Data Science
Відкрити в Telegram
DS По всем вопросам- @haarrp @ai_machinelearning_big_data - machine learning @pythonl - Python @itchannels_telegram - 🔥 best it channels @ArtificialIntelligencedl - AI @pythonlbooks-📚 @programming_books_it -📚 Реестр РКН: https://clck.ru/3Fk3zS
Показати більше
Сітка:📈 Аналітичний огляд Telegram-каналу Data Science
Канал Data Science (@datascienceiot) є активним учасником. На даний момент спільнота об'єднує 42 628 підписників, посідаючи 3 136 місце в категорії Технології та додатки та 14 796 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 42 628 підписників.
За останніми даними від 25 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 2, а за останні 24 години на -5, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 6.21%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.47% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 2 648 переглядів. Протягом першої доби публікація в середньому набирає 1 053 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 0.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як llm, агентов, api, октября, разработчиков.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“DS
По всем вопросам- @haarrp
@ai_machinelearning_big_data - machine learning
@pythonl - Python
@itchannels_telegram - 🔥 best it channels
@ArtificialIntelligencedl - AI
@pythonlbooks-📚
@programming_books_it -📚
Реестр РКН: https://clck.ru/3...”
Завдяки високій частоті оновлень (останні дані отримано 26 жовтня, 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.
42 628
Підписники
-524 години
+917 днів
+230 днів
Завантажуємо дані
Схожі канали
![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dx&w=96&q=75){kind=small}
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
жовтень '26жовт '26
жовтень '26
+251
в 3 каналах
вересень '26
+284
в 1 каналах
Get PRO
серпень '26
+486
в 2 каналах
Get PRO
липень '26
+594
в 3 каналах
Get PRO
червень '26
+156
в 2 каналах
Get PRO
травень '26
+183
в 2 каналах
Get PRO
квітень '26
+170
в 4 каналах
Get PRO
березень '26
+338
в 2 каналах
Get PRO
лютий '26
+499
в 2 каналах
Get PRO
січень '26
+687
в 0 каналах
Get PRO
грудень '25
+380
в 2 каналах
Get PRO
листопад '25
+530
в 2 каналах
Get PRO
жовтень '25
+374
в 1 каналах
Get PRO
вересень '25
+587
в 7 каналах
Get PRO
серпень '25
+609
в 1 каналах
Get PRO
липень '25
+750
в 3 каналах
Get PRO
червень '25
+525
в 1 каналах
Get PRO
травень '25
+454
в 3 каналах
Get PRO
квітень '25
+560
в 11 каналах
Get PRO
березень '25
+573
в 4 каналах
Get PRO
лютий '25
+545
в 7 каналах
Get PRO
січень '25
+842
в 20 каналах
Get PRO
грудень '24
+848
в 5 каналах
Get PRO
листопад '24
+1 777
в 32 каналах
Get PRO
жовтень '24
+1 710
в 6 каналах
Get PRO
вересень '24
+1 402
в 7 каналах
Get PRO
серпень '24
+1 164
в 4 каналах
Get PRO
липень '24
+1 033
в 7 каналах
Get PRO
червень '24
+1 066
в 7 каналах
Get PRO
травень '24
+1 000
в 37 каналах
Get PRO
квітень '24
+935
в 45 каналах
Get PRO
березень '24
+1 187
в 22 каналах
Get PRO
лютий '24
+1 142
в 3 каналах
Get PRO
січень '24
+1 230
в 45 каналах
Get PRO
грудень '23
+687
в 42 каналах
Get PRO
листопад '23
+382
в 3 каналах
Get PRO
жовтень '23
+1 012
в 20 каналах
Get PRO
вересень '23
+872
в 0 каналах
Get PRO
серпень '23
+747
в 0 каналах
Get PRO
липень '23
+560
в 0 каналах
Get PRO
червень '23
+865
в 0 каналах
Get PRO
травень '23
+1 528
в 0 каналах
Get PRO
квітень '23
+363
в 0 каналах
Get PRO
березень '23
+417
в 0 каналах
