и теже вопросы, термины или синтаксис снова и снова, знайте — вы не одиноки.
Я делаю это постоянно! Это нормально, если вы постоянно заглядываете на StackOverflow или на другие ресурсы в поисках ответов на ваши вопросы. Однако это замедляет ваш рабочий процесс и ставит знак вопроса относительно вашего полного понимания языка. Сегодня, у нас есть бесконечное множество свободных и доступных источников информации, найти которые мы можем по одному запросу в поисковике — в любое удобное для нас время. Однако данное явление может стать как благословением, так и проклятием. Иногда мы просто не в состоянии эффективно обрабатывать большие объемы информации. Кроме того, ежеминутно обращаясь к различным информационным ресурсам, мы начинаем зависеть от них — что в долгосрочной перспективе может стать очень плохой привычкой.
Читать
@data_analysis_ml
📊 20 идей эффективной визуализации данных
Приложения, которые мы создаем, с каждым годом содержат все больше информации.
Потребность в качественной визуализации данных высока как никогда. Мы повсюду встречаем графические материалы, которые сбивают нас с толку и вводят в заблуждение, но можем изменить это, следуя простым правилам.
Читать
@data_analysis_ml
+5Дата-саентист, пост для тебя.
28 июля — Tech Talks: Data Science в аналитике данных.
Регистрация открыта: okko-event.timepad.ru/event/2102408
Приглашаем на митап, посвященный Data Science в аналитике данных. На примере реальных кейсов расскажем о поведении пользователей Okko, о прогнозировании временных рядов, что позволяет планировать нагрузку колл-центров.
Приглашенные спикеры из «Звука» поделятся опытом использования кликстрима, а также расскажут о решении проблемы распознавания мошеннических действий пользователей.
Митап пройдёт в офлайн и онлайн-формате. Количество мест в офлайне — 70, поэтому спеши зарегистрироваться.
🏎 Библиотека pypolars, превосходит Pandas по производительности для анализа данных.
Выпуск pandas датируется 2008 годом, и написана она была на Python, Cython и Си. Выясним, насколько высокопроизводительна написанная на Rust pypolars. Сравним её с pandas на алгоритме сортировке и при конкатенации данных с 25 миллионами записей, а также объединении двух CSV-файлов.
Читать дальше
Github
@data_analysis_ml
Умеете добывать данные для исследований, но хотите меньше тратить времени на это? Следите за развитием продуктов в сфере данных?
В июле появилась новая платформа DataSnacks, которая помогает найти и проанализировать рыночную и социальную статистику
Из чего состоит DataSnacks
✅ Удобная база наборов экономических и социальных данных из российских и зарубежных источников. Благодаря системе фильтров и классификации данных легко найти необходимые данные
✅ Базовые инструменты визуализации данных: интерактивные диаграммы, компоновка отчетов из диаграмм и данных сервиса. Достаточно один раз собрать отчет и данные будут обновляться автоматически при просмотре или экспорте
✅ Готовая аналитика в виде отчетов и публикаций
❗️ По случаю запуска платформы по промокоду ANALYSETHIS до конца июля 50% скидка на любой тариф!
💼 Кратко об OData
Недавно, пришлось работать на проекте с внешним API. Работал, я, к слову, всегда либо с простым REST, либо с GET/POST only запросами, но в этом нужно было работать с API Timetta. Он использует OData и что же это такое?
REST vs OData
В то время как REST - набор архитектурных правил создания хорошего API, OData - это уже веб-протокол, собравший в себя "лучшие архитектурные практики": defines a set of best practices for building and consuming RESTful APIs (как написано на официальном сайте). Сам протокол очень большой, поэтому я затрону наиболее практически-значимые аспекты.
Схема
Каждая система использующая OData должна описать свою схему данных. По ней можно понять все: какие сущности есть в системе, какие операции над ними можно производить. Схема может описывается в формате XML или JSON. Для получения схемы нужно сделать запрос по адресу:
<root>/$metadata
Где <root> - корень сервиса OData. Примеры дальше будут предполагать, что мы делаем запросы из этого <root>. Для Timetta этот адрес такой:
https://api.timetta.com/odata/$metadata
Примеры дальше будут с использованием XML схем.
Читать
@data_analysis_ml
Требуются специалисты по искусственному интеллекту. Обучение, стажировку и трудоустройство берём на себя.
От вас:
— Интерес к профессии и желание зарабатывать от 150 000 рублей в месяц (по данным сайта HeadHunter).
— Возможность уделять до 2-3 часов в день на обучение и немного упорства.
От нас:
— 12 месяцев обучения востребованной IT-специальности от лидеров рынка
— Трудоустройство через 9 месяцев в процессе обучения или сразу после него
Где?
На курсе “Инженер искусственного интеллекта” от GeekBrains.
