![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dl&w=48&q=75){kind=small}
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. MAX - https://max.ru/devsp Личный блог - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD
Показати більше![Frontender's notes [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1qrVZ3%2F5348049928330532677%3Fty%3Dx&w=32&q=75){kind=small}
Сітка:📈 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 19 699 підписників, посідаючи 6 672 місце в категорії Технології та додатки та 33 379 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 19 699 підписників.
За останніми даними від 31 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -102, а за останні 24 години на -1, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.84%. Протягом перших 24 годин після публікації контент зазвичай збирає 4.63% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 544 переглядів. Протягом першої доби публікація в середньому набирає 913 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 4.
- 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.
MAX - https://max.ru/devsp
Личный блог - @just_genych
По вопросам рекламы или разработки - @g_abashkin
РКН: https://vk.cc/cJPGXD”
Завдяки високій частоті оновлень (останні дані отримано 01 листопада, 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.
19 699
Підписники
-124 години
-37 днів
-10230 днів
Архів дописів
![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dx&w=64&q=75){kind=small}
⚙️ Claude, есть пробитие: взламываем самую защищенную модель
В статье показывают, как обойти фильтры модели Claude с помощью модифицированного метода внедрения системных директив, чтобы заставить её выполнять запрещённые инструкции
Читать...
+5
🤔 Кандидатогенерация в RecSys — это база. А что, если её просто выкинуть?
Именно так сделали инженеры Яндекс Лавки. Они пересобрали свой рекомендательный пайплайн и научились в рантайме скорить полный каталог даркстора.
Внутри детального разбора:
— Как удалось уложить скоринг нескольких тысяч SKU в дедлайн 300 мс.
— От каких ресурсоёмких фичей пришлось отказаться ради перфоманса.
— Как этот шаг повлиял на выручку и A/B тесты.
📊 Кейс для всех, кто любит хардкорную оптимизацию и не боится ломать каноны.
⚙️ Как я не дал ИИ сойти с ума: гайд по промптам и багам
В статье — почему нейросети галлюцинируют, примеры «дорогих» ошибок, и промпты для тех, кто работает с кодом, текстами и дизайном.
Читать...
Интелион Облако запускает розыгрыш 🎉
Главный приз – 3 сервера с А10 или А5000. Также разыгрываются приятные скидки.
Запусти нейросеть, рендер, LLM или сложные вычисления на топовом GPU за 1 рубль!
Как принять участие:
1. Зарегистрироваться на Intelion.cloud
2. Заполнить форму розыгрыша
3. Подписаться на ТГ канал
Итоги подведем 5 июля в прямом эфире в канале Artificial Intelion.
Не забудь поделиться с другом!
👩💻 Normalization of Numerical Data
Напишите функцию, которая принимает список чисел и нормализует его, преобразуя значения в диапазон от 0 до 1. Это полезно для подготовки данных перед обучением модели машинного обучения.
➡️ Функция работает следующим образом:
• Находит минимальное и максимальное значение в списке. • Вычисляет нормализованное значение для каждого элемента по формуле: normalized = (𝑥 − min) / max − min) • Возвращает новый список с нормализованными значениями.Решение задачи🔽
def normalize(data): min_val = min(data) max_val = max(data) # Избегаем деления на ноль, если все элементы равны if max_val == min_val: return [0.0] * len(data) return [(x - min_val) / (max_val - min_val) for x in data] # Примеры использования data = [10, 20, 30, 40, 50] print(normalize(data)) # Ожидаемый результат: [0.0, 0.25, 0.5, 0.75, 1.0]
⚙️ Генерация видео: Обзор интересных подходов | Text-2-video | Part 1
В статье разбирают основные методы генерации видео на основе текста (T2V): от адаптации T2I с AnimateDiff до новинок 2025 года вроде Wan2.1 и HunyuanVideo. Первая часть обзора
Читать...
🧠 Как ML помогает физикам искать новые частицы
В 2025 году российские ученые стали лауреатами Breakthrough Prize — престижной научной премии за фундаментальные открытия. Выпускники ШАДа Яндекса и специалисты НИУ ВШЭ применили машинное обучение для анализа данных с Большого адронного коллайдера.
📊 Кейс про то, как алгоритмы (CatBoost, генеративные модели и др.) работают на границе физики и Вселенной и использовались в исследованиях лауреатов
Читать
🔥 Самые интересные статьи за последние дни:
• Не бойтесь потоков в Python, они не кусаются
• Рубрика: VPS на пределе возможностей. LLM на CPU с 12Gb RAM
• Предвзятость русскоязычных LLM: кого машина считает «обычным человеком»?
• Семантический веб: краткий обзор технологий и инструментов
• Инструмент обеспечения качества данных: от теории к практике
👩💻 Предсказание цены дома по площади
Напишите модель линейной регрессии, которая будет предсказывать цену дома на основе его площади в квадратных метрах.
Сгенерируйте искусственные данные, обучите модель и сделайте предсказание для нового значения.
