Анализ данных (Data analysis)

Открыть в Telegram

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

Больше

Сеть:Machinelearning Россия12 568 Технологии и приложения2 674...

📈 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 50 188 подписчиков, занимая 2 674 место в категории Технологии и приложения и 12 568 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 50 188 подписчиков.

Согласно последним данным от 11 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -1 975, а за последние 24 часа — -4, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 9.28%. В первые 24 часа после публикации контент обычно набирает 5.80% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 4 656 просмотров. В течение первых суток публикация набирает 2 912 просмотров.
Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 32.
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 12 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.

50 188

Подписчики

-424 часа

-227 дней

-1 97530 день

4 656

Просмотры поста

~ 2 91224 часа

~ 3 40848 часов

9.28%

Коэффициент вовлеченности

~ 5

Постов в день

Ads index

beta

Архив постов

50 160

The AI Scientist официально вышел в Nature - и это уже не просто эксперимент. Речь про систему, которая способна автоматизировать весь цикл научного исследования: - генерировать идеи - писать код - запускать эксперименты - оформлять научную статью Обновлённая версия AI Scientist-v2 уже сгенерировала первую полностью AI-сгенерированную научную работу, которая прошла полноценное рецензирование людьми. Теперь вышла публикация в Nature, где подробно разобрана архитектура системы и показано, как всё это работает на практике. В ИИ-систему добавили Automated Reviewer - AI-рецензента, который оценивает статьи на уровне человека и даже стабильнее, чем сами люди. Исследователями обнаружен прямой закон масштабирования науки - чем сильнее базовая модель, тем выше качество научных работ, которые она генерирует. Это означает простую вещь: По мере роста моделей и удешевления вычислений качество AI-науки будет расти автоматически. Фактически мы подошли к точке, где исследования можно масштабировать так же, как сегодня масштабируют код или контент. • Nature: https://nature.com/articles/s41586-026-10265-5 • Blog: https://sakana.ai/ai-scientist-nature

50 160

Все что выпустили Antropic за последнее время. 73 релиза за 52 дня.

50 160

⚡️ MWS Cloud выпустил сервис по работе с большими языковыми моделями. MWS GPT Model Hub — облачный сервис, который предоставляет доступ к LLM внутри MWS Cloud Platform. Развертывание занимает секунды, модели подключаются через OpenAI‑совместимый API. Сейчас в сервисе 10 моделей, включая DeepSeek, Google, Alibaba, Zhipu AI. До конца года добавят еще десяток — с поддержкой преобразования текста в речь и аудио в текст. Что можно делать с помощью MWS GPT Model Hub: • запускать AI‑ассистентов без настройки инфраструктуры; • обрабатывать большие объемы текстовых данных; • создавать внутренние AI‑сервисы для сотрудников; • сокращать time‑to‑market вдвое за счет быстрого прототипирования; • внедрять интеллектуальный поиск в продукты. К плюшкам: встроенные инструменты биллинга и учета ресурсов отслеживают расходы на AI‑функции по проектам и командам.

50 160

В Claude Code агент теперь сам решает, какие действия можно выполнять 👇 Раньше было два режима: - либо он постоянно спрашивает разрешение - либо skip permissions - делает всё без спроса Первое раздражает. Второе - рискованно. Теперь появился auto mode. В этом режиме Claude: - сам принимает решения о доступах - оценивает каждое действие - безопасные - выполняет сразу - рискованные - блокирует или ищет альтернативу По сути: • это тот же skip permissions, но с встроенной проверкой на потенциальный вред 🧠 Под капотом - классификатор, который анализирует каждый шаг агента

50 160

Как перейти от ИИ-экспериментов к рабочим системам Рассказываем, где узнать реальный опыт тех, кто встроил искусственный интеллект в ключевые процессы компании и извлек из этого реальную выгоду. 22 апреля присоединяйтесь к конференции МЛечный путь от Selectel, провайдера инфраструктуры для ИИ. Эксперты топовых ИТ-компаний расскажут: 🔺Как ускорить ML-пайплайны и снизить издержки на инференс без потери качества 🔺Как безопасно внедрить генеративные модели в ключевые процессы и управлять эффектом этого внедрения 🔺Как интегрировать модели в существующую ИТ-архитектуру Конференция пройдет 22 апреля в Москве. Участие бесплатное, регистрируйтесь: https://slc.tl/ib77j Реклама. АО "Селектел". erid:2W5zFHjUoay

