Математика Дата саентиста

Открыть в Telegram

@workakkk - админ @data_analysis_ml - ds https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946

Больше

Сеть:Machinelearning Россия47 436 Технологии и приложения9 193...

📈 Аналитический обзор Telegram-канала Математика Дата саентиста

Канал Математика Дата саентиста (@data_math) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 14 048 подписчиков, занимая 9 193 место в категории Технологии и приложения и 47 436 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 14 048 подписчиков.

Согласно последним данным от 16 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -69, а за последние 24 часа — 0, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 17.40%. В первые 24 часа после публикации контент обычно набирает 6.99% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 2 445 просмотров. В течение первых суток публикация набирает 982 просмотров.
Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 56.
Тематические интересы: Контент сосредоточен на ключевых темах, таких как llm, программирование, параметр, визуализация, stepik.

📝 Описание и контентная политика

Автор описывает ресурс как площадку для выражения субъективного мнения:
“@workakkk - админ @data_analysis_ml - ds https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946”

Благодаря высокой частоте обновлений (последние данные получены 17 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.

14 048

Подписчики

Нет данных24 часа

-77 дней

-6930 день

2 445

Просмотры поста

~ 98224 часа

~ 1 18048 часов

17.40%

Коэффициент вовлеченности

Нет данных

Постов в день

Ads index

beta

Архив постов

14 048

ЛУЧШЕЕ ДОКАЗАТЕЛЬСТВО теоремы Синусов источник

14 048

🔥 БЕСПЛАТНЫЙ КУРС ПО СОЗДАНИЮ НЕЙРО-СОТРУДНИКОВ НА GPT И ДРУГИХ LLM 🔥 Ищете практический и углубленный курс, чтобы освоить создание нейро-сотрудников? Мы создали курс из 5 объемных занятий. Это именно то, что нужно, чтобы прокачать свои навыки абсолютно бесплатно! 📌 Темы занятий: 1. Введение в мир нейро-сотрудников 2. Как работают LLM и их аналоги 3. Создание базы знаний для нейро-сотрудника (RAG) 4. Тестирование и отладка нейро-сотрудников 5. Интеграция нейро-сотрудников в Production Вот 5 тем курса - он максимально простой и доступный, общеобразовательный, без какого-либо сложного программирования 📚Прохождение этого курса, скорее всего, займет у вас от 1 до 3 часов 🤖 Присоединяйтесь к нашему бесплатному курсу и разберитесь в этой увлекательной теме с нами!

14 048

Как мнимые числа спасли математику Вероятно, вы слышали про мнимую единицу, или «i». Это число, которое при возведении в квадрат даёт -1 (минус один). Тем, кто из школьной программы помнит, что результат возведения в квадрат всегда положительный, это может показаться странным. Не переживайте, долгое время идея о квадратных корнях отрицательных чисел ставила в тупик величайших математиков. Тем не менее мнимые числа вошли в обиход и доказали свою пользу: с их помощью мы не только научились решать некоторые уравнения, но и получили возможность узнать чуть больше о том, как на самом деле устроена Вселенная. Историю их появления, как мы считаем, вполне достойную экранизации, расскажет Дерек Маллер в новом видео. источник

14 048

⚙️🦾 Ансамбли моделей в Scikit-learn — усиливаем ML-модели за счёт объединения Ансамбли моделей — проверенный способ повысить стабильность и точность прогнозов. На открытом уроке разберём, как объединять алгоритмы, чтобы добиться лучших результатов. Вы научитесь использовать bagging, boosting, stacking, сравните одиночные и ансамблевые модели и увидите, как на практике растут метрики. Разберём популярные инструменты библиотеки: RandomForest, GradientBoosting, VotingClassifier, StackingClassifier — и посмотрим, какие из них работают эффективнее для ваших задач. Урок будет полезен ML-инженерам, аналитикам и разработчикам, которые хотят не просто обучать модели, а добиваться максимального качества и устойчивости решений. Вы поймёте, как валидировать ансамбли, комбинировать подходы и избегать ошибок при настройке. ➡️ 2 декабря в 20:00 МСК. Открытый урок проходит в преддверии старта курса «Machine Learning. Professional». Регистрация открыта: https://otus.pw/sgp2/?erid=2W5zFK5knik Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

14 048

✨ Превращай математику в живые анимации с Manim Статические слайды — это хорошо, но сложные идеи гораздо легче объяснить через динамические визуализации. Manim позволяет создавать профессиональные математические анимации в Python — такие же, как в видео 3Blue1Brown. Что делает Manim мощным: • MathTex — задаёт формулы в LaTeX • Transform — плавно превращает одну формулу в другую • play() и wait() — управляют ходом анимации • Рендеринг одной командой: manim -p -ql script.py Manim — идеальный инструмент, когда нужно не просто показать формулу, а *объяснить идею* так, чтобы она оживала на экране. https://docs.manim.community/en/stable/reference/manim.mobject.geometry.html#module-manim.mobject.geometry

