Data Mining | Анализ данных🚀
Відкрити в Telegram
• Купить рекламу: t.me/sahib_space Админ: sahib_space • Стоимость: https://www.notion.so/sahibspace/69ece414a4af49f2bdbdfe455e553e58?pvs=3&qid= • Группа в ВК: vk.com/datamining.team
Показати більше3 366
Підписники
Немає даних24 години
-87 днів
-3530 день
Триває завантаження даних...
Схожі канали
Немає даних
Виникли проблеми? Будь ласка, оновіть сторінку або зверніться до нашого support-менеджера.
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
жовтень '25
жовтень '25
+3
в 0 каналах
вересень '25
+8
в 0 каналах
Get PRO
серпень '25
+7
в 0 каналах
Get PRO
липень '25
+12
в 0 каналах
Get PRO
червень '25
+10
в 0 каналах
Get PRO
травень '25
+26
в 0 каналах
Get PRO
квітень '25
+18
в 1 каналах
Get PRO
березень '25
+14
в 0 каналах
Get PRO
лютий '25
+18
в 0 каналах
Get PRO
січень '25
+26
в 1 каналах
Get PRO
грудень '24
+10
в 0 каналах
Get PRO
листопад '24
+29
в 1 каналах
Get PRO
жовтень '24
+134
в 1 каналах
Get PRO
вересень '24
+216
в 1 каналах
Get PRO
серпень '24
+30
в 0 каналах
Get PRO
липень '24
+32
в 0 каналах
Get PRO
червень '24
+38
в 1 каналах
Get PRO
травень '24
+69
в 3 каналах
Get PRO
квітень '24
+42
в 3 каналах
Get PRO
березень '24
+72
в 3 каналах
Get PRO
лютий '24
+112
в 3 каналах
Get PRO
січень '24
+88
в 3 каналах
Get PRO
грудень '23
+37
в 0 каналах
Get PRO
листопад '23
+65
в 5 каналах
Get PRO
жовтень '23
+31
в 0 каналах
Get PRO
вересень '23
+39
в 0 каналах
Get PRO
серпень '23
+34
в 0 каналах
Get PRO
липень '23
+38
в 0 каналах
Get PRO
червень '23
+44
в 0 каналах
Get PRO
травень '23
+60
в 0 каналах
Get PRO
квітень '23
+85
в 0 каналах
Get PRO
березень '23
+57
в 0 каналах
Get PRO
лютий '23
+118
в 0 каналах
Get PRO
січень '23
+98
в 0 каналах
Get PRO
грудень '22
+67
в 0 каналах
Get PRO
листопад '22
+93
в 0 каналах
Get PRO
жовтень '22
+126
в 0 каналах
Get PRO
вересень '22
+133
в 0 каналах
Get PRO
серпень '22
+130
в 0 каналах
Get PRO
липень '22
+274
в 0 каналах
Get PRO
червень '22
+229
в 0 каналах
Get PRO
травень '22
+114
в 0 каналах
Get PRO
квітень '22
+183
в 0 каналах
Get PRO
березень '22
+134
в 0 каналах
Get PRO
лютий '22
+132
в 0 каналах
Get PRO
січень '22
+276
в 0 каналах
Get PRO
грудень '21
+185
в 0 каналах
Get PRO
листопад '21
+267
в 0 каналах
Get PRO
жовтень '21
+560
в 0 каналах
Get PRO
вересень '21
+144
в 0 каналах
Get PRO
серпень '21
+109
в 0 каналах
Get PRO
липень '21
+22
в 0 каналах
Get PRO
червень '21
+46
в 0 каналах
Get PRO
травень '21
+521
в 0 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 25 жовтня | 0 | |||
| 24 жовтня | 0 | |||
| 23 жовтня | 0 | |||
| 22 жовтня | 0 | |||
| 21 жовтня | 0 | |||
| 20 жовтня | 0 | |||
| 19 жовтня | 0 | |||
| 18 жовтня | 0 | |||
| 17 жовтня | +1 | |||
| 16 жовтня | 0 | |||
| 15 жовтня | 0 | |||
| 14 жовтня | 0 | |||
| 13 жовтня | 0 | |||
| 12 жовтня | 0 | |||
| 11 жовтня | 0 | |||
| 10 жовтня | 0 | |||
| 09 жовтня | 0 | |||
| 08 жовтня | 0 | |||
| 07 жовтня | 0 | |||
| 06 жовтня | 0 | |||
| 05 жовтня | 0 | |||
| 04 жовтня | 0 | |||
| 03 жовтня | +1 | |||
| 02 жовтня | +1 | |||
| 01 жовтня | 0 |
Дописи каналу
| 2 |  Немає тексту... | 935 |
| 3 |  Приглашаем на офлайн-день ВТБ X Data Fest 2025 28 мая
Привет, на связи команда DS ВТБ!