50 160

Google представили TurboQuant - алгоритм, который сильно снижает требования к памяти при работе LLM. KV-cache - это то, что хранит весь контекст во время генерации. И именно он сейчас становится главным ограничением, а не сами модели. Чем длиннее диалог или больше пользователей, тем быстрее заканчивается память на GPU. TurboQuant решает это так: - сжимает KV-cache минимум в 6 раз - ускоряет инференс до 8 раз - сохраняет качество без заметной потери Это ключевой момент: раньше компрессия почти всегда ухудшала ответы. Как это устроено: - сначала данные преобразуются (rotation), чтобы их было проще сжимать - затем применяется основной алгоритм сжатия (PolarQuant) - после этого добавляется лёгкая коррекция (QJL), которая убирает ошибки В итоге получается почти точное восстановление при сильно меньшем объёме. С TurboQuant: - модели можно запускать на меньшем количестве GPU - один сервер может обслуживать больше запросов - становится проще работать с длинным контекстом - падает стоимость инференса По сути, это не про “ускорить модель”, а про перераспределение ресурсов внутри всей системы. Раньше оптимизировали веса моделей теперь оптимизируют то, как они работают в проде И KV-cache, как раз одна из самых дорогих частей. https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/ 🐍 полезные ресурсы 🚀Max @data_analysis_ml

50 160

🚀 Похоже, в Claude Code появилась новая фича - Auto-dream Пока официально не анонсирована, но её уже заметили в /memory • Что это такое Auto-dream - это фоновый подагент Claude, который: - анализирует последние сессии - извлекает ключевые знания - обновляет MEMORY.md - очищает и переорганизует старые данные • Как устроена память - MEMORY.md - это индекс - отдельные файлы - детали по темам - /memory - управление системой 👉 по сути, как garbage collector, но для памяти 🐍 Python полезные ресурсы 🚀Max @data_analysis_ml

50 160

🚀 Cursor сделал regex-поиск мгновенным Instant Grep ищет по миллионам файлов за миллисекунды 16.8 сек → 13 мс И главное: они не ускоряли regex они убрали лишний поиск 🧠 Как это работает - создаётся индекс: куски текста → файлы - используются триграммы (fil, ile, le_) - сначала ищутся кандидаты - потом запускается regex 👉 большинство файлов вообще не открывается 🔥 Ключевая идея - sparse n-grams - индексируются не все куски - только самые «полезные» - редкие символы имеют больший вес 💾 Всё локально - индекс хранится у тебя - привязан к Git - быстрый доступ через memory map Скорость даёт не regex а умный отбор файлов до поиска. https://x.com/cursor_ai/status/2036122609931165985

50 160

Если вы работаете с выгрузками из баз, логами сервисов или отчетами за годы — вы уже имеете дело со значениями, разделенными запятыми (CSV). Но умеете ли вы загружать CSV в Spark правильно? На открытом уроке разберем, как из плоского файла получить распределенную коллекцию данных — DataFrame. Поймем, почему DataFrame — это не просто таблица, как настраивать разбор грязных данных, объявлять схему вручную и избегать ошибок в промышленной среде. Вы увидите, как Spark взаимодействует с файловой системой, научитесь писать код для загрузки CSV в PySpark или Scala и разберетесь, когда достаточно pandas, а когда без Spark не обойтись. Открытый урок проходит в преддверии старта курса «Spark-разработчик». ➡️ Подробности и регистрация: https://otus.pw/XM07/

50 160

🚀 Anthropic показали новый режим: AI может выполнять задачи на компьютере и по расписанию без твоего участия Главное: - Claude управляет компьютером - кликает, вводит текст, открывает сайты - выполняет задачи в браузере и приложениях + появился режим /schedule: - ставишь задачу → задаёшь время - Claude сам запускает и выполняет её - даже если твой ноут выключен - отчёты генерируются сами - соцсети мониторятся автоматически - задачи выполняются без контроля https://claude.com/product/cowork#dispatch-and-computer-use 🐍 Python полезные ресурсы 🚀Max @data_analysis_ml

50 160

🚀 Ускоряем внедрение ИИ-агентов в реальные задачи на Agents Week Насыщенный интенсив от Школы анализа данных Яндекса пройдет с 6 по 10 апреля. Много про инженерных подход к современным агентным системам, их мониторинг и масштабирование. За пять дней поймете, с чего начать проектирование и настройку поведения, какие есть практики построения single-agent и multi-agent-систем, как доводить агентов о продакшена. Формат: лекции с возможностью задать вопрос экспертам и практика. Программа и спикеры — по ссылке. Там же можно зарегистрироваться до 9 апреля включительно.

