Data Scientist | IT
Открыть в Telegram
Добро пожаловать в клуб. Полезные материалы из мира DS & ML на регулярной основе. По всем вопросам: @godinmedia
Больше1 927
Подписчики
Нет данных24 часа
-17 дней
-1430 день
Загрузка данных...
Похожие каналы
Облако тегов
Входящие и исходящие упоминания
---
---
---
---
---
---
Привлечение подписчиков
июль '26
июль '26
+1
в 0 каналах
июнь '26
+7
в 0 каналах
Get PRO
май '26
+3
в 0 каналах
Get PRO
апрель '26
+5
в 0 каналах
Get PRO
март '26
+7
в 0 каналах
Get PRO
февраль '26
+6
в 0 каналах
Get PRO
январь '26
+6
в 0 каналах
Get PRO
декабрь '25
+17
в 0 каналах
Get PRO
ноябрь '25
+2
в 0 каналах
Get PRO
октябрь '25
+5
в 0 каналах
Get PRO
сентябрь '25
+8
в 0 каналах
Get PRO
август '25
+8
в 0 каналах
Get PRO
июль '25
+8
в 0 каналах
Get PRO
июнь '25
+3
в 0 каналах
Get PRO
май '25
+8
в 0 каналах
Get PRO
апрель '25
+4
в 0 каналах
Get PRO
март '25
+3
в 0 каналах
Get PRO
февраль '25
+3
в 0 каналах
Get PRO
январь '25
+5
в 0 каналах
Get PRO
декабрь '24
+1
в 1 каналах
Get PRO
ноябрь '24
+11
в 0 каналах
Get PRO
октябрь '24
+7
в 0 каналах
Get PRO
сентябрь '24
+367
в 0 каналах
Get PRO
август '24
+365
в 0 каналах
Get PRO
июль '24
+11
в 0 каналах
Get PRO
июнь '24
+20
в 0 каналах
Get PRO
май '24
+11
в 0 каналах
Get PRO
апрель '24
+10
в 0 каналах
Get PRO
март '24
+12
в 0 каналах
Get PRO
февраль '24
+13
в 1 каналах
Get PRO
январь '24
+5
в 0 каналах
Get PRO
декабрь '23
+12
в 0 каналах
Get PRO
ноябрь '23
+18
в 0 каналах
Get PRO
октябрь '23
+27
в 2 каналах
Get PRO
сентябрь '23
+129
в 0 каналах
Get PRO
август '23
+377
в 0 каналах
Get PRO
июль '23
+428
в 0 каналах
Get PRO
июнь '23
+215
в 0 каналах
Get PRO
май '23
+122
в 0 каналах
Get PRO
апрель '23
+551
в 0 каналах
Get PRO
март '23
+241
в 0 каналах
Get PRO
февраль '23
+399
в 0 каналах
Get PRO
январь '23
+484
в 0 каналах
Get PRO
декабрь '22
+59
в 0 каналах
Get PRO
ноябрь '22
+341
в 0 каналах
Get PRO
октябрь '22
+166
в 0 каналах
Get PRO
сентябрь '22
+988
в 0 каналах
Get PRO
август '22
+520
в 0 каналах
Get PRO
июль '22
+1 094
в 0 каналах
Get PRO
июнь '22
+133
в 0 каналах
Get PRO
май '22
+2 526
в 0 каналах
| Дата | Привлечение подписчиков | Упоминания | Каналы | |
| 09 июля | +1 | |||
| 08 июля | 0 | |||
| 07 июля | 0 | |||
| 06 июля | 0 | |||
| 05 июля | 0 | |||
| 04 июля | 0 | |||
| 03 июля | 0 | |||
| 02 июля | 0 | |||
| 01 июля | 0 |
Посты канала
⚠️Хотите разобраться, как обучать интеллектуальных
агентов в нестандартных задачах для бизнеса? Начните обучение на курсе «Reinforcement Learning».
🎁Записывайтесь на 3 бесплатных вебинара — познакомьтесь с программой обучения и преподавателями. Задайте свои вопросы экспертам!
Вебинар 1: «Обучение с подкреплением - гибкий подход для сложных задач. Создаем собственные окружения».
⏰7 июля в 20:00 мск
Программа вебинара:
1. Краткое введение в обучение с подкреплением.