14 048

Привет! Авито проводит второй ML reading club, в этот раз с Денисом Кайшевым, Senior Backend Engineer. Вместе со зрителями прочитаем и разберём статью Demystifying NCCL: An In-depth Analysis of GPU Communication Protocols and Algorithms. Изучим архитектуру библиотеки NCCL и обсудим: — как работают её внутренние механизмы, для которых почти нет документации; — как описываются способы обмена при взаимодействии intra/inter node; — как строятся алгоритмы коллективных операций. Найдём узкие места библиотеки и выясним, как оптимизировать производительность распределённых вычислений. 📌 Встреча пройдёт 20 ноября в 18:00 в Контур.Толке. ⌚️ Ссылку на подключение пришлём в канал «Доска AI-объявлений» за час до начала эфира.

14 048

🚨 Новая редкая работа от Терренса Тао: AlphaEvolve решает часть математических задач лучше людей Google представила AlphaEvolve - систему, которая эволюционным поиском находит решения к сложным математическим задачам. Тао протестировал её на 67 задачах из разных областей: от неравенств до числовых констант. 📌 Что проверяли - задача о «движущемся диване» в 2D и 3D - Kissing problem в N-мерном пространстве - упаковка окружностей - задача IMO 2025 по тесселяции - задача о стопках блоков 🧠 Как работает AlphaEvolve Алгоритм запускает множество параллельных попыток, проверяет решения, а затем «скрещивает» лучшие идеи, отбирая наиболее успешные. 🔥 Интересные выводы - сильнее модель - быстрее сходимость (хотя не всегда) - параллельность ускоряет поиск, но сильно увеличивает стоимость - reward hacking встречается часто - результаты значительно лучше, если похожие задачи были в обучении и если процесс направляет эксперт (особенно когда эксперт - сам Тао) 💡 Важное предложение из статьи Тао предлагает вводить класс задач «AlphaEvolve-hard» - те, где ИИ не может легко нарушить неравенство или найти конструкцию. Такие задачи требуют принципиально нового человеческого инсайта. Эта работа пролетела почти незаметно, но я провёл над ней больше двух часов - и это одна из самых впечатляющих математических статей за последнее время. https://www.alphaxiv.org/abs/2511.02864v1

14 048

Красота неосвещенных геометрических проблем 0:00 — О чем это видео 0:24 — Задача об освещении многоугольника 1:34 — А как быть с вершинами? 2:06 — Существует ли другие примеры? 2:50 — Открытая проблема о зеркальных кругах 3:31 — Циклический путь в остроугольном треугольнике 4:30 — Экстремальный признак 5:22 — Прямоугольные, тупоугольные и равнобедренные 6:13 — Луч внутри прямоугольника 6:38 — Окружность и каустики траекторий 8:06 — Каустики траекторий в эллипсе 9:46 — Бильярд Пенроуза 10:38 — Коэффициент диффузии 12:11 — Мельница Токарского 12:35 — Четырехугольник Токарского источник

14 048

Задача: сколько весит красный шар? На весах: Слева: 6 шаров + груз 2 кг Справа: 4 шара + груз 7 кг Разница между грузами: 7 − 2 = 5 кг Разница между шарами: 6 − 4 = 2 шара То есть 2 шара = 5 кг → один шар = 2.5 кг. Ответ: красный шар весит 2.5 кг.

14 048

🔥 Подборка полезных ресурсов для программистов. Здесь ты найдёшь всё это - коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Devops: t.me/DevOPSitsec Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_1001_notes Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy Папка Linux:https://t.me/addlist/w4Doot-XBG4xNzYy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Сохрани себе, чтобы не потерять!

