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 50 257 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 50 257 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.
50 257
Подписчики
+324 часа
+87 дней
+4230 день
Архив постов
🌍 Создание приложения Flask на Python для визуализации мест путешествий
В данной статье мы покажем, как создавать пользовательскую карту, на которую можно прикрепить фотографии достопримечательностей, посещенных во время отпуска. Помимо этого, у вас будет возможность добавлять текст для более полного описания впечатлений о поездках.
В конце вы узнаете, как развернуть приложение на Heroku, чтобы друзья тоже смогли увидеть ваше творение.
Читать дальше
@data_analysis_ml
⚡️ Последние дни набора на продвинутый онлайн-курс «Machine Learning Advanced»
Редкая возможность для тех, кто занимается машинным обучением!
Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning. Advanced» от OTUS и его партнера — Сбера.
📌 РЕЗУЛЬТАТ ПРОХОЖДЕНИЯ КУРСА:
Вы освоите продвинутые приемы машинного обучения, которые позволят вам уверенно себя чувствовать на ведущих Middle/ Senior позициях и справляться даже с нестандартными задачами.
💻 Двухдневный интенсив — «Рекомендовать или не рекомендовать, пуcть решает ML!», 11 июля в 18:00
https://otus.pw/pFOo/
Время прохождения теста ограничено 20 минут
👉 Пройдете вступительный тест — сможете занять место в группе по спец.цене
https://otus.pw/eIpa/
🔎 Обзор методологий, принципов и концепций разных типов хранилищ данных
Data Warehouse Design
Подход Kimball
Модель данных Kimball — это восходящий подход к проектированию архитектуры хранилища данных (DWH или DW), в котором витрины данных сначала формируются на основе бизнес-требований.
Данные из источников данных с помощью ETL извлекаются и загружаются в промежуточную область сервера реляционной базы данных.
После того, как данные загружены в промежуточную область хранилища данных, следующий этап включает загрузку данных в многомерную модель хранилища данных, денормализованную по своей природе (схема звезда).
Эта модель разделяется на таблицу фактов, которая представляет собой числовые данные транзакций, и таблицы измерений, которые являются справочной информацией, которая является контекстом для данных в таблице фактов.
Читать дальше
@data_analysis_ml
Не упустите возможность начать карьеру в одной из самых востребованных IT-профессий!
На курсе «Профессия Data Scientist PRO» вы:
✅ Пройдёте вводную часть и получите всю необходимую математическую базу для старта в Data Science за 6 месяцев.
✅ Изучите одно из 3 востребованных направлений на выбор — дата-аналитику, дата-инженерию или машинное обучение.
✅ Освоите Python, библиотеки для анализа данных и машинного обучения, SQL, Git, научитесь работать с Power BI и другими актуальными для дата-сайентиста инструментами.
✅ Попрактикуетесь на задачах с реальными данными, примете участие в командных проектах и разберёте кейсы.
✅ Через полгода после старта курса сможете попасть на стажировку, а через год — устроитесь на позицию junior в компанию. Если вы не выйдете на работу после обучения - мы вернём вам деньги за курс. Подробные условия акции на сайте.
✨ Оставьте заявку на курс сейчас и получите 6 месяцев бесплатного обучения: https://clc.to/d3PsMg
☠ 9 способов защититься от утечки данныхных
Начнем с определения. Нарушение данных — это нарушение безопасности, при котором конфиденциальные, защищенные или конфиденциальные данные копируются, передаются, просматриваются, крадутся или используются лицом, не уполномоченным на это. Здесь все довольно понятно, а вот кто и как давайте разберем.
Существует много разных факторов утечки персональных данных. Основные из них:
от безалаберности сотрудников/разработчиков: открытые БД, открытые порты и т.п.;
слив данных самими сотрудниками;
дыры безопасности сайтов.
Давайте чуть более подробно расскажем про каждый пункт.
К нам приходил запрос от крупной сети АЗС, у которых злоумышленники воровали бонусные баллы клиентов. Для того чтобы понять в чем дело компания предоставила нам исходный код для анализа. Решение разрабатывала одна из топовых Российских IT команд, код был качественным, но без самой базовой проработки безопасности.
Читать дальше
@data_analysis_mlБольшие данные захватили мир
Как стриминговые сервисы понимают, что вы любите? Анализ данных уже давно открыл человечеству новые возможности. Бизнес активно использует инструменты Data Science на полную: голосовые ассистенты, чат-боты, персонализированная реклама.
IT-школа Skillfactory и лучший технический вуз МФТИ ответят на эти вопросы и раскроют главный секрет на своём бесплатном онлайн-интенсиве:
“Кем ты будешь через 2 года, если пойдешь учиться на Data Science сейчас?”
За 1,5 часа руководитель онлайн-магистратур в МФТИ Мария Савицкая расскажет преимущества специалистов с профильным образованием и перспективы развития Data Science.
А эксперт по Data Science Иван Ямщиков расскажет, как работает и в каких сферах применяется машинное обучение и что нас ждет через 10 лет!
