Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
Математика Дата саентиста
Открыть в Telegram
@workakkk - админ @data_analysis_ml - ds https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946
Больше📈 Аналитический обзор Telegram-канала Математика Дата саентиста
Канал Математика Дата саентиста (@data_math) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 14 054 подписчиков, занимая 9 178 место в категории Технологии и приложения и 47 284 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 14 054 подписчиков.
Согласно последним данным от 20 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -44, а за последние 24 часа — 2, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 18.28%. В первые 24 часа после публикации контент обычно набирает 6.82% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 2 569 просмотров. В течение первых суток публикация набирает 958 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 52.
- 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 21 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.
14 054
Подписчики
+224 часа
+77 дней
-4430 день
Архив постов
🧮Расчет косинусного сходства в Python
Косинусное сходство — это мера сходства между двумя векторами пространства внутреннего произведения.
Для двух векторов, A и B, косинусное сходство вычисляется как:
Подобие косинуса = ΣA i B i / (√ΣA i 2 √ΣB i 2 )
Объясним как вычислить косинусное сходство между векторами в Python с использованием функций из библиотеки NumPy.
Косинусное сходство между двумя векторами в Python
Данный код показывает, как вычислить косинусное сходство между двумя массивами в Python:
from numpy import dot
from numpy. linalg import norm
#define arrays
a = [23, 34, 44, 45, 42, 27, 33, 34]
b = [17, 18, 22, 26, 26, 29, 31, 30]
#calculate Cosine Similarity
cos_sim = dot (a, b)/( norm (a)\* norm (b))
cos_sim
0.965195008357566
Косинусное сходство между двумя массивами оказывается равным 0,965195 .
▪Обратите внимание, что этот метод будет работать с двумя массивами любой длины:
import numpy as np
from numpy import dot
from numpy. linalg import norm
#define arrays
a = np.random.randint(10, size= 100 )
b = np.random.randint(10, size= 100 )
#calculate Cosine Similarity
cos_sim = dot (a, b)/( norm (a)\* norm (b))
cos_sim
0.7340201613960431
▪Однако это работает только в том случае, если два массива имеют одинаковую длину:
import numpy as np
from numpy import dot
from numpy. linalg import norm
#define arrays
a = np.random.randint(10, size= 90 ) #length=90
b = np.random.randint(10, size= 100 ) #length=100
#calculate Cosine Similarity
cos_sim = dot (a, b)/( norm (a)\* norm (b))
cos_sim
ValueError : shapes (90,) and (100,) not aligned: 90 (dim 0) != 100 (dim 0)
🖥 Math — математические функции в Python
Эта статья посвящена математическим функциям в Python. Для выполнения математических операций необходим модуль math.
В C и C++ есть заголовочные файлы, в которых хранятся функции, переменные классов и так далее. При включении заголовочных файлов в код появляется возможность не писать лишние строки и не использовать одинаковые функции по несколько раз. Аналогично в Python для этого есть модули, которые включают функции, классы, переменные и скомпилированный код. Модуль содержит группу связанных функций, классов и переменных.
▪ Статья
@data_math
Как понять, что Data Science — это твое? Расскажет Ирина Скорынина, ведущий аналитик-исследователь Газпромбанка, на новой лекции Digital Лектория.
Когда: 21 июня, 18:00 (по МСК)
Где: Telegram-канал Digital Лектория
Что обсудим: кому будет интересно в сфере Data Science, как развиваться в DS с непрофильным образованием, какими навыками и компетенциями должен обладать Data Scientist и как выглядит roadmap специалиста в этой сфере.
Присоединяйся к лекции «Data Science: быть или не быть» — регистрация уже открыта: https://www.gpbspace.ru/digital-lectory-hall-form
Реклама Банк ГПБ (АО), ИНН: 7744001497 erid:LjN8Jste3
5 супер полезных математических Python библиотек
1. SymPy - это библиотека, которая может использоваться для выполнения символьных вычислений. Она позволяет создавать системы уравнений, получать значения, упрощать формулы и преобразовывать результаты вычислений в код LaTeX, который может быть полезен при написании научных докладов.