В этом году проведем наш офлайн-день 28 мая и приглашаем присоединиться — обещаем классные доклады и нетворкинг.
Публикуем темы выступлений:
Секция «Data Fusion»
1. Мониторинг моделей и управление качеством данных: ключевые аспекты устойчивости ML-систем
2. Make Retrieval Smarter: как мы делали умный поиск по базе документов
3. Retrieval-Augmented Fill-in-the-Middle: архитектура генерации структурированных документов с LLM
4. Модель краткосрочного прогнозирования аномалий в одномерных временных рядах и ее применение в продукте Сфера.ИАС
Секции NLP, Advanced LLM, OptimalDL, Time Series
1. Дистилляция Qwen для задачи протоколирования совещаний
2. YandexGPT как RAG-ассистент для техподдержки: решаем проблемы быстрее
3. Методы оптимизации обучения моделей за счет квантизации, спарсификации, прунинга градиентов и низкоуровневых оптимизаций на примере рекомендательных систем
4. Агрегация представлений последовательности действий пользователей
Секция «Open Career»
1. Матрица понимания HR и кандидата
2. Структура вместо хаоса: практика внедрения процессов
3. Антипаттерны в организации и ведении ML проектов: вредные советы
4. Стратегия успеха — карьера в DS
5. Системный подход к построению AI-команд.
Приходите!
28 мая, Loft Hall, ул. Ленинская Слобода, 26, стр. 15, зал Ratusha
с 12.00
Зарегистрироваться можно тут.
Следить за новостями DS-сообщества ВТБ — тут. | 521 |
| 4 |  II-Thought-RL-v0 — датасет для RL с 340 тысячами задач, решающий проблемы старых наборов данных, такие как дублирование и низкое качество.
Он включает верификацию и фильтрацию для повышения точности, но имеет дисбаланс, с преобладанием математики и программирования.
https://www.ii.inc/web/blog/post/ii-thought | 703 |
| 5 |  Google DeepMind исследует, как LLM учат факты, обнаружив, что процесс происходит в три этапа: от запоминания статистических закономерностей до формирования связей между элементами текста и, наконец, к точному воспроизведению фактов.
Это исследование помогает понять причины “катастрофического забывания” при добавлении новых данных.
https://arxiv.org/pdf/2503.21676 | 667 |
| 6 |  Статья объясняет, как использовать данные из «Яндекс.Метрики» для глубокого анализа и интеграции с другими источниками, такими как CRM-системы, для получения инсайтов и проверки гипотез.
В ней также приводится инструкция по получению OAuth-токена и примеры Python-кода для работы с API Яндекс.Метрики.
https://habr.com/ru/companies/digitalleague/articles/742156/ | 655 |
| 7 |  В данной работе предлагается новая методика MetaLoRA, которая сочетает принципы мета-обучения и низкоранговой адаптации для эффективного подстраивания нейронных сетей под новые задачи.
MetaLoRA улучшает существующие методы, позволяя динамически настраивать параметры и лучше учитывать особенности различных задач, сохраняя при этом вычислительную эффективность.
https://arxiv.org/pdf/2504.00460 | 623 |
| 8 |  GraphMaster — первая многоагентная система для синтеза графовых данных в условиях ограниченных данных.
Она использует четыре специализированных агента LLM для оптимизации процесса синтеза, обеспечивая семантическую согласованность и структурную целостность, и демонстрирует превосходство по сравнению с традиционными методами синтеза.
https://arxiv.org/pdf/2504.00711 | 571 |
| 9 |  CFIRE — алгоритм для создания глобальных правил решений из локальных объяснений с использованием майнинга частых элементов.
Он решает проблему несогласованности методов объяснения и показывает высокую точность и производительность на 700 моделях черного ящика и 14 наборах данных.
https://arxiv.org/pdf/2504.00930 | 517 |
| 10 |  Представили новую технику оптимизации в DL — AYLA, которая улучшает сходимость и стабильность с помощью преобразования функции потерь и динамической скорости обучения.