2. Обзор существующих сред и переход к созданию собственного RL-окружения на Python.
3. Напишем свою среду на основе gym.Env и подключим к ней обучающегося агента.
Вебинар 2: «Visual DQN: Как научить ИИ-модель видеть мир глазами игрока».
⏰15 июля в 20:00 мск
Программа вебинара:
1. Разберем, как DQN работает с изображениями:
как агент получает состояние не в виде чисел, а в виде сырых пикселей с экрана.
2. Изучим архитектуру DeepMind-подхода.
3. Запустим обучение DQN в среде Atari Pinball и посмотрим, как агент постепенно учится играть лучше человека.
Вебинар 3: «Алгоритм DQN - учим нейросеть принимать решение без помощи человека».
⏰21 июля в 20:00 мск
Программа вебинара:
1. Разберем устройство алгоритма DQN: как нейросеть заменяет Q-таблицу и учится выбирать лучшие действия.
2. Изучим ключевые механизмы DQN.
3. Обучим агента решать задачу в среде Gymnasium и проанализируем процесс обучения.
Записывайтесь ➡️ https://vk.cc/cZn70D
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576
| 2 | Компьютерное зрение и обучение нейросетей: 12 бесплатных ресурсов для погружения в тему
#почитать
Собрал для вас подборку материалов по компьютерному зрению и обучению нейросетей. Здесь вы найдёте полноценные курсы, туториалы, обзорные статьи и справочные материалы. Подборка пригодится как новичкам в ML, так и практикующим инженерам — старался пояснять в описаниях, для кого подойдёт конкретный материал.
✅Читать статью | 78 |
| 3 | AGI: почему его не будет, и какую модель мы можем сделать вместо него
#почитать
AGI это следующий этап развития ИИ. Подобная модель сможет самостоятельно изучать и решать задачи, совершать новые научные открытия, и в принципе это таблетка от всех проблем. По крайней мере, так считают современные техногиганты, в особенности Илон Маск или Сэм Альтман, которые яро пропагандируют идеи AGI и вот-вот обещают выпустить подобную модель. Но, к сожалению или к счастью, это невозможно, и вот почему.
✅Читать статью | 155 |
| 4 | Не «как быстрее», а «как лучше»: новое ML-ранжирование маршрутов в Яндекс Картах
#почитать
Раньше маршруты на Картах ранжировались по времени в пути: работал принцип «самый быстрый — самый первый». Но в реальном мире скорость не всегда равна удобству и пользователь мог оказаться в ситуации, что маршрут вроде бы позволяет добраться до конечной точки быстрее, но придётся долго разбираться, а куда вообще ехать.
Теперь ранжированием маршрутов занимается ML‑модель, которая обучена на реальном поведении пользователей. Она учитывает не только время, но и то, по каким маршрутам водители доезжают до конца. Поэтому сейчас первый вариант — тот, который вы, скорее всего, выбрали бы сами.
✅Читать статью | 176 |
| 5 | Базовая модель для персонализированных рекомендаций Netflix
#почитать
Персонализированная рекомендательная система Netflix устроена довольно сложно. В её состав входят различные специализированные модели машинного обучения, каждая из которых ориентирована на решение особых задач, в том числе — на обслуживание разделов «Continue Watching» («Продолжить просмотр») и «Today’s Top Picks for You» («Сегодняшние топ-рекомендации для вас»). (Подробности об этом вы можете найти в нашем недавнем обзоре). Но по мере того, как мы расширяем используемый нами набор алгоритмов персонализации, стремясь соответствовать растущим бизнес-потребностям, поддержка рекомендательной системы становится довольно-таки затратной. Более того, мы столкнулись со сложностями при переносе инновационных решений из одной модели в другую. Это так из-за того, что большинство моделей обучаются независимо друг от друга, хотя и пользуются одними и теми же источниками данных.
Всё это логично привело к возникновению необходимости в новой архитектуре рекомендательной системы, где модели обучаются предпочтениям пользователей централизованно. Это расширяет доступность и полезность результатов обучения одних моделей для других моделей.
✅Читать статью | 196 |
| 6 | LLM модели: зарубежные VS отечественные
#почитать
Когда команда выбирает LLM для продакшена, «сравнение по бенчмаркам» — это лишь первый фильтр. Для CTO ключевой вопрос звучит иначе: какую комбинацию качества, стоимости, стабильности API, юридических ограничений и интеграций мы получим на реальной нагрузке. Я разобрал популярные модели через призму двух контуров: качество/бенчмарки и инфраструктурная пригодность.