За 12 месяцев обучения вы:
— Изучите ключевые инструменты IT, стандарты кодирования, базы данных и системы аналитики
— Узнаете, где и как собирать и обрабатывать данные, чтобы извлечь из них пользу для бизнеса.
— Научитесь подбирать эффективное решение для клиента и реализовывать с помощью машинного обучения.
Переходите по ссылке, чтобы оставить заявку на обучение:
https://clc.to/B_4JEQ
10 лучших примеров визуализации данных из прошлого и по настоящее время
Визуализация данных, хотя часто и наводит на мысли о бизнес-информации и традиционном анализе, обычно гораздо более живописна и изобретательна, чем можно себе представить. Разброс тем для визуализации очень широк: от показателей предприятия до состояния здоровья населения и деления поп-культуры на тренды. Для создания действительно запоминающейся и яркой инфографики нужны знания графического дизайна, умение рассказать интересную историю и сильные аналитические способности.
В этой статье мы рассмотрим некоторые наиболее заметные, интересные и показательные примеры инфографики. Сначала взглянем на несколько примечательных исторических работ, а затем перейдем к более современным визуализациям. Советуем также обратить внимание на подробное руководство к визуализации данных и посмотреть некоторые из наших любимых примеров.
Читать
@data_analysis_ml
⚡️ Git для Аналитика данных: контроль версий моделей и датасетов с помощью DVC
Подробный туториал о том, как с помощью DVC и Git эффективно хранить датасеты и модели машинного обучения, чтобы перемещаться между разными их версиями посредством пары команд.
читать дальше
@data_analysis_ml
Познакомьтесь с профессией 1С-разработчика! Участвуйте в бесплатном онлайн-интенсиве Skillbox с 28 по 30 июля в 19:00 по московскому времени.
Регистрируйтесь: 👉 https://clc.to/sjhEaQ.
Вы узнаете:
🖱 кто такой разработчик 1С и почему он востребован на рынке;
🖱 какие soft и hard skills нужны в этой профессии;
🖱 что такое платформа 1С и каковы её основные объекты;
🖱 как создавать проводки, документы, отчёты и автоматизировать процессы.
К концу интенсива создадите проект — базу для торгового предприятия.
🎁 Всем участникам подарим чек-лист по интенсиву 1С: полезную информацию о создании баз данных в 1С и пошаговый план реализации. Участвуйте, задавайте вопросы и получите сертификат на 10 000 рублей на любой курс Skillbox.
1️⃣9️⃣ скрытых фич Sklearn для аналитика данных, о которых вам следует знать
Изучив справочник API Sklearn, я понял, что наиболее часто используемые модели и функции — это лишь малая часть того, что может делать библиотека. Конечно, встречаются чрезвычайно узконаправленные функции, которые используются в редких случаях. Но все же мне удалось обнаружить множество оценщиков, преобразователей и полезных фич, которые являются более элегантными эквивалентами обычных операций, выполняемых человеком вручную.
Поэтому я решил составить список самых важных из них и кратко рассказать об их особенностях, чтобы вы смогли значительно расширить свой набор инструментов Sklearn. Поехали!
Читать
@data_analysis_ml
Требуются специалисты по искусственному интеллекту. Обучение, стажировку и трудоустройство берём на себя.
От вас:
— Интерес к профессии и желание зарабатывать от 150 000 рублей в месяц
— Возможность уделять до 2-3 часов в день на обучение и немного упорства.
От нас:
— 12 месяцев обучения востребованной IT-специальности от лидеров рынка
— Трудоустройство через 9 месяцев в процессе обучения или сразу после него
Где?
На курсе «Data Science» от GeekBrains.
За 12 месяцев обучения вы:
— Изучите ключевые инструменты IT, стандарты кодирования, базы данных и системы аналитики
— Узнаете, где и как собирать и обрабатывать данные, чтобы извлечь из них пользу для бизнеса.
— Научитесь подбирать эффективное решение для клиента и реализовывать с помощью машинного обучения.
Переходите по ссылке, чтобы оставить заявку на обучение:
https://clc.to/O5l79A
🎇 Продвинутый уровень визуализации данных для Data Science на Python
Как сделать крутые, полностью интерактивные графики с помощью одной строки Python.
Когнитивное искажение о невозвратных затратах (sunk cost fallacy) является одним из многих вредных когнитивных предубеждений, жертвой которых становятся люди. Это относится к нашей тенденции продолжать посвящать время и ресурсы проигранному делу, потому что мы уже потратили — утонули — так много времени в погоне. Заблуждение о заниженной стоимости применимо к тому, чтобы оставаться на плохой работе дольше, чем мы должны, рабски работать над проектом, даже когда ясно, что он не будет работать, и да, продолжать использовать утомительную, устаревшую библиотеку построения графиков — matplotlib — когда существуют более эффективные, интерактивные и более привлекательные альтернативы.
Читать дальше
@data_analysis_ml