>>> from sympy import *
... x = Symbol('x')
... y, z = symbols('y, z')
... expr = (x**2 + y**2) * z
... expr
z*(x**2 + y**2)
>>> expr2 = expr.subs(x, 12)
... expr2.subs(y, 3)
153*z
2. SciPy больше расширяет возможности NumPy, предоставляя множество модулей для различных вычислений. Эта библиотека включает в себя модули, которые позволяют работать с пространственными данными, статистикой и распределениями вероятностей. Если вы работали с MATLAB, то вам не составит труда освоить SciPy.
from scipy import stats
# Берем 30 значений из нормального распределения
# со средним = 25 и стандартным отклонением = 10
a = stats.norm.rvs(size=30, loc=25, scale=10)
# Рассчитываем эксцесс полученной выборки
stats.kurtosis(a)
3. Math - это модуль, который может использоваться, когда необходимо выполнить математические операции, которые недоступны в стандартных операторах Python. Например, вы можете использовать Math для вычисления квадратного корня, логарифма или синуса.
>>> import math
>>> math.sqrt(17)
4.123105625617661
>>> math.sin(33)
0.9999118601072672
>>> math.log(15, 2)
3.9068905956085187
4. NumPy - библиотека, предназначенная для работы с n-мерными массивами, которые похожи на вложенные кортежи, но все элементы должны быть одного типа. NumPy позволяет проводить различные операции над массивами целиком и над их элементами, которые недоступны для стандартных типов данных.
>>> import numpy as np
>>> a = np.array([1, 0.5, -1.9], dtype=float)
>>> b = np.array([[10], [10], [10]], dtype=float)
c = np.array(a*b)
c
array([[ 10., 5., -19.],
[ 10., 5., -19.],
[ 10., 5., -19.]])
Также в этом пакете доступны продвинутые функции и методы для обработки массивов:
>>> # Ищем среднее по вертикали
>>> c.mean(axis=0)
array([ 10., 5., -19.])
>>> # Ищем среднее по горизонтали
>>> c.mean(axis=1)
array([-1.33333333, -1.33333333, -1.33333333])
5. Pandas - библиотека, также основана на NumPy и специализируется на работе с таблицами (DataFrame) и временными рядами (Series).
>>> import numpy as np
... import pandas as pd
... df = pd.DataFrame({
... 'name': ['Viktor', 'Ann', 'Kim'],
... 'age': [20, 35, np.nan],
... 'score': [81.17, 93.7, np.nan]
... })
... df
name age score
0 Viktor 20.0 81.17
1 Ann 35.0 93.70
2 Kim NaN NaN
Библиотека умеет обрабатывать таблицы не хуже полноценных табличных процессоров. Данные можно сортировать, фильтровать и группировать, загружать таблицы в разных форматах и объединять их.
>>> df[df['score'] > 90]
name age score
1 Ann 35.0 93.7🎲 Теория игр: самое начало, без которого дальше будет сложно
Начинаем разбирать теорию игр — это набор инструментов, которые помогают принимать взвешенные, рациональные и точные решения, а также понимать данные. Чем больше данных об игроках и ситуациях — тем точнее анализ и прогноз.
Сегодня будет простое введение — что это, для чего и что внутри. Дальше будем постепенно применять знания на практике.
https://thecode.media/game-theory-1/
@data_math
🔥 Полезные платформы: khanacademy.org - математика
Данная платформа является одним из самых старых и известных источником курсов по школьной (и базовой университетской) программам по математике и точным наукам. Если вы осознаете пробелы в математике - это один из тех ресурсов, который может быть полезен.
Однако, в последние годы, конкурирующие курсы на уровне школьной (high school) программы стали появляться и на coursera.org, и там, на мой взгляд, есть более качественные курсы. В том числе на coursera.org есть очень удачные курсы "математика для data science", которые неплохо подбирают самые важные темы для данной профессии. Единственным недостатком coursera.org является множество альтернативных курсов по одной и той же теме, между которыми придётся выбирать, и также плохо организованный каталог/поисковик курсов. Тем не менее, рекомендую инвестировать время в том, чтобы найти лучшее из доступного там.
Преимущества: khan academy - курсы составлены в учебную программу (как в школе) и нет их дублирования, бесплатность.
@data_math
📚 Название: Mathematical Foundations of Data Science
Автор: Tomas Hrycej, Bernhard Bermeitinger, Matthias Cetto, Siegfried Handschuh
Год: 2023
Страниц: 219
Язык: английский
Формат: pdf (true)
📌Скачать книгу
@data_math
Умеете строить линейную регрессию? Вы уже одной ногой в машинном обучении :)
Освоить всю необходимую базу для работы в одном из самых востребованных направлений можно за 7 месяцев на курсе Start ML.