14 048

🚀 VibeThinker: Новый стандарт в моделях с малым количеством параметров Это 1.5B модель, которая демонстрирует выдающиеся способности в решении математических задач, соперничая с гораздо более крупными моделями. Используя инновационную методику постобучения, она достигает результатов, сопоставимых с открытыми моделями, такими как GPT OSS-20B Medium, при значительно меньших затратах. 🚀Основные моменты: - Эффективность: 1.5B параметров, производительность на уровне 1000B+ моделей. - Инновационная методология: "Spectrum-to-Signal Principle" для улучшения разнообразия выходных данных. - Выдающиеся результаты: Превосходит модели, в 10-600 раз большие. - Экономичность: Разработка модели стоит всего $7,800 против сотен тысяч для конкурентов. 📌 GitHub: https://github.com/WeiboAI/VibeThinker #python

14 048

Repost from Machinelearning

💡 GPT-5 и Sudoku-Bench, почему новые модели всё ещё ломаются на судоку Sakana AI представили Sudoku-Bench - набор классических и продвинутых судоку-задач, который проверяет не память модели, а её способность рассуждать, понимать новые правила и держать всю логику пазла в голове. Они протестировали современные модели, включая GPT-5 и методы тонкой настройки вроде GRPO и thought-cloning. Главное: GPT-5 стала первой моделью, которая уверенно решает часть сложных задач и показала около 33 % успешных решений на наборе challenge_100. Ранее ни одна LLM не справлялась даже с обычным 9×9. Но треть решённых - это всё ещё мало: большая часть задач остаётся нерешённой, особенно варианты с необычными правилами. Ключевая трудность в том, что такие головоломки требуют не просто следовать правилам, а уметь понять незнакомые ограничения, найти стратегию «входа», просчитывать ходы вперёд и сохранять глобальную согласованность. Модели часто делают правильные локальные шаги, но теряют общую структуру. GRPO и thought-cloning дают улучшения, но пока не позволяют моделям преодолеть сложные варианты. Даже с обучением на человеческих примерах ИИ быстро «запутывается» в длинных логических цепочках. Sudoku-Bench - это тест на реальное рассуждение, а не на подбор паттернов. Он проверяет пространственное мышление, логику, способность адаптироваться и работать с новыми правилами. Прогресс на таких задачах - показатель движения к более структурному и осмысленному ИИ. Авторы предлагают Sudoku-Bench как стандарт, по которому можно судить, насколько модели действительно умеют думать. Для будущих систем важны не просто большие параметры, а развитая логика, планирование и умение работать с новыми структурами задач. @ai_machinelearning_big_data #ai #ml #sakana

14 048

👿 Data Dojo 27 ноября: программа встречи Data Dojo — мероприятие Яндекса для ML-энтузиастов всех уровней. Какие будут лекции: 17:10 Обзор трендов и предварительные итоги года

Сергей Овчаренко, руководитель отдела мультимодального анализа и генерации

17:40 Научить AI не бредить, сдать физику и получить права: как мы готовили задачи ML-квалификации Yandex Cup

Сергей Фиронов, ведущий разработчик службы поведения и предсказания департамента Автономного транспорта

18:10 Кухня, гости, музыка: как мы научили колонку реагировать в реальном хаосе

Дмитрий Солодуха, руководитель команды голосовой активации

Собираемся в 16:00. Фуршет, нетворкинг, мастер-класс, afterparty — будет всё. Регистрируйся

14 048

AI, который сам выводит законы физики Команда из Университета Цинхуа, Пекинского университета и других исследователей представила систему PhyE2E - ИИ, который способен автоматически выводить физические уравнения прямо из сырых данных. Без участия человека. Модель обучена на реальных научных датасетах и известных физических законах. Она сочетает трансформеры и символьное рассуждение, чтобы генерировать компактные, корректные по единицам измерения и понятные учёным уравнения. На астрофизических данных NASA PhyE2E не только воспроизвёл человеческие результаты, но и предложил улучшенную формулу солнечных циклов. Это шаг за пределы обычного «подбора кривой»: ИИ начинает учиться тому, как устроена Вселенная, и выражает это на человеческом языке — уравнениями. Исследователи называют PhyE2E первым шагом к автоматическому научному открытию, где ИИ не просто анализирует данные, а выводит новые законы природы. Если такие системы будут развиваться дальше, темпы научного прогресса могут увеличиться на порядки — действительно в тысячи раз. https://phys.org/news/2025-11-ai-framework-uncover-space-physics.html

14 048

🔬 Учёные из Польши: квантовые частицы связаны "на расстоянии" просто потому, что они одинаковые Физики-теоретики из Польши показали, что *нелокальность* — загадочная "мгновенная связь" между квантовыми частицами — может возникать без запутанности и без взаимодействия. 🔍 Почему? Потому что одинаковые квантовые частицы (например, электроны или фотоны) неотличимы по сути. И этого уже может быть достаточно, чтобы возникали скрытые "связи" на расстоянии. 1. Проще квантовая связь Если нелокальные связи возникают *автоматически*, то не нужно всегда настраивать хрупкую запутанность. ➡️ Это может упростить квантовые сети и сделать их стабильнее. 2. Новый подход к квантовым компьютерам Возможно, мы сможем использовать *встроенные* нелокальные корреляции, чтобы сделать вычисления более надёжными и энергоэффективными. 3. Иная перспектива на телепортацию Сейчас телепортация работает на основе запутанности. Но если *нелокальность встроена изначально*, возможно появление телепортации без запутанности. 👀 4. Глубокий намёк на структуру Вселенной Если нелокальность — свойство *тождественности частиц*, то пространство и время могут быть производными, а информация — фундаментальна. Это поддерживает идеи квантовой гравитации и теории симуляции. 🌌 Вывод Это не телепортация людей (пока). Но если *вселенная уже "проводит кабель"* между частицами, нам остаётся лишь подключиться. Возможно, Вселенная уже всё подготовила. Надо только понять, как этим воспользоваться. https://www.nature.com/articles/s41534-025-01086-x