50 160

Repost from Machine learning Interview

🤖 Этот open-source репозиторий даёт твоему ClawdBot “зрение” Это AI-ассистент в реальном времени для умных очков Meta Ray-Ban. Он объединяет: → голос → зрение → действия агента Работает через Gemini Live и OpenClaw. Как это выглядит: Ты надеваешь очки → нажимаешь кнопку AI → просто говоришь Дальше: • Gemini видит через камеру очков и описывает происходящее • передаёт задачу в OpenClaw • OpenClaw выполняет её через подключённые приложения Можно: → отправлять сообщения в WhatsApp / Telegram / iMessage → искать информацию в интернете → получать ответы голосом 📊 Технически: • камера очков передаёт изображение примерно 1 кадр в секунду в Gemini • аудио работает в обе стороны в реальном времени • OpenClaw выполняет действия как агент По сути, это полноценный AI-ассистент, который видит мир вместе с тобой https://github.com/Intent-Lab/VisionClaw 🐍 Python полезные ресурсы 🚀Max

50 160

Как запустить микросервисы в Managed Kubernetes

Микросервисное приложение мало просто задеплоить — нужны правила запуска, обновлений, масштабирования и изоляции. Именно они делают эксплуатацию предсказуемой, а инфраструктуру — готовой к росту нагрузки.

На вебинаре 26 марта в 11:00 эксперты Cloud.ru разберут, как превратить Managed Kubernetes в удобную и надежную платформу для работы микросервисов. В программе:

1️⃣ разберете, в каких проектах микросервисы действительно нужны и как быстро запустить готовое масштабируемое решение в облаке без лишних сложностей; 2️⃣ рассмотрите базовую структуру Kubernetes для микросервисов: что потребуется сразу, а что можно отложить; 3️⃣обсудите, как организовать деплой, обновления и откаты, чтобы релизы были управляемыми; 4️⃣ настроите масштабирование с помощью нативных инструментов Kubernetes; 5️⃣ свяжете платформу с реестром артефактов; 6️⃣ узнаете, как следить за метриками и логами приложения.

👉Зарегистрироваться👈

50 160

50 160

🤖 Palantir AI + Claude использовались для обнаружения, приоритизации и ударов по более чем 1000 целям в первые 24 часа операции против Ирана Результат оказался настолько мощным и прорывным, что Пентагон даже не стал ждать. То, что раньше было просто пилотным проектом и тестировалось в ограниченном режиме… в один момент стало официальным, постоянным и начало масштабироваться повсюду. Теперь Palantir - это ключевой “AI-мозг” всей армии США. Система уже внедряется во все роды войск. https://www.moneycontrol.com/world/how-palantir-and-anthropic-ai-helped-the-us-hit-1-000-iran-targets-in-24-hours-article-13853331.html 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml

50 160

Это уже не code review. Это distributed system из двух LLM, которые дебажат друг друга.

50 160

🔥 Очень любопытный проект: Supermemory показал 99% на SOTA-бенчмарке памяти • Supermemory набрал ~99% на LongMemEval_s с использованием экспериментальной техники ASMR (Agentic Search and Memory Retrieval) • Вместо классического vector search и embeddings используется система параллельных агентов-наблюдателей, которые извлекают структурированные знания из истории взаимодействий сразу по нескольким направлениям • Используются специализированные поисковые агенты: → для точных фактов → для связанного контекста → для восстановления временной последовательности • И самое интересное, никакой векторной базы данных не требуется 🚀 Проект станет open-source уже через 11 дней, следим: https://x.com/DhravyaShah/status/2035517012647272689 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml

50 160

⚡️ Андрей Карпаты: спрос на софт взлетит, но это временно Он отметил важный сдвиг: Теперь код стал ephemeral (эфемерным, временным). Его можно: — переписать за секунды — адаптировать под любого пользователя — менять прямо на лету Фактически весь digital-мир начинает пересобираться в реальном времени. Что это значит: • 📈 В краткосрочной перспективе Спрос на разработку резко растёт, потому что теперь можно сделать гораздо больше за то же время. • 🤯 В долгосрочной перспективе Даже те, кто создаёт AI, понимают: они могут автоматизировать собственную работу. Мы приходим к новой реальности: код больше не статичный продукт - это динамический поток, который постоянно меняется. Полное интервью: https://www.youtube.com/watch?v=kwSVtQ7dziU&t=1s 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml