uk
Feedback
Data Science | Machinelearning [ru]

Data Science | Machinelearning [ru]

Відкрити в Telegram

Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. Личный блог автора - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD

Показати більше

📈 Аналітичний огляд Telegram-каналу Data Science | Machinelearning [ru]

Канал Data Science | Machinelearning [ru] (@devsp) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 20 021 підписників, посідаючи 6 726 місце в категорії Технології та додатки та 33 725 місце у регіоні Росія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 20 021 підписників.

За останніми даними від 18 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -63, а за останні 24 години на -3, загальне охоплення залишається високим.

  • Статус верифікації: Не верифікований
  • Рівень залученості (ER): Середній показник залученості аудиторії становить 8.21%. Протягом перших 24 годин після публікації контент зазвичай збирає 4.21% реакцій від загальної кількості підписників.
  • Охоплення публікацій: В середньому кожен допис отримує 1 645 переглядів. Протягом першої доби публікація в середньому набирає 843 переглядів.
  • Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 7.
  • Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як llm, nvidia, контекст, openai, архитектура.

📝 Опис та контентна політика

Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. Личный блог автора - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD

Завдяки високій частоті оновлень (останні дані отримано 19 червня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.

20 021
Підписники
-324 години
-507 днів
-6330 день
Архів дописів
🧩 Реализация паттерна «Одиночка» на Python Мечтаешь о коде, который работает как швейцарские часы? Паттерн «Одиночка» может стать тем самым механизмом, который заставит все шестеренки крутиться идеально. Читать...

🛠 4 полезных инструмента для работы с ИИ: RAGFlow, The Pipe, UFO и SWE-agent В этой статье мы рассмотрим 4 ИИ-инструмента, которые расширяют возможности разработчика: от платформ для работы с документами до агентов, способных исправлять ошибки в коде. Читать...

🤔 Метрологический дефицит в бигдате: что это такое и как с ним бороться Статья объяснит, почему данные, используемые в ИИ и машинном обучении, часто искажаются преобразованиями. Обсудим измерительные приборы, их влияние на производственные процессы и важность понимания этого эффекта. Читать...

➡️ Как мы перенесли распознавание на базе ИИ в веб и изменили веб-банкинг? В Markswebb оценили Статья расскажет о ежегодном рейтинге лучших веб-версий банковских приложений 2024 года от Markswebb. Лидеры рейтинга использовали ИИ-решения Smart Engines для улучшения клиентского опыта и достижения рекордов. Читать...

⚙️ AILink для Wolfram и плагины для ChatGPT Статья расскажет, как с помощью Wolfram Language создать ассистента на базе OpenAI API и добавить плагины. Также рассматривается удобство работы в интерактивном блокноте и обход региональных блокировок OpenAI. (197 символов) Читать...

Вебинар: «Как построить pipeline предобработки данных для машинного обучения» 📅 Дата: 21 октября 2024, 18:00 (МСК) 👩‍💻 Спи
Вебинар: «Как построить pipeline предобработки данных для машинного обучения» 📅 Дата: 21 октября 2024, 18:00 (МСК) 👩‍💻 Спикер: Мария Тихонова 🚀 О чем поговорим: На вебинаре вы научитесь строить полноценный pipeline для подготовки данных под задачи машинного обучения. Мы обсудим ключевые шаги, такие как Exploratory Data Analysis (EDA) и предобработка данных, на конкретных примерах. 💼 Что вы получите: - Разберетесь, как проводить разведочный анализ данных (EDA). - Изучите лучшие практики по очистке, трансформации и подготовке данных для ML-моделей. - Поймете, как избежать типичных ошибок при работе с данными. 📌 Встречаемся в преддверии старта курса «Machine Learning. Basic». Все участники вебинара получат специальную цену на обучение! 👉 Для участия зарегистрируйтесь на сайте: https://otus.pw/mkVE/ Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

😎 Искусство аугментации: как улучшить модели компьютерного зрения без сбора новых данных В статье рассказывается о методе аугментации данных для улучшения работы моделей компьютерного зрения. Вы узнаете, как с помощью этого метода увеличить количество данных, повысить точность модели и избежать типичных ошибок. Читать...

Как Лента формирует эффективный ассортимент на основе данных В этой статье расскажу про путь к управлению ассортиментом на основе данных и наш флагман – приложение Deli – рабочее место, в котором менеджер анализирует матрицу своих категорий и вносит в нее изменения на основе рекомендаций алгоритма. Читать...

🖥 Транскрибируем аудио и создаём субтитры для видео с помощью Whisper, FFmpeg и Python В этом пошаговом гайде вы узнаете, как быстро автоматизировать процесс транскрибации и добавления субтитров к видео за считанные минуты. Читать...