✅Читать статью | 194 |
| 7 | От MNIST к Transformer. Hello CUDA. Основы, Setup и наше первое ядро
#почитать
Мы живем в эпоху, когда ИИ стал доступен каждому. Но за магией PyTorch скрывается колоссальная инженерная работа и сложные вычислительные процессы, которые для большинства остаются черным ящиком.
Я хочу запустить большой цикл статей От MNIST к Transformer, цель которого пошагаво пройти путь от простого CUDA ядра до создания архитектуры Transformer - фундамента современных LLM моделей. Мы не будем использовать готовые высокоуровневые библиотеки. Мы будем разбирать, как все устроено под капотом, и пересобирать их ключевые механизмы своими руками на самом низком уровне. Только так можно по настоящему понять как работают LLM и что за этим стоит.
Приготовьтесь, будет много кода на C++ и CUDA, работы с памятью и погружения в архитектуру GPU. И конечно же математика что за этим стоит.
✅Читать статью | 201 |
| 8 | Лидеры по работе с данными и ИИ из Альфа-Банка, Сбера, X5 Tech, Т-Банка, Ozon Fintech, Банка России, Дикси, Ситидрайва, Lamoda, Черкизово и других компаний расскажут, как данные и искусственный интеллект помогают ускорять бизнес в финтехе, ритейле, промышленности, транспорте и агросекторе.
9 июля на форуме Data Day 2026:
💰 Тренды AI и данных «из первых уст». На какие технологии и подходы делают ставку лидеры рынка?
💰 Как превратить хаос данных в надежный бизнес-навигатор и сделать данные стратегическим активом компании.
💰 Практика внедрения AI и data-driven подходов в финтехе, ритейле, логистике, промышленности и агросекторе.
💰 Как находить новые точки роста, используя опыт цифровых лидеров и сильные data-команды.
💰 AI-hub: выставка и центр экспертизы готовых AI-решений и автономных агентов для бизнеса.
Выступают:
– Руслан Булатов, Банк России. Директор Департамента финансовых технологий.
– Дмитрий Криволапов, Lamoda. Директор департамента по данным и аналитике.
– Алексей Бондаренко, Газпромбанк. Вице-президент — начальник департамента управления данными.
– Дмитрий Рузанов, Альфа-Банк. Директор департамента разработки моделей.
– Павел Денисенко, X5 Tech. Директор департамента развития платформы больших данных.
– Артём Летин, ВТБ. Начальник управления моделирования КИБ и СМБ, вице-президент.
– Валерий Поляков, Т-Банк. Лидер по данным группы Т-Технологии (Chief Data Officer).
– Александр Лукьянов, ДОМ РФ Технологии. Генеральный директор.
– Валентина Рудик, Ozon Fintech. Руководитель розничного кредитования.
– Андрей Скачёк, М.Видео, Директор по маркетингу
И другие.
Вас ждет самый масштабный Data Day:
🔥 5 отраслевых треков (Финтех, Агропром, Путешествия и Транспорт, Ритейл, Персональная эффективность)
🔥 1500+ участников
🔥 60+ спикеров
9 июля, «Бизнес. Техноград», ВДНХ, Москва.
Присоединяйтесь! Форум соберет экспертов по данным и AI из банков, ритейла, телекома, транспорта, агропрома, ИТ-компаний и индустриальных лидеров.
👉 Программа и регистрация
Реклама. ООО «Регламент». ИНН 7708323273. erid:2W5zFJJ3D6q | 152 |
| 9 | Трансформер своими руками: с нуля до Numpy реализации и обучения
#почитать
В этой статье пойдет речь об одной из самых сложных и интересных архитектур — трансформере, лежащей в основе современных моделей от OpenAI и Google DeepMind. И это не научпоп для обывателя с наивным уровнем объяснения, а полноценный учебный материал, который поможет вам понять работу трансформера на фундаментальном уровне без черных ящиков типа TensorFlow и Pytorch.
А для того чтобы лучше вникнуть, давайте напишем настоящий мини-трансформер на процедурном Python и обучим его!
