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 51 932 подписчиков, занимая 2 581 место в категории Технологии и приложения и 11 797 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 51 932 подписчиков.

Согласно последним данным от 15 ноября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 528, а за последние 24 часа — -4, при этом общий охват остаётся высоким.

  • Статус верификации: Не верифицирован
  • Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 11.70%. В первые 24 часа после публикации контент обычно набирает 8.47% реакций от общего числа подписчиков.
  • Охват публикаций: В среднем каждый пост получает 6 075 просмотров. В течение первых суток публикация набирает 4 397 просмотров.
  • Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 198.
  • 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 16 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.

51 932
Подписчики
-424 часа
+307 дней
+52830 дней
Архив постов
⚡️ SUPIR - новая высокоточная модель восстановления изображений! ▪Код: https://github.com/Fanghua-Yu/SUPIR ▪Проект: http://supir.xpixel.group ▪Статья: https://arxiv.org/abs/2401.13627 @data_analysis_ml

11 марта Newprolab запускает уже 14-й поток программы Data-Engineer Программа будет полезна junior и middle дата-инженерам, а
11 марта Newprolab запускает уже 14-й поток программы Data-Engineer Программа будет полезна junior и middle дата-инженерам, аналитикам данных, бэкенд-разработчикам, техлидам и менеджерам, работающим с дата-командой - 7 недель (11 марта – 27 апреля) - 20 занятий с преподавателями в зуме - 6 лаб с реальными данными - чат с участниками и поддержка координаторов 📌Что дает программа: 1) научитесь решать типичные задачи DE и реально станете дата-инженером на время программы 2) структурируете ваши знания и познакомитесь с новыми инструментами 3) поработаете с облачным кластером для решения лаб с реальными данными 4) видеозаписи и другие материалы программы останутся у вас навсегда 📌Преподаватели – практики из ведущих компаний, рассказывают о сложном простым языком и ответят на все ваши вопросы 📌Промокод DEFRIENDS дает скидку 20% [Подробная информация и регистрация]

⚡️ Новая лекция Ян Лекуна : «Объектно-ориентированный ИИ: на пути к машинам, которые могут учиться, рассуждать и планировать»
⚡️ Новая лекция Ян Лекуна : «Объектно-ориентированный ИИ: на пути к машинам, которые могут учиться, рассуждать и планировать» Слайды: https://drive.google.com/file/d/1e6EtQPQMCreP3pwi5E9kKRsVs2NbWPrY/view?usp=drivesdk Видео: https://www.youtube.com/watch?si=UeLf0MhMzjXcSCAb&v=d_bdU3LsLzE&feature=youtu.be @data_analysis_ml

Вышел PyTorch 2.2 🎉 С Новые фичи: - Поддержка SDPA FlashAttention-2. - Новое расширение TorchInductor. - device_mesh, новая
Вышел PyTorch 2.2 🎉 С Новые фичи: - Поддержка SDPA FlashAttention-2. - Новое расширение TorchInductor. - device_mesh, новая абстракция для инициализации и представления групп процессов. - Стандартизированный управляемый механизм логирования под названием TORCH_LOGS. и др. ➡️ Полный список обновлений @data_analysis_ml

🖥 Примеры генеративного ИИ от NVIDIA Современные примеры генеративного ИИ, которые легко развертывать, тестировать и адптиро
🖥 Примеры генеративного ИИ от NVIDIA Современные примеры генеративного ИИ, которые легко развертывать, тестировать и адптировать под ваши задачи. Все примеры работают на высокопроизводительном стеке NVIDIA CUDA-X и графических процессорах NVIDIA. ▪Github @data_analysis_ml

💡 Проблема: ваш код,, содержит много скопированного чужого кода, но его трудно найти. Решение: jscpd jscpd — это инструмент
💡 Проблема: ваш код,, содержит много скопированного чужого кода, но его трудно найти. Решение: jscpd jscpd — это инструмент командной строки, который находит скопированный код и сообщает о конкретных повторяющихся строках. Работает более чем на 150 языках. Пример отчета на картинке. Github @data_analysis_ml

🖥 Nxs-data-anonymizer - это инструмент для анонимизации дампа баз данных PostgreSQL и MySQL/MariaDB/Percona. ▪Поддерживаемые
🖥 Nxs-data-anonymizer - это инструмент для анонимизации дампа баз данных PostgreSQL и MySQL/MariaDB/Percona. ▪Поддерживаемые базы данных и версии: PostgreSQL (9/10/11/12/13/14/15/все версии) MySQL/MariaDB/Percona (5.7/8.0/8.1/все версии) ▪Гибкая генерация фейковых данных на основе шаблонов Go и библиотеки шаблонов Sprig. ▪Потоковая обработка данных. Это означает, что вы можете перенаправлять дамп из исходной БД в любую другую БД с преобразованиями ▪Легко интегрируется в CI/CD ➡️ Github @data_analysis_ml

⚠️ С чего начать, если хотите работать в ML? С бесплатного практического урока «Кластерный анализ данных» от OTUS. Спикер Мар
⚠️  С чего начать, если хотите работать в ML? С бесплатного практического урока «Кластерный анализ данных» от OTUS. Спикер Мария Тихонова – Senior Data Scientist в «SberDevices» и преподаватель ВШЭ. • В результате вебинара вы узнаете общие принципы кластеризации данных в ML  • Изучите ряд алгоритмов, в том числе k-means и примените их на практике Встречаемся 7 февраля в 18:00 мск в рамках курса «Machine Learning. Professional». Пройдите короткий тест прямо сейчас, чтобы посетить бесплатный урок и получить список вопросов и ответов для прохождения интервью 👉Регистрация https://otus.pw/jSCz/?erid=LjN8KFCpE Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🖥 SQL-metadata Если вы хотите извлечь определенные компоненты #SQL-запроса для последующей работы с нмим на #Python, использ
🖥 SQL-metadata Если вы хотите извлечь определенные компоненты #SQL-запроса для последующей работы с нмим на #Python, используйте sql_metdata. Извлекает имена столбцов и таблиц, используемых в запросе. Автоматически выполняет разрешение псевдонимов столбцов, разрешение псевдонимов подзапросов, а также разрешение псевдонимов таблиц. Также предоставляет полезные функции для нормализации SQL-запросов. pip install sql-metadata ▪Github ▪Docs

🖥 Google-Colab-Selenium Лучший способ использовать Selenium в блокнотах Google Colab! ▪Простая настройка Selenium и ChromeDr
🖥 Google-Colab-Selenium Лучший способ использовать Selenium в блокнотах Google Colab! ▪Простая настройка Selenium и ChromeDriver. ▪Бесшовная интеграция с Google Colab. ▪Поддержка ChromeDriver для сложных случаев парсинга. %pip install google-colab-selenium import google_colab_selenium as gs from selenium.webdriver.chrome.options import Options # Instantiate options options = Options() # Add extra options options.add_argument("--window-size=1920,1080") # Set the window size options.add_argument("--disable-infobars") # Disable the infobars options.add_argument("--disable-popup-blocking") # Disable pop-ups options.add_argument("--ignore-certificate-errors") # Ignore certificate errors options.add_argument("--incognito") # Use Chrome in incognito mode driver = gs.Chrome(options=options) driver.get('https://uproger.com') print(driver.title) driver.quit() ➡️Github ➡️Colab @data_analysis_ml

🎮 Build a Large Language Model (From Scratch) Еще один замечательный ресурс, который подходит для начинающих, чтобы построит
🎮 Build a Large Language Model (From Scratch) Еще один замечательный ресурс, который подходит для начинающих, чтобы построить ChatGPT-подобный LLM с нуля, шаг за шагом ▪Github @data_analysis_ml

⚡ RoMa: простая в использовании, стабильная и эффективная библиотека для работы с кватернионами, векторами вращения, простран
+1
⚡ RoMa: простая в использовании, стабильная и эффективная библиотека для работы с кватернионами, векторами вращения, пространственными преобразованиями в PyTorch. pip install roma ▪Github ▪Docs @data_analysis_ml

🔊 Делимся «вредными советами» по работе с ClickHouse® ClickHouse® — быстрая и масштабируемая колоночная база данных. Она изв
🔊 Делимся «вредными советами» по работе с ClickHouse® ClickHouse® — быстрая и масштабируемая колоночная база данных. Она известна своей высокой производительностью, возможностью обрабатывать аналитические запросы в режиме онлайн и строить аналитические витрины. Как и у любой другой технологии, у ClickHouse® есть свои особенности и нюансы, которые необходимо учитывать при работе. В видео архитекторы Yandex Cloud поделятся распространёнными ошибками при использовании базы данных ClickHouse®, а также рекомендациями, как избежать этих ошибок и достичь максимально производительности БД ClickHouse. 🗣 Подробнее по ссылке.