⚙️ Построим GPT: с нуля и шаг за шагом В этой статье я построил GPT архитектуру на данных из произведений Шекспира и получил достаточно впечатляющие результаты. Читать...

🖥 Сервис для обхода блокировки OpenAI API в России или ваш первый API В статье объясняется, как с помощью FastAPI и Docker создать сервис для обхода блокировки OpenAI в России. Описываются шаги по настройке пересылки запросов через сервер, чтобы обойти ограничение доступа по IP. Читать...

🔈 От звука к смыслу: распознавание речи в видеоконтенте В данной статье мы рассмотрим проект по распознаванию речи из видео, преимущества и недостатки данной разработки, а также посмотрим на то, как ее внедрение помогло ускорить работу аналитиков и разработчиков на проекте. Читать...

NLP Researchers, отметьте в календаре 26 октября🌟 Всего за один день вы сможете пройти все этапы отбора, познакомиться с ком
NLP Researchers, отметьте в календаре 26 октября🌟 Всего за один день вы сможете пройти все этапы отбора, познакомиться с командой GigaCode и получить оффер. Мы создаем AI ассистента разработчика – GigaCode. Наши модели помогают писать 80к строк кода ежедневно! Решаем задачи по различным подходам в NLP и PLP, проводим ресёрч-эксперименты и обучаем новые SOTA LLM. В работе используем: NLP, DL, ML, Python, Pytorch, Transformers, FSDP, Deepspeed. Чем предстоит заниматься? ✅ реализовывать дизайн экспериментов, формулировать гипотезы для улучшения NLP/PLP моделей и алгоритмов, планировать исследовательские эксперименты с выводами. ✅ проводить эксперименты, писать код, подготавливать датасеты и бенчмарки, проводить замеры и анализ результатов. ✅ обучать модели на кластере, включая обучение моделей с нуля и дообучение опенсорс моделей. Если вы амбициозны и готовы к новым вызовам в PLP и/или NLP направлениях, регистрируйтесь на One Day Offer! Будем делать важнейшие исследования вместе!💚

⚙️ 6 основных алгоритмов машинного обучения: руководство для начинающих В этой статье мы расскажем о шести основных алгоритмах машинного обучения и их практическом применении в различных отраслях. Читать...

🎓 5 задач для подготовки к собеседованию по Python Используем алгоритмы Манакера и заметающей прямой, определяем границы окна с k-элементами, вычисляем площадь участков разного цвета и находим наибольшую увеличивающуюся подпоследовательность. Читать...

🤖 42 секунды и 5 запросов: как взламывают генеративные ИИ-модели Ты знал, что злоумышленникам для взлома генеративных ИИ достаточно всего 42 секунды и пяти запросов? В этой статье мы разберем, как это происходит, какие уязвимости существуют и как защитить свои системы от подобных атак. Читать...

🤔 В чём различия между Data Science, машинным обучением, ИИ, глубоким обучением и Data Mining Эта статья поможет вам не только понять, какие исследования и опыт позволяют извлекать знания из данных, чтобы делать машины умнее, но и как конкретно это происходит. Читать...

☁️ Как обучить ИИ в облаке Сегодня мы хотим поделиться с вами нашим успешным кейсом, который наглядно демонстрирует, как облачные технологии могут значительно улучшить и ускорить процессы разработки и обучения ИИ. Читать...

📨 Пример использования программы для парсинга e-mail адресов с сайтов, созданный ИИ Сегодня делимся программой для парсинга e-mail с сайтов, созданной за 30 минут с помощью ИИ от Rokitok. Это показывает, как ИИ ускоряет задачи, на которые раньше уходили дни или большие бюджеты. Читать...

True Tech Hub в Иннополисе МТС приглашает на митап для ИТ-специалистов, который пройдет в Иннополисе 26 октября. Программа ме
True Tech Hub в Иннополисе МТС приглашает на митап для ИТ-специалистов, который пройдет в Иннополисе 26 октября. Программа мероприятия: 1. «Проверка продуктовых гипотез на примере процессов в МТС». Сергей Яковлев, Tech Lead, МТС 2. «Как наладить работу аналитики с остальной командой». Никита Цыбин, ведущий аналитик, МТС 3. «Что такое пользовательская история и как она помогает SA/BA и PO», Эвита Шарафутдинова, ведущий аналитик, МТС 4. «Экстремальная оптимизация моделей машинного обучения и векторных данных: как комбинировать прунинг, квантование и снижение размерности». Альберт Насыбуллин, ведущий разработчик, МТС 4. «Повышение качества информационного поиска за счет использования RAG в AI», Владислав Шевченко, red_mad_robot Регистрируйся