Данный материал можно изучать в разных режимах:
* Как объяснение архитектуры для общего представления;
* Как полноценный гайд с чтением кода и самостоятельной практикой;
* Как основу для собственных экспериментов.
Вы сами можете выбрать тот режим, который нужен для ваших целей на данный момент.
Наш трансформер будет довольно простым: со статическим графом и одноблочными энкодером и декодером. Сам код написан в парадигме процедурного программирования (за исключением некоторых модулей) и может быть прочитан на любом уровне и без знания ООП. И все же это будет полноценный обучаемый трансформер с мультиголовым вниманием, батчами данных, параллельным вычислением и множеством параметров.
Для закрепления материала, выполните Домашнее задание, которое ждет вас в конце статьи.
✅Читать статью | 120 |
| 10 | Как мы оцениваем качество ИИ с помощью ИИ
#почитать
Заказчиками для ИИ инструментов часто выступают профильные специалисты (от науки или из мира бизнеса), которые не настолько погружены в работу моделей, чтобы легко оперировать метриками ROC-AUC (способность модели различать классы) или Precision (насколько точными являются положительные предсказания модели). Мы подумали, если большие языковые модели способны разъяснить сложные вещи ― например, смету и планы ― то их вполне можно использовать и для оценки самих систем ИИ. почему бы им не показать, что сами системы ИИ работают хорошо или не очень?
Наша команда разработала инструмент, который позволяет осуществлять оценку и контроль качества моделей ИИ. Он может оценивать качество данных, сравнивать разные модели и потенциал их дообучения, а также подсказывать свои модели с помощью интегрированного инструмента AutoML от наших коллег из Института ИИ ИТМО, экономя время разработки.
✅Читать статью | 167 |
| 11 | Модели, гипотезы и планирование: хроники ML-инженера на крупнейшем хакатоне
#почитать
В прошлом году наша команда неожиданно для себя стала призером на хакатоне «Лидеры Цифровой трансформации».
В этой части мы расскажем технические детали решения задачи по распознаванию поврежденных и больных деревьев в городской среде.
✅Читать статью | 176 |
| 12 | От MNIST к Transformer. Часть 2. Основы работы с памятью
#почитать
Это вторая статья из цикла От MNIST к Transformer, цель которого пошагово пройти путь от простого CUDA ядра до создания архитектуры Transformer - фундамента современных LLM моделей. Мы не будем использовать готовые высокоуровневые библиотеки. Мы будем разбирать, как все устроено под капотом, и пересобирать их ключевые механизмы своими руками на самом низком уровне. Только так можно по настоящему понять как работают LLM и что за этим стоит. В этой статье разберем основы работы с памятью и две простые математические операции с точки зрения математики, но не такие простые с точки зрения CUDA ядер.
Приготовьтесь, будет много кода на C++ и CUDA, работы с памятью и погружения в архитектуру GPU. И конечно же математика что за этим стоит.
✅Читать статью | 17 |
| 13 | Онлайн-оценка рекомендательных систем: метрики, которые говорят сейчас
#почитать
Меня зовут Василий Калинин, я senior-аналитик в отделе ML-аналитики музыкального сервиса Звук.
Мой сегодняшний рассказ будет посвящен метрикам онлайн-оценки рекомендательных систем, использующихся в нашей компании.
✅Читать статью | 11 |
| 14 | ТОП-15 бесплатных сервисов для генерации изображений в 2026 году
#почитать
Сразу оговорка: у большинства платформ free-режимы и лимиты периодически меняются (кредиты, очередь, доступные модели), поэтому я ориентировался на актуальные условия на момент подготовки статьи и официальные страницы сервисов.
✅Читать статью | 12 |
| 15 | Семантический компьютер на 64 нейронах и обучение на шуме
#почитать
В предыдущей статье о машинном обучении как алхимии я говорил о том, что можно найти новые решения, не используя GPU или дорогие видеокарты. В этой статье я расскажу, о том, как я экспериментировал с continual learning и композициональностью мышления на микронейросетях, и причем здесь философ Лев Выготский.
✅Читать статью | 195 |
| 16 | Как развернуть OpenClaw и не слить ему все свои данные
#почитать
OpenClaw (ex. Moltbook и Clawdbot) мощно взорвал начало года. Все бросились устанавливать себе агента, и я понимаю, почему получился такой хайп. Ведь это первый в мире опен сорсный персональный AI-ассистент, которого можно подключить к мессенджеру, почте, календарю и практически чему угодно еще и он будет управлять моей личной жизнью. Ему можно поручить покупку билетов в кино, бронь столика в любимом кафе или внести важную встречу в календарь.