Get PRO
лютий '23
+423
в 0 каналах
Get PRO
січень '23
+472
в 0 каналах
Get PRO
грудень '22
+770
в 0 каналах
Get PRO
листопад '22
+380
в 0 каналах
Get PRO
жовтень '22
+534
в 0 каналах
Get PRO
вересень '22
+578
в 0 каналах
Get PRO
серпень '22
+1 100
в 0 каналах
Get PRO
липень '22
+464
в 0 каналах
Get PRO
червень '22
+366
в 0 каналах
Get PRO
травень '22
+403
в 0 каналах
Get PRO
квітень '22
+514
в 0 каналах
Get PRO
березень '22
+462
в 0 каналах
Get PRO
лютий '22
+304
в 0 каналах
Get PRO
січень '22
+400
в 0 каналах
Get PRO
грудень '21
+287
в 0 каналах
Get PRO
листопад '21
+224
в 0 каналах
Get PRO
жовтень '21
+1 533
в 0 каналах
Get PRO
вересень '21
+382
в 0 каналах
Get PRO
серпень '21
+412
в 0 каналах
Get PRO
липень '21
+507
в 0 каналах
Get PRO
червень '21
+611
в 0 каналах
Get PRO
травень '21
+555
в 0 каналах
Get PRO
квітень '21
+404
в 0 каналах
Get PRO
березень '21
+456
в 0 каналах
Get PRO
лютий '21
+411
в 0 каналах
Get PRO
січень '21
+729
в 0 каналах
Get PRO
грудень '20
+10 299
в 0 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 26 жовтня | 0 | |||
| 25 жовтня | +4 | |||
| 24 жовтня | +2 | |||
| 23 жовтня | +10 | |||
| 22 жовтня | +11 | |||
| 21 жовтня | +91 | |||
| 20 жовтня | +7 | |||
| 19 жовтня | +5 | |||
| 18 жовтня | +18 | |||
| 17 жовтня | +29 | |||
| 16 жовтня | +1 | |||
| 15 жовтня | +2 | |||
| 14 жовтня | +5 | |||
| 13 жовтня | 0 | |||
| 12 жовтня | +6 | |||
| 11 жовтня | +4 | |||
| 10 жовтня | +5 | |||
| 09 жовтня | 0 | |||
| 08 жовтня | 0 | |||
| 07 жовтня | +5 | |||
| 06 жовтня | +10 | |||
| 05 жовтня | +8 | |||
| 04 жовтня | +22 | |||
| 03 жовтня | +2 | |||
| 02 жовтня | 0 | |||
| 01 жовтня | +4 |
Дописи каналу
Бесплатная книга о больших языковых моделях – 315 страниц от предобучения до рассуждений.
Foundations of Large Language Models Тун Сяо и Цзинбо Чжу системно объясняет, как устроены LLM, как их обучают и применяют.
Внутри шесть основных тем:
- Предобучение: задачи обучения и архитектуры моделей.
- Генеративные модели: Transformer, подготовка данных, масштабирование и длинный контекст.
- Промптинг: обучение на примерах в контексте, декомпозиция задач, RAG и инструменты.
- Выравнивание: обучение выполнению инструкций и использование человеческой обратной связи.
- Инференс: декодирование, ускорение и дополнительные вычисления во время генерации.
- Рассуждения: методы улучшения способности решать сложные задачи.
Авторы делают акцент на фундаментальных принципах. Материал подойдёт студентам, разработчикам и ML-инженерам, которым хочется связать отдельные знания о LLM в целостную картину.
Книга на английском. Базовые знания машинного обучения и нейросетей помогут при чтении.
Скачать PDF бесплатно:
https://arxiv.org/pdf/2501.09223
| 2 |  Working with Agentic `Teammates': When a New Organizational Actor Collides with the Human Ecosystem of Work
📓 Read
@datascienceiot | 1 049 |
| 3 |  The Geometry of Agent Memory: Forecasting Retrieval-Bound Memory Failures, and Characterizing Its Limits
📓 Read
@datascienceiot | 1 479 |
| 4 |  At the Limits of Computability: Steps Towards Autonomous AI Discovery on the Busy Beaver Frontier
📓 Read
@datascienceiot | 1 842 |
| 5 |  Patch the Planet: global response coordination as agents uncover critical vulnerabilities
https://openai.com/index/coordinated-disclosure-of-critical-vulnerabilities/ | 1 939 |
| 6 | Зачем готовиться к собеседованию вслепую, если можно заранее посмотреть, какие будут вопросы и задачи?
