Анализ данных (Data analysis)

Відкрити в Telegram

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

Сітка:Machinelearning Росія12 568 Технології та додатки2 674...

📈 Аналітичний огляд Telegram-каналу Анализ данных (Data analysis)

Канал Анализ данных (Data analysis) (@data_analysis_ml) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 50 188 підписників, посідаючи 2 674 місце в категорії Технології та додатки та 12 568 місце у регіоні Росія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 50 188 підписників.

За останніми даними від 11 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -1 975, а за останні 24 години на -4, загальне охоплення залишається високим.

Статус верифікації: Не верифікований
Рівень залученості (ER): Середній показник залученості аудиторії становить 9.28%. Протягом перших 24 годин після публікації контент зазвичай збирає 5.80% реакцій від загальної кількості підписників.
Охоплення публікацій: В середньому кожен допис отримує 4 656 переглядів. Протягом першої доби публікація в середньому набирає 2 912 переглядів.
Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 32.
Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як llm, контекст, openai, архитектура, deepseek.

📝 Опис та контентна політика

Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp”

Завдяки високій частоті оновлень (останні дані отримано 12 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.

50 188

Підписники

-424 години

-227 днів

-1 97530 день

4 656

Перегляди допису

~ 2 91224 години

~ 3 40848 годин

9.28%

Коефіцієнт залучення

~ 5

Дописів на день

Ads index

beta

Архів дописів

50 160

The AI Scientist официально вышел в Nature - и это уже не просто эксперимент. Речь про систему, которая способна автоматизировать весь цикл научного исследования: - генерировать идеи - писать код - запускать эксперименты - оформлять научную статью Обновлённая версия AI Scientist-v2 уже сгенерировала первую полностью AI-сгенерированную научную работу, которая прошла полноценное рецензирование людьми. Теперь вышла публикация в Nature, где подробно разобрана архитектура системы и показано, как всё это работает на практике. В ИИ-систему добавили Automated Reviewer - AI-рецензента, который оценивает статьи на уровне человека и даже стабильнее, чем сами люди. Исследователями обнаружен прямой закон масштабирования науки - чем сильнее базовая модель, тем выше качество научных работ, которые она генерирует. Это означает простую вещь: По мере роста моделей и удешевления вычислений качество AI-науки будет расти автоматически. Фактически мы подошли к точке, где исследования можно масштабировать так же, как сегодня масштабируют код или контент. • Nature: https://nature.com/articles/s41586-026-10265-5 • Blog: https://sakana.ai/ai-scientist-nature

50 160

Все что выпустили Antropic за последнее время. 73 релиза за 52 дня.

50 160

⚡️ MWS Cloud выпустил сервис по работе с большими языковыми моделями. MWS GPT Model Hub — облачный сервис, который предоставляет доступ к LLM внутри MWS Cloud Platform. Развертывание занимает секунды, модели подключаются через OpenAI‑совместимый API. Сейчас в сервисе 10 моделей, включая DeepSeek, Google, Alibaba, Zhipu AI. До конца года добавят еще десяток — с поддержкой преобразования текста в речь и аудио в текст. Что можно делать с помощью MWS GPT Model Hub: • запускать AI‑ассистентов без настройки инфраструктуры; • обрабатывать большие объемы текстовых данных; • создавать внутренние AI‑сервисы для сотрудников; • сокращать time‑to‑market вдвое за счет быстрого прототипирования; • внедрять интеллектуальный поиск в продукты. К плюшкам: встроенные инструменты биллинга и учета ресурсов отслеживают расходы на AI‑функции по проектам и командам.

50 160

В Claude Code агент теперь сам решает, какие действия можно выполнять 👇 Раньше было два режима: - либо он постоянно спрашивает разрешение - либо skip permissions - делает всё без спроса Первое раздражает. Второе - рискованно. Теперь появился auto mode. В этом режиме Claude: - сам принимает решения о доступах - оценивает каждое действие - безопасные - выполняет сразу - рискованные - блокирует или ищет альтернативу По сути: • это тот же skip permissions, но с встроенной проверкой на потенциальный вред 🧠 Под капотом - классификатор, который анализирует каждый шаг агента

50 160

Как перейти от ИИ-экспериментов к рабочим системам Рассказываем, где узнать реальный опыт тех, кто встроил искусственный интеллект в ключевые процессы компании и извлек из этого реальную выгоду. 22 апреля присоединяйтесь к конференции МЛечный путь от Selectel, провайдера инфраструктуры для ИИ. Эксперты топовых ИТ-компаний расскажут: 🔺Как ускорить ML-пайплайны и снизить издержки на инференс без потери качества 🔺Как безопасно внедрить генеративные модели в ключевые процессы и управлять эффектом этого внедрения 🔺Как интегрировать модели в существующую ИТ-архитектуру Конференция пройдет 22 апреля в Москве. Участие бесплатное, регистрируйтесь: https://slc.tl/ib77j Реклама. АО "Селектел". erid:2W5zFHjUoay

50 160

Google представили TurboQuant - алгоритм, который сильно снижает требования к памяти при работе LLM. KV-cache - это то, что хранит весь контекст во время генерации. И именно он сейчас становится главным ограничением, а не сами модели. Чем длиннее диалог или больше пользователей, тем быстрее заканчивается память на GPU. TurboQuant решает это так: - сжимает KV-cache минимум в 6 раз - ускоряет инференс до 8 раз - сохраняет качество без заметной потери Это ключевой момент: раньше компрессия почти всегда ухудшала ответы. Как это устроено: - сначала данные преобразуются (rotation), чтобы их было проще сжимать - затем применяется основной алгоритм сжатия (PolarQuant) - после этого добавляется лёгкая коррекция (QJL), которая убирает ошибки В итоге получается почти точное восстановление при сильно меньшем объёме. С TurboQuant: - модели можно запускать на меньшем количестве GPU - один сервер может обслуживать больше запросов - становится проще работать с длинным контекстом - падает стоимость инференса По сути, это не про “ускорить модель”, а про перераспределение ресурсов внутри всей системы. Раньше оптимизировали веса моделей теперь оптимизируют то, как они работают в проде И KV-cache, как раз одна из самых дорогих частей. https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/ 🐍 полезные ресурсы 🚀Max @data_analysis_ml