Другая сторона хайпа — вопросы к безопасности агента, здесь шумихи не меньше. То исследователи Gen Threat Labsнашли 18 000 открытых инстансов OpenClaw, к которым можно подключиться и управлять уже не своей, а чужой личной жизнью. То Касперский пишет, что каталог «навыков» агента стал рассадником вредоносного кода. Или вспомнить историю о том, что OpenClaw сливал данные своих пользователей через Moltbook (соцсеть для нейронок).
И что теперь, совсем нельзя пользоваться этим агентом? Я считаю, что пользоваться можно, но осторожно и лучше в облаке. Расскажу, как это сделать безопасно.
✅Читать статью | 201 |
| 17 | Anthropic против OpenAI: два разных подхода к «быстрому режиму»
#почитать
Anthropic и OpenAI почти одновременно запустили «быстрый режим» для своих моделей — и за одинаковым названием скрываются принципиально разные подходы к ускорению инференса.
В одном случае это реальная модель с уменьшенным батчингом, в другом — отдельная, более компактная версия на специализированных чипах Cerebras.
Разбираемся, что именно стоит за цифрами «2.5×» и «1000 токенов в секунду», где компромисс по качеству и что это значит для разработчиков на практике.
✅Читать статью | 169 |
| 18 | Я обучил модель на 10 000 код-ревью, чтобы отсеять мусор. Она начала предсказывать увольнения
#почитать
Я хотел решить простую инженерную задачу: отсеять «шум» в комментариях на код-ревью. Обучил модель на 10 000 примеров, получил точность 87%. Потом открыл список ошибок. Оказалось, модель научилась предсказывать увольнения сотрудников за два месяца до того, как они принесут заявление. Рассказываю, как «пустые» комментарии выдают выгорание и почему данные иногда знают о нас больше, чем мы сами.
✅Читать статью | 186 |
| 19 | 152-ФЗ на практике: как найти и контролировать ПДн в базах данных 🔎
Персональные данные сегодня есть практически в каждой корпоративной системе: CRM, ERP, DWH, BI, служебных таблицах и выгрузках.
Но в большинстве компаний отсутствует прозрачность: где именно хранятся персональные данные, кто имеет к ним доступ, сколько существует «теневых» копий, используются ли эти данные вообще и какие риски это создает для бизнеса.
📆 26 мая в 11:00 МСК приглашаем на бесплатный онлайн-вебинар: «Управление персональными данными: как выстроить контроль в базах данных и снизить риски по 152-ФЗ»
На вебинаре разберем:
📊 что 152-ФЗ говорит про ПДн в СУБД и DWH
📊 как автоматически находить и классифицировать ПДн
📊 как выявлять лишние копии и неиспользуемые данные
📊 зачем нужен мониторинг использования ПДн
📊 как выстроить системный процесс контроля
📊 как снизить нагрузку на ИБ- и data-команды за счет автоматизации
Также покажем практический сценарий мониторинга ПДн в СУБД — от сканирования базы до автоматических рекомендаций по снижению рисков.
👥 Вебинар будет полезен руководителям ИБ, архитекторам и руководителям DWH / BI, администраторам СУБД.
🎁 Бонус участникам — чек-лист по контролю персональных данных в СУБД и DWH.
🔗 Регистрация по ссылке | 180 |
| 20 | От чат-бота к AI агенту: собираем локальную систему на LibreChat, Langflow и MCP
#почитать
В прошлой статье мы строили локальную систему для транскрибации аудио, а сегодня пойдём дальше и соберём локальную агентную AI-систему — без облаков и с контролем над данными.
В этой статье я покажу, как собрать связку из трёх ключевых компонентов:
1. LibreChat — UI для работы с LLM
2. Langflow — low-code платформа и визуальный редактор
3. MCP — стандарт для подключения инструментов
Статья построена по принципу «по нарастающей», где каждый новый уровень — это рабочий инструмент. Можно остановиться на любом этапе, а можно пройти все и тогда получите связку UI + инструменты + централизованная логика (и дальше ее можно развивать под свои сценарии).
✅Читать статью | 132 |
