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 50 255 подписчиков, занимая 2 658 место в категории Технологии и приложения и 12 450 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 50 255 подписчиков.
Согласно последним данным от 26 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 46, а за последние 24 часа — 6, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 9.29%. В первые 24 часа после публикации контент обычно набирает 6.48% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 4 671 просмотров. В течение первых суток публикация набирает 3 258 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 27 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.
50 255
Подписчики
+624 часа
+327 дней
+4630 день
Архив постов
👁🗨 Гайд для новичков по распознаванию изображений ИИ: Python и OpenCV.
В этом руководстве основное внимание будет уделено использованию Python и OpenCV для выполнения задач распознавания изображений, включая загрузку и отображение изображений, предварительную обработку изображений, извлечение признаков, обучение и тестирование классификатора, а также оценку его производительности.
К концу этого руководства у вас будет прочная основа для создания проекта распознавания изображений с помощью ИИ и практические навыки для применения его к реальным задачам.
▪ Читать
@data_analysis_ml
🖥 11 Полезных функций Pandas, которые вы, возможно, упустили из виду
Я совершенно уверен, что Pandas не нуждается в представлении. В этой статье мы продолжим изучать некоторые полезные функции pandas, о которых вы, возможно, не слышали.
Давайте начинать!
▪Читать
@data_analysis_ml
Хотите самостоятельно и оптимально готовить срезы и витрины данных? 📊
Приходите учиться этому 25 апреля 20:00 на открытый урок онлайн-курса «Data Warehouse» в OTUS. Начинаем обучение с важной темы: «Аналитика ключевых метрик компании с использованием dbt Metrics».
На вебинаре вы узнаете:
- Что такое семантический слой, и в чем разница между метрикой и витриной данных
- О правилах декларативной конфигурации метрик в yaml
- Как использовать продвинутые возможности dbt Metrics (derived metrics, secondary calculations)
Продолжить обучение вы сможете уже на курсе. Возможны разные формы оплаты.
Спикер: Артемий Козырь, Analytics Engineer в британской компании Wheely. Имеет 7+ лет опыта в области хранилищ данных, ELT pipelines, анализа данных и визуализации.
Для участия пройдите вступительный тест 👉 https://otus.pw/sktk/
Нативная интеграция. Информация о продукте на сайте otus.ru
⏩ Функциональные возможности метода Наивного Байеса на практике.
Подход, о котором я расскажу, позволяет расширить функциональные возможности метода Наивного Байеса благодаря использованию весовых коэффициентов для различных групп признаков объекта датасета (модель может обучаться не только на отдельных словах в тексте, но также на некоторых метаданных, таких как авторы текста и источник информации).
С помощью разработанной ML‑модели можно улучшить качество классификации текстов при использовании обучающей выборки небольшого объёма (всего 30 объектов) и сократить время обучения модели.
Задача решалась в рамках разработки системы рекомендаций научных статей. Наработки могут быть использованы в любых задачах NLP и Text Mining.
▪Читать
@data_analysis_ml
💥 Шпаргалка scikit-learn: функции для машинного обучения
В этой статье мы рассмотрим 50 наиболее полезных функций, Sci-kitlearn для задач машинного обучения. От предварительной обработки данных до выбора и оценки модели — эти функции охватывают широкий спектр методов и методологий для решения реальных задач.
Мы будем использовать готовые наборы данных, чтобы проиллюстрировать применение каждой функции, чтобы вам было легче следовать и применять их в ваших собственных проектах.
Звучит фантастически? А теперь сюрприз: многие из этих функций просты в использовании и требуют для реализации всего несколько строк кода.
Независимо от того, являетесь ли вы опытным специалистом по данным или только начинаете, эта памятка поможет вам лучше познакомиться с мощными инструментами, доступными в Sci-kit, и позволит вам ускорить свои проекты по науке о данных и машинному обучению.
▪Читать
@data_analysis_ml
В Авито открылись классные вакансии для дата-инженеров в двух командах:
➡️ DWH
➡️ Search Quality
Кое-что из условий:
- Интересные и важные задачи на очень большом проекте;
- Передовые технологии и подходы, возможность пробовать новое;
- Мощное железо, дополнительные мониторы и всё, что нужно для продуктивной работы;
- Страховка со стоматологией с первого дня работы;
- Личный бюджет на обучение, который можно тратить на книги, курсы и конференции, обмен опытом с зарубежными коллегами.
Заинтересовали? Переходите по ссылкам и откликайтесь.
⏩ Курс "Машинное обучение" на ФКН ВШЭ
Конспекты лекций, материалы семинаров и домашние задания (теоретические, практические, соревнования) по курсу "Машинное обучение", проводимому на бакалаврской программе "Прикладная математика и информатика" Факультета компьютерных наук Высшей школы экономики.
Записи лекций и семинаров
▪Полный плейлист
▪Вводная лекция
▪Линейная регрессия
▪Линейная регрессия и градиентное обучение
▪Продвинутые градиентные методы, линейная классификация
▪Метрики качества классификации (+небольшое продолжение)
▪Логистическая регрессия (+продолжение)
▪Метод опорных векторов, многоклассовая классификация
▪Решающие деревья
▪Решающие деревья (продолжение), разложение ошибки на смещение и разброс
▪Случайные леса, градиентный бустинг
▪Градиентный бустинг (продолжение)
▪Стекинг. Обучение без учителя и кластеризация.
▪Визуализация, обучение представлений
▪Рекомендательные системы
🖥 Github
@data_analysis_ml
Сеньор от мидла отличается как минимум несколькими цифрами в зарплате
Максимум — целой кучей скиллов, которые можно прокачать только на практике. Авито в хорошем тексте (без воды!) рассказывает, как на собеседованиях вычисляют аналитиков-сеньоров и как вы близко к тому, чтобы перепрыгнуть на следующий грейд.
👉 Статья на Хабре и матрица компетенций по уровням
@data_analysis_ml
🎲 t-SNE с нуля (ft. NumPy)
Я понял, что один из лучших способов по-настоящему понять любой статистический алгоритм или методологию – это реализовать его самостоятельно вручную.
С другой стороны, написание этих алгоритмов иногда может отнимать много времени и доставлять настоящую боль, и когда кто-то другой уже сделал это, зачем мне тратить на это свое время – кажется неэффективным, не так ли? И то, и другое справедливо, и я здесь не для того, чтобы приводить доводы в пользу одного, а не другого.
Эта статья предназначена для читателей, которые заинтересованы в понимании t-SNE посредством перевода математики из оригинальной статьи — Лоренса ван дер Маатена и Джеффри Хинтона — в реализацию кода на python.
Я нахожу, что такого рода упражнения достаточно хорошо проливают свет на внутреннюю работу статистических алгоритмов / моделей и действительно проверяют ваше базовое понимание относительно этих алгоритмов / моделей. Как минимум, успешная реализация всегда приносит большое удовлетворение!
▪Читать дальше
@data_analysis_ml
💻 Навык работы с большими данными открывает путь в ведущие IT-корпорации. Обычно такие корпорации используют MLOps — способ повышения производительности и создания надежных моделей корпоративного уровня.
📊 Занимаетесь дата-инжинирингом и хотите выйти на новый уровень? Эксперты топовых компаний обучат вас необходимым навыкам на практическом онлайн-курсе «MLOps» от OTUS.
👉 Определите свой уровень подготовки с помощью теста — https://otus.pw/OKGc/
🔥 Пройдете тест, получите велкам-скидку и доступ к 2 предстоящим открытым урокам:
✔️ Построим свой конвейер обучения моделей на Airflow и k8s.
✔️ DataFrame API: от Dask к PySpark
🎲 Избавляемся от продуктов априори – использование ассоциативных правил для поиска комбинаций
Алгоритм Apriori достаточно удобный инструмент, несмотря на то что он в действительности далеко не новый. Существует много других алгоритмов, в том числе и модификации Apriori для полного анализа продуктовой корзины. Но для типовых задач комбинаторики этот инструмент подходит отлично.
Пример с продуктами лишь более просто и наглядно демонстрирует возможности применения этого инструмента. В действительности задачи на поиски комбинаций с полным покрытием встречаются и в повседневной работе любого IT специалиста.
▪Читать дальше
@data_analysis_ml
🎲 Избавляемся от продуктов априори – использование ассоциативных правил для поиска комбинаций
Алгоритм Apriori достаточно удобный инструмент, несмотря на то что он в действительности далеко не новый. Существует много других алгоритмов, в том числе и модификации Apriori для полного анализа продуктовой корзины. Но для типовых задач комбинаторики этот инструмент подходит отлично.
Пример с продуктами лишь более просто и наглядно демонстрирует возможности применения этого инструмента. В действительности задачи на поиски комбинаций с полным покрытием встречаются и в повседневной работе любого IT специалиста.
▪Читать дальше
@data_analysis_ml
Прокачай свои навыки в использовании Apache Spark для дата-инжиниринга до продвинутого уровня
Newprolab предлагает две программы для практикующих и будущих дата-инженеров. Пройти можно в любое время – видеолекции, тесты и лабы для отработки навыков на реальных данных, облачный кластер и поддержка эксперта-координатора.
Погружение в Apache Spark
11 видеолекций, 6 лаб и 10 тестов: Scala API, создание витрин данных и real-time, Kafka, Elasticsearch, Cassandra, PostgreSQL, HDFS.
ссылка
Apache Spark Advanced
8 видеодекций и 4 лабы. Программа поможет разобраться, что скрыто “под капотом” Apache Spark и как ускорить обработку данных в своих проектах. Лабы объединены в единый проект по разработке коннектора к гибридному хранилищу.
ссылка
По промокоду friends20 действует скидка 20% на каждую из программ, а при оплате двух программ сразу скидка составит 30%!
🖥 9 встроенных декораторов Python, которые помогут оптимизировать код
“Лучше проще, чем сложнее” — оптимальным примером использования этого философского положения “Python-дзена” являются декораторы.
Важно помнить, что существует много функциональных встроенных декораторов Python, которые значительно облегчают жизнь разработчику. С их помощью можно использовать всего одну строку кода для добавления сложных функций к существующим функциям и классам.
Представляю вашему вниманию топ-9 декораторов, которые покажут, насколько элегантным может быть Python.
▪ Читать
@data_analysis_ml
Разработчики, архитекторы, Data Science и R&D-специалисты Нижнего Новгорода, вы здесь? Сбер приглашает вас на инженерный митап RecSys Community, который пройдет 25 апреля в Сo-working Garage 💻
О чем расскажут спикеры?
✔️ Рассмотрят подходы к применению трансформеров в рекомендательных системах и поделятся успешными кейсам.
✔️ Покажут, как используют AmazMe для обработки персонализированных и мультимодальных рекомендаций.
✔️ Раскроют все секреты, какие изменения помогли сделать рекомендательную систему поиска друзей такой точной.
Конечно же, на митапе будут Q&A-сессии, кофе-брейк, розыгрыш мерча и интересное общение. Встречаемся 25 апреля в Co-working Garage по адресу: ул. Октябрьская, д.35. Сбор гостей в 18:30.
Зарегистрироваться!⚡️
🔥 Проекты курса Аналитик данных (Яндекс.Практикум)
В репозитории представлены проекты c кодом курса Аналитик данных. Отличный вариант для практики.
🖥 Github
@data_analysis_ml
🔥 Проекты курса Аналитик данных (Яндекс.Практикум)
В репозитории представлены проекты c кодом курса Аналитик данных. Отличный вариант для практики.
Githhttps://github.com/ovalentinka/Data_analystub
❓ Как стать высокооплачиваемым специалистов в ML?
Совершенствуй мастерство ML в сообществе единомышленников. 25 апреля — старт продвинутого онлайн-курса «Machine Learning Advanced» от OTUS.
Приглашаем на курс тех, кто хочет вырасти до позиции Middle или Senior уровня.
🧑💻 В программе:
- Продвинутые ML-алгоритмы и кейсы решения нестандартных задач
- Работа в production: настройка окружения, оптимизация кода, построение end-to-end пайплайнов и внедрение решений.
- Уникальный исследовательский проект по машинному обучению
⚠️ Вебинары в формате Live coding, где преподаватель с «чистого листа» показывает решение актуальных задач ML.
Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning. Advanced» от OTUS и его партнера — Сбера.
👉 ПРОЙТИ ТЕСТ:
https://otus.pw/gqfa/
Как ChatGPT и GPT-4 можно использовать для создания 3D-контента
Спрос на 3D-миры и виртуальные среды растёт в геометрической прогрессии во всех отраслях промышленности. 3D-рабочие процессы являются основой промышленной цифровизации, разработки симуляций в реальном времени для тестирования и валидации автономных транспортных средств и роботов, эксплуатации цифровых двойников для оптимизации промышленного производства и прокладывания новых путей для научных открытий.
Сегодня 3D-дизайн и построение мира по-прежнему в значительной степени выполняются вручную. В то время как 2D-художники и дизайнеры получили в своё распоряжение вспомогательные инструменты, 3D-рабочие процессы по-прежнему заполнены повторяющимися, утомительными задачами.
Создание или поиск объектов – это трудоёмкий процесс, требующий специальных навыков 3D, оттачиваемых с течением времени, таких как моделирование и текстурирование. Правильное размещение объектов и доведение 3D-среды до совершенства требует нескольких часов тонкой настройки.
Чтобы сократить количество ручных, повторяющихся задач и помочь создателям и дизайнерам сосредоточиться на творческих, приятных аспектах своей работы, NVIDIA запустила множество проектов в области искусственного интеллекта, таких как generative AI tools для виртуальных миров.
▪ Читать
▪ @Chatgpturbobot
@data_analysis_ml
Аналитики данных — настоящие супергерои и занимают 1 место в рейтинге профессий с самым большим спросом на рынке труда до 2025 года (по данным Всемирного экономического форума).
Как стать таким специалистом?
Приходите на бесплатный симулятор работы в аналитике данных с 18 по 20 апреля и вместе с дата-сайентистом Сбера Марией Жаровой будете решать бизнес-задачи с помощью анализа данных. 30 минут теории, час практики и домашнее задание — каждый день в 19:30 мск. Самые активные из вас получат полезные подарки.
На интенсиве вы научитесь:
- разбираться в понятиях и направлениях анализа данных;
- оценивать результаты A/B-теста вручную;
- анализировать данные с помощью Google Таблиц;
- использовать язык программирования Python.
Записывайтесь: https://go.skillfactory.ru/QrowaA
И главное — поймете, подходит ли вам специальность и стоит ли начинать обучение.
Реклама ООО "Скилфэктори", LatgBtYsi