🚀 LLMLingua: Enhancing Large Language Model Inference via Prompt Compression LLMLingua использует компактную, хорошо обученн
+3
🚀 LLMLingua: Enhancing Large Language Model Inference via Prompt Compression LLMLingua использует компактную, хорошо обученную языковую модель (например, LaMA-7B) для поиска и удаления несущественных лексем в промптах. Этот подход обеспечивает эффективный вывод с использованием больших языковых моделей (LLM), достигая 20-кратного сжатия при минимальной потере качества генерации. ▪Github ▪Документация @data_analysis_ml

🚀 Одна из распространенных привычек Pandas, от которой полезно отказаться в Polars: В Pandas датасаентисты часто добавляют/п
🚀 Одна из распространенных привычек Pandas, от которой полезно отказаться в Polars: В Pandas датасаентисты часто добавляют/преобразуют столбцы в отдельных строках. В Polars наоборот удобно добавляют много выражений в однну функцию with_columns. Почему? Ответ в производительности. Потому что Polars может выполнять все выражения параллельно. @data_analysis_ml

🌟 При работе с файлами Parquet в pandas обычно сначала загружают данные в pandas DataFrame, а затем применяют фильтры. Чтобы
🌟 При работе с файлами Parquet в pandas обычно сначала загружают данные в pandas DataFrame, а затем применяют фильтры. Чтобы увеличить скорость выполнения запросов, переместите фильтры в движок PyArrow и воспользуйтесь оптимизацией обработки PyArrow. @data_analysis_ml

Ozon Tech проводит BI-митап 31 января | 19:00 online Кому будет полезно? Аналитикам данных, разработчикам баз данных, бэкенд-
Ozon Tech проводит BI-митап 31 января | 19:00 online Кому будет полезно? Аналитикам данных, разработчикам баз данных, бэкенд-разработчикам. Что обсудят: — работу в сервисах Vertica, ClickHouse и Hadoop, — как и зачем в Ozon используют подход платформизации в данных, — автоматизацию поставки стриминговых данных от системы-источника до хранилища, — cжатие данных в ClickHouse через функционал выбора лучших кодеков в зависимости от характера данных, — мониторинг качества данных и планы компании на будущее. Самое главное — не забудьте зарегистрироваться. erid: LjN8K51pi Реклама. Рекламодатель ООО «Озон Технологии».

⚡️ По мере того как усиливается гонка за создание первого в мире по-настоящему полезного квантового компьютера, растет и потребность в ясном взгляде на вещи. В этом выпуске программы "Полевые заметки" мы погрузимся глубже. в Google Quantum AI, чтобы понять реальность квантовых вычислений и их влияние на мир. ▪Видео ▪Почитать @data_analysis_ml

⚡️ Lazy Predict позволяет быстро создавать прототипы для анализа данных и сравнивать несколько базовых моделей без необходимо
⚡️ Lazy Predict позволяет быстро создавать прототипы для анализа данных и сравнивать несколько базовых моделей без необходимости вручную писать код или настраивать параметры. Это помогает специалистам по исследованию данных выявлять перспективные подходы в работе с даныыми и быстрее реализовывать модели. pip install lazypredict ▪Github @data_analysis_ml

☑ Вышел Scikit-learn 1.4.0 🟢 5 новых крупных новых функкций и 13 небольших новых фич 🔵 14 улучшений производительности 🟡 1
☑ Вышел Scikit-learn 1.4.0 🟢 5 новых крупных новых функкций и 13 небольших новых фич 🔵 14 улучшений производительности 🟡 15 изменений в API 🔴 38 исправленных багов https://scikit-learn.org/stable/whats_new/v1.4.html#changes-1-4 @data_analysis_ml