Решение задачи🔽
import numpy as np from sklearn.linear_model import LinearRegression import matplotlib.pyplot as plt # Генерация данных np.random.seed(0) area = np.random.randint(30, 150, size=100).reshape(-1, 1) # площадь от 30 до 150 м² price = area * 1000 + np.random.normal(0, 10000, size=area.shape) # цена с шумом # Обучение модели model = LinearRegression() model.fit(area, price) # Предсказание new_area = np.array([[100]]) predicted_price = model.predict(new_area) print(f"Ожидаемая цена дома 100 м²: {predicted_price[0][0]:,.0f}₽") # Визуализация plt.scatter(area, price, label='Данные') plt.plot(area, model.predict(area), color='red', label='Линейная модель') plt.xlabel('Площадь (м²)') plt.ylabel('Цена (₽)') plt.legend() plt.show()
👀 Часть 2: Vision Transformer (ViT) — Когда трансформеры научились видеть
Рассказываю, как Vision Transformer заменил свёртки на внимание, почему изображения теперь режут на патчи, и в каких случаях трансформеры действительно видят, а когда всё ещё слепы.
Читать...
💯 нейросетей для ЛЮБЫХ задач.
Составили шпаргалку с бесплатными нейросетями - тексты, кодинг, аудио, видео, дизайн, слив данных и много чего ещё.
✅ Подробности в закрепе
⚙️ Будущее ИИ — формальные грамматики
Разбираюсь, почему LLM иногда несут чушь: слишком много вариантов и мало правил. В статье покажу, как формальные грамматики помогают приручить этот хаос и научить модели мыслить структурно
Читать...
🧼 Почистить — значит улучшить
Устаревшие TODO, забытые константы, лишние зависимости — они не тормозят выполнение, но тормозят мышление.
👉 Совет: выделяй время на регулярную «гигиену проекта». Удаляй всё, что больше не используется. Не потому что надо — а потому что потом будет легче думать, читать и добавлять новое.
⚙️ Локальный чатбот без ограничений: гайд по LM Studio и открытым LLM
Ставлю себе локальный ИИ, чтобы не светить код в облаке. Подключаю LM Studio, балуюсь с системными промптами, прикручиваю бота к VS Code и проверяю, может ли он реально помогать в разработке
Читать...
⚙️ Я делал концепции зданий 12 лет, а потом пришла нейросеть
12 лет я придумывал здания сам, но теперь рядом сидит ИИ. Рассказываю, как нейросети ворвались в архитектуру: где реально ускоряют, а где только мешают и требуют «додумать за них»
Читать...
👩💻 Как работает модуль
os в Python для работы с файловой системой?
Модуль os в Python предоставляет инструменты для взаимодействия с операционной системой. С его помощью можно управлять файлами и директориями, получать информацию о системе и переменных окружения, а также выполнять системные команды. Этот модуль особенно полезен для кроссплатформенных сценариев.
➡️ Пример:
import os
# Получение текущей директории
current_dir = os.getcwd()
print('Текущая директория:', current_dir)
# Создание новой директории
os.mkdir('new_folder')
print('Создана директория new_folder')🗣 os позволяет удобно и кроссплатформенно работать с файловой системой, выполнять команды и настраивать окружение.
🤔 ИИ с человеческим лицом: какие ошибки повторяют модели и что с этим делать
В статье рассказывают, почему ИИ, как и люди, подвержен когнитивным искажениям: самоуверенность, предвзятость и шаблонное мышление — как это влияет на бизнес и технологии
Читать...
⚡ Эксклюзивный доступ к папке «AI & TECH & IT» - доступ к тому, о чем еще молчат!
🟠 Эксклюзивные инсайды: от инноваций в стартапах до тайных разработок корпоративных гигантов!
🟠 Новости раньше всех: эксклюзивные данные и глубокий анализ до их появления в медиа.
🟠 Превратите знания в действия: реальные идеи для вашего успеха и развития в сфере IT!
📎 Подпишитесь на «AI & TECH & IT» и будьте на шаг впереди прогресса!
👉 ПОДПИСАТЬСЯ СЕЙЧАС
⚙️ Есть ли у AMD перспективы в AI/ML/DL. Часть 1
В статье старший MLOps-инженер из Selectel рассказывает о сравнении документации AMD и NVIDIA в области AI/DL/ML: ожидания, реальность и погружение в хаос терминов
Читать...
Казань, пора выкатывать лето на прод
12 июля в вашем городе пройдет ИТ-фестиваль «Сезон кода» для опытных backend-разработчиков, аналитиков, QA-инженеров и других специалистов.
Группа Т-Технологий и спикеры из Т-Банка зовут обмениваться опытом и слушать доклады под открытым небом.
Будет 3 секции, где вы узнаете:
— Как клиентоориентированный код решает задачи пользователей и бизнеса.
— Как идеи становятся технологиями и упрощают работу инженеров.
— Какие приемы используются в backend-разработке и как устроены продукты группы Т-Технологий.
Кейсы, вдохновение и развлечения тоже будут. Успейте зарегистрироваться до 10 июля.
Зарегистрироваться
#реклама 16+
meetup.tbank.ru
О рекламодателе