Вы на практике узнаете как ML-алгоритмы работают под капотом, научитесь обучать
модели и нейронные сети, а также оценивать их влияние на бизнес и продукт с помощью статистики и A/B-тестов — всё под руководством опытных специалистов из Райффайзен и Яндекс.
Курс даст всё необходимое, чтобы уверенно пройти собеседование на позицию Junior ML-специалиста и уже с первых дней быстро расти и приносить компании пользу. С поиском вакансий и трудоустройством обязательно поможем.
Новый поток стартует уже 8 июня, а по промокоду MATHFORML21 для вас действует скидка 5%. Присоединяйтесь!
[Зарегистрироваться]
📚 Интегралы и ряды. В 3 томах - Прудников А.П., Брычков Ю.А., Маричев О.И.
📘 Интегралы и ряды. Элементарные функции [том 1] Прудников, Брычков, Маричев
Том 1. Книга содержит неопределенные и определенные (в том числе кратные) интегралы, конечные суммы, ряды и произведения с элементарными функциями. Она является наиболее полным справочным руководством, включает результаты, изложенные в аналогичных изданиях, а также в научной литературе.
📕 Интегралы и ряды. Специальные функции [том 2] Прудников, Брычков, Маричев
Том 2. Книга содержит неопределенные и определенные интегралы, конечные суммы и ряды со специальными функциями. Она является наиболее полным справочным руководством, включает результаты, изложенные в аналогичных изданиях, а также в научной и периодической литературе. Некоторые результаты публикуются впервые.
📓 Интегралы и ряды. Специальные функции дополнительные главы [том 3] Прудников, Брычков, Маричев
Том 3. Книга содержит неопределенные и определенные (в том числе кратные) интегралы, конечные суммы, ряды и произведения с элементарными функциями. Она является наиболее полным справочным руководством, включает результаты, изложенные в аналогичных изданиях, а также в научной литературе. Книга предназначена для широкого круга специалистов в различных областях знаний, а также для студентов вузов.
📚 Подборка книг для прокачки математического мышления [25 книг]
📔 Математическое мышление Сборник [1989] Вейль Г. (H.Weyl)
📙 Методологический анализ оснований математики [1989] Китчев, Федоров
📕 Механизм творчества решения нестандартных задач [2008] Дрозина В.В., Дильман В.Л.
📘 Построение треугольника [2015] Голубев В.И., Ерганжиева Л.Н., Мосевич К.К.
📗 Другая математика, или Как сформировать математическое мышление у детей 6-10 лет [2017] Лобок А.М.
📓 Математическое мышление [1989] Вейль Герман
📒 Математическое мышление. Книга для родителей и учителей [2019] Джо Боулер
📔 Начальное обучение: математика и логическое мышление [1997] Медведская В.Н., Вавренчук Н.А.
📕 Математика и криптография. Тайны шифров и логическое мышление [2018] Душкин Р.В.
📗 Модельное мышление. Как анализировать сложные явления с помощью математических моделей [2020] Пейдж Скотт
📘 Как не ошибаться. Сила математического мышления [2018] Джордан Элленберг
📙 От алгоритмов — к суждениям (Эксперименты по обучению элементам математического мышления) [1973] Шапиро
📔 От задачи к задаче - по аналогии. Развитие математического мышления [1998] Эрдниев О.П.
📕 Сферодинамика. Математические начала объёмного мышления [2010] Гладков Б.В.
📒 Теорема зонтика, или Искусство правильно смотреть на мир через призму математики [2022] Лонэ Микаэль
📗 Апология математика [2022] Харди Годфри Гарольд
📘 Предисловие к математике [2015] Успенский В. А.
📓 Просто арифметика [2013] Ахманов М. С.
📔 Математика – это просто 2.0. Думай математически [2015] Мэйсон Дж., Бёртон Л., Стэйси К.
📕 Что такое математика? [2015] Курант Р., Роббинс Г.
📒 Математика для взрослых. Лайфхаки для повседневных вычислений [2016] Поскитт К.
📜 Математическое мышление (+ комментарий С.С. Демидова) [1970] Гильберт Давид
#алгоритмы #математика #подборка_книг #math #maths
🎲 Теория вероятностей
Список полезных источников для погружения в теорию вероятностей.