Эксперименты показывают, что AYLA превосходит существующие методы, такие как SGD и ADAM, в различных задачах, таких как синтетические полиномы и классификация изображений.
https://arxiv.org/pdf/2504.01875 | 555 |
| 11 |  Статья описывает эксперимент по запуску клиента нейросети DeepSeek на старой операционной системе MS-DOS, используя современный сервер для обработки запросов.
Автор делится опытом настройки локальной версии DeepSeek и подключения к ней через MS-DOS с помощью сетевых драйверов и утилит mTCP.
https://habr.com/ru/companies/ru_mts/articles/888756/ | 607 |
| 12 |  Автор статьи развеивает мифы о сложности работы с LLM и делится личным опытом внедрения таких моделей в продукты.
Он предлагает пошаговое руководство по использованию LLM, фокусируясь на практической стороне внедрения, стратегии и тактике, без углубления в теорию или обучение моделей с нуля, а также предоставляет список литературы.
https://habr.com/ru/articles/896598/ | 638 |
| 13 |  LLM Scraper — это инструмент для парсинга веб-страниц с использованием языковых моделей, который понимает контекст и адаптируется к изменениям вёрстки.
Он поддерживает различные форматы входных данных, включая HTML и скриншоты, и использует Playwright для рендеринга JavaScript-страниц.
https://github.com/mishushakov/llm-scraper | 709 |
| 14 |  PaperBench — это новый бенчмарк от OpenAI для оценки способности ИИ-агентов воспроизводить передовые исследования в области ИИ, основанный на статьях конференции ICML 2024.
Лучший результат среди протестированных моделей показал агент Claude 3.5 Sonnet с 21% точности воспроизведения, однако все модели отстают от уровня экспертов.
cdn.openai.com/papers/22265bac-3191-44e5-b057-7aaacd8e90cd/paperbench.pdf | 613 |
| 15 |  Статья оценивает методы выбора признаков, основанные на LLM и предлагает гибридную стратегию LLM4FS, которая сочетает LLM с традиционными методами, такими как случайный лес и последовательный выбор признаков.
Результаты показывают, что эта стратегия превосходит как LLM, так и традиционные методы в задаче выбора признаков, но имеет свои ограничения при применении в принятии решений.
https://arxiv.org/pdf/2503.24157 | 635 |
| 16 |  Автор статьи объясняет, как развернуть виртуальный хостинг с использованием Python для создания веб-сервисов и Webhook.
В материале подробно описан процесс создания сайта, настройки базы данных и размещения Python-кода на платформе Netangels.
https://habr.com/ru/companies/digitalleague/articles/763866/ | 645 |
| 17 |  AI меняет рабочие процессы, при этом акцент смещается на качество пользовательского опыта, а не на количество функций.
Профессионалы предпочитают комбинировать специализированные инструменты, что помогает повысить продуктивность и избежать неудовлетворенности от универсальных решений.
https://habr.com/ru/articles/893202/ | 689 |
| 18 |  Статья рассматривает четыре основных подхода к созданию и улучшению моделей рассуждений в контексте LLM, включая их преимущества, недостатки и методологию DeepSeek R1.
Также обсуждаются советы по разработке таких моделей с ограниченным бюджетом, а также влияние DeepSeek V3 и R1 на развитие области.
https://habr.com/ru/articles/894688/ | 699 |
| 19 |  Статья рассматривает создание многопользовательского чат-бота на основе LLM, подчеркивая важность разделения бизнес-логики и провайдера модели для гибкости в выборе LLM и предотвращения галлюцинаций.
Также акцентируется внимание на необходимости тестового окружения для оценки стабильности при смене моделей, учитывая их частые обновления и изменения в поведении.
https://habr.com/ru/articles/878658/ | 638 |
| 20 |  Статья описывает проблемы галлюцинаций в языковых моделях, где они могут давать неверные ответы из-за случайных факторов, а также проблемы с протоколами вызова инструментов, например, неправильный XML-формат.
Также подчеркивается важность корректного заполнения форм и правильной ротации сообщений, чтобы не нарушить бизнес-логику системы.
https://habr.com/ru/articles/892866/ | 642 |