14 048

🧠 IBM объясняет, как математика симметрий помогает создавать новые квантовые алгоритмы Математика групп — это про симметрии: как объекты можно менять местами, вращать или переставлять, и что при этом остаётся неизменным. IBM показывает, что те же самые идеи лежат в основе квантовых вычислений — и помогают искать задачи, где квантовые алгоритмы могут быть быстрее классических. Ключевые идеи: - Симметрии в природе описываются теорией групп - Квантовые системы тоже подчиняются симметриям - Если правильно описать задачу через симметрии, можно найти квантовый алгоритм с ускорением - IBM работает с более сложными (не-абелевыми) симметриями — это следующий уровень, сложнее и мощнее Зачем это всё Мы ещё не нашли много «убойных» квантовых алгоритмов. Подход через симметрии — это способ открывать новые, а не только улучшать старые. Если коротко: Математика симметрий может стать картой для поиска новых квантовых алгоритмов. Подробнее: https://www.ibm.com/quantum/blog/group-theory Видео: https://www.youtube.com/watch?v=eSy-pwkLiIQ #quantum #math #grouptheory #IBMQuantum #algorithms

14 048

Repost from Machine learning Interview

🧠 ИИ теперь не только создаёт знания — он их спасает Издательская группа Frontiers сообщила: около 90% научных данных никогда не переиспользуются и не публикуются должным образом. Иными словами, большинство открытий исчезает в цифровом небытии. Чтобы это изменить, Frontiers запустила платформу на базе ИИ, которая - сканирует забытые исследования, - систематизирует данные, - и связывает их между собой, превращая «потерянные» результаты в новые открытия. 💡 Наука тонет в данных — и теперь именно ИИ помогает достать их на поверхность. https://www.sciencedaily.com/releases/2025/10/251013040314.htm

14 048

Высшая математика. Математическое программирование Кузнецов А.В., Сакович В.А., Холод Н.И. (2013) Излагаются методы решения задач линейного программирования, элементы теории двойственности, рассматриваются программирование на сетях, дискретное и выпуклое программирование, основы теории матричных игр, динамического и параметрического программирования, даются сведения из стохастического программирования, излагаются методы решения задач транспортного типа. Основное внимание уделено приложениям математических методов в экономике, приведены примеры экономического содержания с анализом полученных результатов.

14 048

🚀 Новый курс на Stepik: Computer Vision Engineer Соберите production-ready CV-сервис: данные → модель → деплой → метрики. Что внутри • Задачи: классификация, сегментация, детекция, трекинг, OCR/Doc-AI • Данные: разметка, баланс классов, аугментации (Albumentations), DataOps • Инференс: ONNX/TensorRT, смешанная точность, батчинг, троттлинг • Сервинг: FastAPI/gRPC, очереди сообщений, асинхронные пайплайны • Надёжность: мониторинг, дрейф данных, алерты, регрессионные тесты • MLOps для CV: mAP/IoU/Dice, A/B-тесты, бюджет по инфре • Прод: Docker/Compose, CI/CD, профилирование p95 и cost/req 🎯 Итог: портфолио-проект + репозиторий + чек-листы деплоя и мониторинга + сертификат Stepik. 🔥 Промокод COMPUTERVISION: −30% на 48 часов. 👉 Пройти курс со скидкой

14 048

ВВС: История математики Часть 1 Язык вселенной Часть 2 Гений Востока Часть 3 Пределы пространства Часть 4 За пределы бесконечности Математика - универсальный язык Вселенной, фундамент, на котором основаны все другие науки. Как человечество смогло открыть тайны этого универсального языка? Начиная с древнейших времен, прослеживается история математики до наших дней и завершается рассказом о наиболее важных проблемах современности. За решение каждой из этих "проблем тысячелетия" полагается крупное денежное вознаграждение. Но главное, их решение позволит лучше понять устройство нашего мира.