Ребята из Поступашек уже 6 лет собирают реальные задания и разборы собеседований в BigTech. Там можно найти не только сами вопросы, но и разборы технических секций, критерии оценки и рекомендации по подготовке.
Собрали подборку полезных материалов под разные направления:
➡️ Аналитикам:
— Собеседования на продуктового и бизнес-аналитика в Т-Банке 🟨
— Что спрашивают по A/B-тестированию в X5 🌿 , разбор собес на DS в Яндекс 🟥
➡️ Разработчикам:
— Go и System Design в Ozon 🔵, GO в Авито😎
— Банк алгоритмических собеседований из BigTech
➡️ ML/AI-инженерам:
— Все вопросы на ML-собеседование в Яндексе 🟥 и ML в Авито 😎
— 10 кейсов по ML System Design в Т-Банке 🟨
➡️ Тем, кто ищет первую стажировку:
— Как получить стажировку в 2026 году
— Где взять опыт, если его нет
В Поступашках регулярно выходят новые разборы собеседований, карьерные гайды, стажировки и инсайды о найме в BigTech.
Лучше увидеть эти вопросы до собеседования, чем узнать о них после отказа
ПОСТУПАШКИ ПОДПИСАТЬСЯ | 2 013 |
| 7 |  The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock
📓 Read
@datascienceiot | 2 467 |
| 8 |  🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
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
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд. | 2 124 |
| 9 |  LLM-to-Flow Distillation: Teaching Natural Language Goals to Scientific Generators
📓 Read
@datascienceiot | 2 101 |
| 10 |  С вас идея, а Т-Банк за нее заплатит
В Т-Банке ищут трейдеров, разработчиков и тех, кто просто увлекается инвестициями. Зарегистрируйтесь на программу «Инвест. Премаркет» до 11 ноября.
Ваши AI-сценарии для бизнеса смогут побороться за призовой фонд программы — 2 500 000 ₽. А сами идеи Т-Банк поможет масштабировать и сделать частью бизнеса.
Успейте подать заявку до 11 ноября | 2 196 |
| 11 |  Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling
📓 Read
@datascienceiot | 2 376 |
| 12 |  +1Agentic Large Language Models
📓 Book
@datascienceiot | 2 625 |
| 13 |  Physical AI: почему научить робота брать предметы сложнее, чем кажется
Манипуляция объектами остаётся одной из актуальных задач робототехники. Антропоморфному роботу нужно оценить положение объекта, рассчитать силу захвата и скорректировать движение до того, как предмет упадёт. Отдельная проблема — генерализация: модели пока с трудом применяют освоенные навыки в новых условиях, поэтому о массовом появлении домашних роботов говорить рано.
Как решаются эти задачи и на что уже способны современные роботы, разобрали CEO MWS Павел Воронин и руководитель Лаборатории интеллектуальной космической робототехники Сколтеха Дмитрий Тетерюков.
Посмотреть выпуск подкаста «Паша AI AI AI» — тут.
@datascienceiot | 2 747 |
| 14 |  Catching Developers in the Flow: Low-Latency Agentic Program Repair at Google Scale
📓 Read
@datascienceiot | 3 163 |
| 15 |  📌Baseten выпустила бесплатный учебник по инженерии инференса
Платформа, которая хостит модели Cursor, Notion и Harvey, выложила в открытый доступ книгу Inference Engineering за авторством Филипа Кайли. который четыре года работает в Baseten и написал её по интервью с инженерами компании и собственным докладам.
Среди рецензентов - автор FlashAttention Три Дао.
Книга собирает в одном месте путь от выбора модели и GPU до мониторинга работающего сервиса.
Baseten основана в 2019 году тремя выходцами из Gumroad, четвёртым сооснователем стал Панкадж Гупта из Uber.
Компания продаёт выделенные развёртывания открытых и собственных моделей клиентов, готовые Model APIs и инфраструктуру для дообучения, а также развивает открытый фреймворк упаковки моделей Truss.
Восемь глав объясняют, как сформулировать требования к продукту, как устроены модели и где они тормозят, прежде всего в механизме внимания, разбирают GPU NVIDIA поколений Hopper и Blackwell и программный уровень, от CUDA и PyTorch до движков vLLM, SGLang, TensorRT-LLM и Dynamo.
Отдельные главы посвящены методам ускорения, моделям для речи, изображений и видео, а также эксплуатации - от автомасштабирования и батчинга до постепенной выкатки новых версий.
Новичку книга даёт карту области и порядок действий - как определить задачу, бюджет задержки, стоимости и подобрать модель, а в последующем заняться оптимизацией.
Базовые понятия вроде предзаполнения, декодирования и KV-кэша объяснены с нуля, а незнакомые термины можно найти в глоссарии.
Опытным инженерам будут интересны пороги и практические правила. Для каждой техники ускорения автор объясняет, как она устроена, при каком трафике и размере модели окупается и чем рискует качество ответов.
Отдельно сравниваются движки инференса и разобраны задачи эксплуатации, которые обычно приходится решать методом проб и ошибок.
Последний раздел посвящён продуктам компании, а оборудование рассматривается почти целиком на примере NVIDIA, другим ускорителям отведено около двух страниц.
🔜 Запросить книгу бесплатно в форматах PDF, EPUB или аудиоверсию
@ai_machinelearning_big_data
#AI #ML #Inference #Book #Baseten | 2 760 |
| 16 |  Бесплатные учебники по математике от профессора Университета Альберты
Джереми Сильвестр, доцент кафедры математики Университета Альберты, выложил свои учебники в открытый доступ. Их можно читать онлайн, а часть скачать в PDF.
Главная находка здесь Discover Linear Algebra, полноценный курс линейной алгебры на два семестра. Для тех, кому нужно быстрее, есть сокращённая версия на один семестр. Для ML это база: векторы, матрицы, собственные значения, разложения и всё, на чём держатся нейросети.
Ещё два учебника: Calculus Concepts & Modelling по матанализу и дифференциальным уравнениям с упором на моделирование и Elementary Foundations по дискретной математике и логике, который автор обещает скоро открыть полностью.
Хороший вариант, если хочется подтянуть математику под машинное обучение по нормальным университетским учебникам и бесплатно.
https://sites.ualberta.ca/~jsylvest/ | 2 560 |
| 17 |  Подключить ИИ-агента к базе просто. Определить, что ему разрешено делать, сложнее.
Пока агент только отвечает в чате, его ошибку можно заметить и исправить. Когда он получает доступ к данным, внешним API и исполнению кода, ошибка уже может превратиться в действие.
Поэтому заранее стоит определить: какие данные агент видит, какие инструменты вызывает и какие операции требуют проверки.
Эти вопросы разбирает «Лаборатория Касперского» в руководстве «Безопасность ИИ-агентов через призму кибериммунитета». Внутри: атаки через контекст на примере EchoLeak, SearchLeak и CamoLeak, границы доверия к LLM и подходы к изоляции инструментов.
Пригодится разработчикам и архитекторам, которые внедряют агентов в реальные процессы.
Скачать | 2 445 |
| 18 |  +1📚 280 страниц о машинном обучении в инвестициях от J.P. Morgan
Big Data and AI Strategies Марко Колановича и Раджеша Кришнамачари: масштабный отчёт о том, как использовать ML и альтернативные данные для анализа рынков.
Внутри:
• Какие данные могут дополнять финансовую отчётность: соцсети, поисковые запросы, транзакции и другие источники.
• Как оценивать их качество и полезность.
• Обзор методов машинного обучения для анализа данных.
• Возможности и ограничения применения этих подходов в инвестициях.
Отчёт вышел в 2017 году. Его стоит читать как фундаментальный материал по ML и данным в финансах, учитывая возраст примеров.
PDF доступен бесплатно, на английском:
📓 Книга
@datascienceiot | 3 780 |
| 19 |  Handbook on Understanding Harness Engineering for AI Agents
📓 Read
@datascienceiot | 2 910 |
| 20 |  📚 Обновили огромный учебник по математике для Computer Science и Machine Learning - 2220 страниц.
Внутри сразу несколько фундаментальных тем:
— алгебра
— топология
— дифференциальное исчисление
— теория оптимизации
— математический аппарат для CS и ML
Хороший вариант, если хочется не просто использовать формулы в ML, а понимать, откуда они берутся и почему работают.
Книга доступна здесь:
https://www.cis.upenn.edu/~jean/gbooks/ | 7 889 |