Задачник Шеня: https://www.mccme.ru/shen/proba.pdf
Хорошие задачи с разбором здесь, это мехматовские конспекты: http://dmvn.mexmat.net/content/ptms/pr-probabilitytheory-kondratenko.pdf
Веб-приложения, иллюстрирующие концепции вероятности: http://www.randomservices.org/random/apps/index.html
PCA наглядно - http://setosa.io/ev/principal-component-analysis/
@data_math
Repost from Анализ данных (Data analysis)
🖥 Подборка курсов по статистике и теории вероятностей
Математика — это краеугольный камень Data Science. Хотя некоторые теоремы, аксиомы и формулы кажутся слишком абстрактными и далекими от практики, на самом деле без них невозможно по-настоящему глубоко анализировать и систематизировать огромные массивы данных.
▪«Математическая статистика» курс CS центр.
▪«Основы статистики» курс Bioinformatics Institute.
▪Университетский курс математического анализа
▪«Основы статистики. Часть 2» курс Bioinformatics Institute.
▪«Основы статистики. Часть 3» курс Bioinformatics Institute.
▪Основы работы с векторными величинами в физике
▪«Современная комбинаторика» курс МФТИ.
▪«Теория вероятностей для начинающих» курс МФТИ.
«Теория вероятностей» курс CS центр.
▪«Теория вероятностей - II (дискретные случайные процессы)» курс CS центр.
▪«Теория вероятностей – наука о случайности» курс ТГУ.
▪«Дискретный анализ и теория вероятностей» курс А.М.Райгородского в Академии Яндекса.
@data_analysis_ml
Иногда аналитику или специалисту по DS нужно подтянуть что-то по математике, чтобы решать более сложные задачи на работе. На курсе Яндекс Практикума можно раз и навсегда разобраться с тервером, линалом, матаном и статистикой. А потом — расти в карьере.
Учёбу удобно совмещать с работой: теория и практика будут в интерактивном тренажёре, который можно скачать на смартфон. А опытные преподаватели математики всегда на связи в чате, чтобы объяснить непонятное.
За 4 месяца обучения вы:
→ решите более тысячи задач в онлайн-тренажёре,
→ создадите 4 проекта для своего портфолио,
→ подготовитесь к собеседованиям с помощью симулятора.
Оцените формат и пройдите бесплатный вводный урок: https://practicum.yandex.ru/math-for-da-ds/
Algebra for Beginners | Basics of Algebra
Полезный плейлист на 50 часов, обучающий некоторым базовым вещам, необходимым для понимания того, что происходит в алгоритмах и статьях по data science и не только. Матанализ, статистика, алгебра, линейная алгебра — всё это и ещё немного туториалов по Excel и SQL.
https://www.youtube.com/watch?v=PVoTRu3p6ug&list=PLwYvzp9lBJVmv6yLK1hDH_Hqosl-lzGOl
@data_math
Мы собрали для вас подборку свежих и актуальных книг, по всем языкам программирования.
В подборке не просто новые книги для программистов, но и те книги, которые дают практическую основу с задачами и решениями для получения реального полезных навыков.
🍍 Папка с книгами:
https://t.me/addlist/BkskQciUW_FhNjEy
Я подписан на многие каналы из подборки, но не на все, так что будет из чего выбрать – от глубоко технических авторов, до понятных всем и тп.
Настоящий кладезь книг и знаний здесь
Про неевклидову геометрию Лобачевского: https://postnauka.ru/video/84631
Про понятие числа от Евдокса до Клиффорда: https://postnauka.ru/video/84632
Про группы и алгебры Ли симметрий: https://postnauka.ru/video/73464
📘 Высшая математика в упражнениях и задачах, Часть 1, Данко П.Е., Попов А.Г., Кожевникова Т.Я., 2003.
Содержание первой части охватывает следующие разделы программы: аналитическую геометрию, основы линейной алгебры, дифференциальное исчисление функций одной и нескольких переменных, интегральное исчисление функций одной переменной, элементы линейного программирования. В каждом параграфе приводятся необходимые теоретические сведения. Типовые задачи даются с подробными решениями. Имеется большое количество задач для самостоятельной работы.
📗 Высшая математика в упражнениях и задачах, Часть 2, Данко П.Е., Попов А.Г., Кожевникова Т.Я., 2003.
Содержание II части охватывает следующие разделы программы: кратные и криволинейные интегралы, ряды, дифференциальные уравнения, теорию вероятностей, теорию функций комплексного переменного, операционное исчисление, методы вычислений, основы вариационного исчисления. В каждом параграфе приводятся необходимые теоретические сведения. Типовые задачи даются с подробными решениями. Имеется большое количество задач для самостоятельной работы.