По оценкам Frost & Sullivan, каждый год сфера Data Science растет на 35,9%. При этом опытных дата-сайентистов не хватает, поэтому их зарплата стабильно увеличивается. Сейчас специалисты с опытом работы 2-3 года получают от 250 000 ₽.
Переходите по ссылке и регистрируйтесь, это займёт меньше минуты: https://go.skillfactory.ru/ChVazw
📊 В Data Science не нужна математика (Почти)
Ребята с «вышкой» всё время умничают, что в Data Science нужна «математика», но стоит копнуть глубже, оказывается, что это не математика, а вышмат.
В реальной повседневной работе Data Scientist'а я каждый день использую знания математики. Притом очень часто это далеко не «вышмат». Никакие интегралы не считаю, детерминанты матриц не ищу, а нужные хитрые формулы и алгоритмы мне оперативнее просто загуглить.
Решил накидать чек-лист из простых математических приёмов, без понимания которых — тебе точно будет сложно в DS. Если ты только начинаешь карьеру в DS, то тебе будет особенно полезно. Мощь вышмата не принижаю, но для старта всё сильно проще, чем кажется. Важно прочитать до конца!
Читать дальше
@data_analysis_ml
Когда работа сама ищет аналитика? Когда у аналитика есть опыт!
Настоящий рабочий опыт можно получить всего за 5 недель на «Симуляторе аналитика» от karpovꓸcourses. Здесь вы с нуля выстроите аналитические процессы, поработаете с настоящей инфраструктурой, научитесь уверенно справляться с ежедневными задачами аналитика и поймёте, какая логика стоит за каждым решением.
Наставники курса:
▪️Анатолий Карпов (работал ведущим аналитиком VK и JetBrains)
▪️Мария Сомова (senior аналитик Sumsub)
▪️Ян Пиле (руководитель группы аналитики поиска VK)
Они точно знают, как эффективно решать рабочие задачи, и готовы поделиться опытом с вами.
После прохождения Симулятора вы сможете оформить свои решения в pet-проекты, которые станут отличным дополнением к вашему резюме, а HR приложат максимум усилий, чтобы трудоустроить вас в компанию с хорошей аналитической культурой.
Важно: симулятор подойдёт тем, кто хотя бы на базовом уровне знает Python, SQL, Git и статистику.
Переходите по ссылке и записывайтесь до 20 июля!
Кручу, верчу логи при помощи SQL — облегчаем анализ данных
Бывает такая ситуация, что необходимо проанализировать большой объём данных системы логирования событий на предмет аномалий или инцидентов. Просматривать такой массив данных трудно и нецелесообразно. Для этих целей можно обратиться к специализированному программному обеспечению, но нужно знать к какому. Не всегда есть время на изучение. И хорошо, если под конкретные задачи на примете есть несколько вариантов. А если их нет, тогда как быть?
Выход есть всегда, было бы желание. Поговорим о том, как можно довольно быстро загрузить некий массив таких данных куда-то и заняться его анализом.
Читать дальше
@data_analysis_ml
📉 ROC и AUC простыми словами.
Площадь под ROC-кривой – один из самых популярных функционалов качества в задачах бинарной классификации. На мой взгляд, простых и полных источников информации «что же это такое» нет. Как правило, объяснение начинают с введения разных терминов (FPR, TPR), которые нормальный человек тут же забывает. Также нет разборов каких-то конкретных задач по AUC ROC. В этом посте описано, как я объясняю эту тему студентам и своим сотрудникам…
Допустим, решается задача классификации с двумя классами {0, 1}. Алгоритм выдаёт некоторую оценку (может, но не обязательно, вероятность) принадлежности объекта к классу 1. Можно считать, что оценка принадлежит отрезку [0, 1].
Часто результат работы алгоритма на фиксированной тестовой выборке визуализируют с помощью ROC-кривой (ROC = receiver operating characteristic, иногда говорят «кривая ошибок»), а качество оценивают как площадь под этой кривой – AUC (AUC = area under the curve). Покажем на конкретном примере, как строится кривая.
Читать Дальше
@data_analysis_ml
🔥 15 Open Source библиотек для повышения качества данных
Читать
@data_analysis_ml
🦾 Как создать свой датасет с Киркоровым и Фейсом на Яндекс.Толоке
Где найти данные?
1. Смотрим публичные датасеты, такие как ImageNet, COCO, openimages.
2. Если нужных размеченных данных в популярных публичных датасетах нет, то гуглим, открываем на arxiv.org статьи по этим темам в надежде, что где-нибудь там будет ссылка на нужный нам датасет.
3. Если первые два пункта провалились, значит нужного датасета нет, и его надо создать!
Очевидно, что никто раньше не занимался задачей классификации Киркорова и Фейса. Поэтому придется самим создать такой датасет.
Читать дальше
@data_analysis_ml
Прокачайте свои навыки в сфере IT и аналитики данных — примерьте роль Data Scientist! Участвуйте в бесплатном онлайн-интенсиве, который пройдёт с 11 по 13 июля. Начало — в 19:00 по московскому времени.
Записывайтесь: 👉 https://clc.to/TleYCQ.
За 3 дня вы научитесь:
⚡️ исследовать данные с помощью языка программирования Python;
⚡️ строить модели для реальных кейсов;
⚡️ находить аномалии в данных;
⚡️ автоматизировать решение бизнес-задач с помощью искусственного интеллекта и Machine Learning.
В роли спикера выступит руководитель направления по исследованию данных в Сбере с семилетним опытом в программировании — Анастасия Борнева.
🎉 Участвуйте, задавайте вопросы и получите сертификат на 10 000 рублей на любой курс Skillbox.
Присоединяйтесь!
📎 Крутые наборы данных для машинного обучения
Более 50 открытых наборов для ваших исследований
Хорошее исследование в машинном обучении начинается с подходящего набора данных. Нет необходимости тратить целый вечер на создание собственного набора в MySQL или, что еще хуже, в Excel. В принципе, все что угодно — от статистики COVID-19 до заклинаний Гарри Поттера — можно найти в виде базы данных.
Читать дальше
@data_analysis_ml
Приглашаем всех желающих бесплатно освоить профессию:
🖍 Системного аналитика
🖍 Аналитика данных
🖍 Аналитика маркетплейсов
🖍 Тестировщика ПО
🖍 Разработчика сайтов на Тильде
🖍 Дизайнера мобильных приложений
И другие — полный список на сайте: https://clck.ru/s4nUs
Всего за 1-3 месяца в удаленном формате вы обучитесь и начнете работать по специальности. Выдается удостоверение о повышении квалификации или диплом о проф. переподготовке. Обучение проводит официальный партнер Томского государственного университета.
Обязательно наличие высшего или среднего профессионального образования.
Принять участие могут:
— безработные
— женщины в декрете с детьми до 3 лет
— неработающие матери детей до 7 лет
— неработающие выпускники и студенты до 35 лет
— граждане 50+
Полный список категорий и подробная информация на сайте.
Подайте заявку сейчас, чтобы зарезервировать место на курсе!
https://clck.ru/s4nUs
🔍 Как обнаружить выбросы в проекте по исследованию данных
Выброс — это данные, которые имеют слишком высокое или слишком низкое значение по отношению к другим исследуемым данным. Конечно, в наборе данных может быть несколько выбросов, поэтому приходится неоднократно исключать их из набора данных. В противном случае выбросы способны вызывать статистические проблемы в анализе данных.
Но каковы критерии исключения выбросов? Чтобы ответить на этот вопрос, рассмотрим три метода обнаружения выбросов.
Читать дальше
@data_analysis_ml
Мета выпустила переводчик на 200 языков.
♻️ Мета выложил AI переводчик на 200 языков в OpenSource.
В открытом доступе теперь лежит модель No language left behind (Ни один язык не останется за бортом), которая переводит с 200 различных языков.
Модель уже применняется для улучшения переводов на Facebook, Instagram и даже Wikipedia.
Код
Статья
Demo
#AI #ML #NLP
@data_analysis_ml
⚡️ ИНТЕНСИВ ML — для продвинутых
Присоединяйтесь 11 и 13 июля в 18:00 к открытому интенсиву OTUS, вас ждет глубокое погружение в область рекомендательных систем.
👩🏻🎓 Интенсив проведет специалист по анализу данных в команде AGI NLP в Сбере Мария Тихонова.
📌 НА ИНТЕНСИВЕ ИЗУЧИМ:
- Популярные подходы для формирования рекомендаций и реализуете один из них своими руками.
- Продвинутые методы на основе матричных разложений
- Готовые инструменты и библиотеки для построения рекомендательных систем.
После интенсива вы сможете продолжить осваивать продвинутые ML-приемы на онлайн-курсе «Machine Learning. Advanced» от OTUS и его партнера — Сбера.
День 1 - 11 июля в 18:00
https://otus.pw/BKLh/
День 2 - 13 июля в 18:00
https://otus.pw/EDdZ/
📲 Собеседование на позицию Data Scientist: 46 типичных вопросов.
Проверка знаний на собеседованиях — обычная практика. И мы сейчас не о глупых «Где вы видите себя через 5 лет?», а о нормальных вопросах по специальности. Вопросы будут смешаны по темам, но все они относятся к машинному обучению и Data Science. Попробуйте сначала ответить на каждый вопрос самостоятельно!
Часть 1
Часть 2
@data_analysis_ml
Знаете Python и имеете базу в аналитике данных? Поможем освоить машинное обучение и выйти на новый уровень.
На курсе Start ML за 7 месяцев объясним, как устроены алгоритмы машинного обучения, и научим применять их на практике.
Опытные аналитики и ML-инженеры из Яндекса и Райффайзен расскажут, как обучать модели и нейронные сети, а также оценивать их влияние на ключевые бизнес-метрики с помощью статистики и A/B-тестов.
Благодаря курсу вы расширите свои компетенции аналитика и сможете применять продвинутые методы для решения ваших рабочих задач.
В конце обучения вы создадите собственный ML-сервис — рекомендательную систему социальной сети, которая поможет закрепить все полученные знания.
Попробуйте бесплатную демоверсию на сайте, а также записывайтесь на ближайший поток курса до 11 июля — по промокоду DAML дарим скидку 10%.