50 160

🚀 Похоже, в Claude Code появилась новая фича - Auto-dream Пока официально не анонсирована, но её уже заметили в /memory • Что это такое Auto-dream - это фоновый подагент Claude, который: - анализирует последние сессии - извлекает ключевые знания - обновляет MEMORY.md - очищает и переорганизует старые данные • Как устроена память - MEMORY.md - это индекс - отдельные файлы - детали по темам - /memory - управление системой 👉 по сути, как garbage collector, но для памяти 🐍 Python полезные ресурсы 🚀Max @data_analysis_ml

50 160

🚀 Cursor сделал regex-поиск мгновенным Instant Grep ищет по миллионам файлов за миллисекунды 16.8 сек → 13 мс И главное: они не ускоряли regex они убрали лишний поиск 🧠 Как это работает - создаётся индекс: куски текста → файлы - используются триграммы (fil, ile, le_) - сначала ищутся кандидаты - потом запускается regex 👉 большинство файлов вообще не открывается 🔥 Ключевая идея - sparse n-grams - индексируются не все куски - только самые «полезные» - редкие символы имеют больший вес 💾 Всё локально - индекс хранится у тебя - привязан к Git - быстрый доступ через memory map Скорость даёт не regex а умный отбор файлов до поиска. https://x.com/cursor_ai/status/2036122609931165985

50 160

Если вы работаете с выгрузками из баз, логами сервисов или отчетами за годы — вы уже имеете дело со значениями, разделенными запятыми (CSV). Но умеете ли вы загружать CSV в Spark правильно? На открытом уроке разберем, как из плоского файла получить распределенную коллекцию данных — DataFrame. Поймем, почему DataFrame — это не просто таблица, как настраивать разбор грязных данных, объявлять схему вручную и избегать ошибок в промышленной среде. Вы увидите, как Spark взаимодействует с файловой системой, научитесь писать код для загрузки CSV в PySpark или Scala и разберетесь, когда достаточно pandas, а когда без Spark не обойтись. Открытый урок проходит в преддверии старта курса «Spark-разработчик». ➡️ Подробности и регистрация: https://otus.pw/XM07/

50 160

🚀 Anthropic показали новый режим: AI может выполнять задачи на компьютере и по расписанию без твоего участия Главное: - Claude управляет компьютером - кликает, вводит текст, открывает сайты - выполняет задачи в браузере и приложениях + появился режим /schedule: - ставишь задачу → задаёшь время - Claude сам запускает и выполняет её - даже если твой ноут выключен - отчёты генерируются сами - соцсети мониторятся автоматически - задачи выполняются без контроля https://claude.com/product/cowork#dispatch-and-computer-use 🐍 Python полезные ресурсы 🚀Max @data_analysis_ml

50 160

🚀 Ускоряем внедрение ИИ-агентов в реальные задачи на Agents Week Насыщенный интенсив от Школы анализа данных Яндекса пройдет с 6 по 10 апреля. Много про инженерных подход к современным агентным системам, их мониторинг и масштабирование. За пять дней поймете, с чего начать проектирование и настройку поведения, какие есть практики построения single-agent и multi-agent-систем, как доводить агентов о продакшена. Формат: лекции с возможностью задать вопрос экспертам и практика. Программа и спикеры — по ссылке. Там же можно зарегистрироваться до 9 апреля включительно.

50 160

Repost from Machine learning Interview

🤖 Этот open-source репозиторий даёт твоему ClawdBot “зрение” Это AI-ассистент в реальном времени для умных очков Meta Ray-Ban. Он объединяет: → голос → зрение → действия агента Работает через Gemini Live и OpenClaw. Как это выглядит: Ты надеваешь очки → нажимаешь кнопку AI → просто говоришь Дальше: • Gemini видит через камеру очков и описывает происходящее • передаёт задачу в OpenClaw • OpenClaw выполняет её через подключённые приложения Можно: → отправлять сообщения в WhatsApp / Telegram / iMessage → искать информацию в интернете → получать ответы голосом 📊 Технически: • камера очков передаёт изображение примерно 1 кадр в секунду в Gemini • аудио работает в обе стороны в реальном времени • OpenClaw выполняет действия как агент По сути, это полноценный AI-ассистент, который видит мир вместе с тобой https://github.com/Intent-Lab/VisionClaw 🐍 Python полезные ресурсы 🚀Max

50 160

Как запустить микросервисы в Managed Kubernetes

Микросервисное приложение мало просто задеплоить — нужны правила запуска, обновлений, масштабирования и изоляции. Именно они делают эксплуатацию предсказуемой, а инфраструктуру — готовой к росту нагрузки.

На вебинаре 26 марта в 11:00 эксперты Cloud.ru разберут, как превратить Managed Kubernetes в удобную и надежную платформу для работы микросервисов. В программе:

1️⃣ разберете, в каких проектах микросервисы действительно нужны и как быстро запустить готовое масштабируемое решение в облаке без лишних сложностей; 2️⃣ рассмотрите базовую структуру Kubernetes для микросервисов: что потребуется сразу, а что можно отложить; 3️⃣обсудите, как организовать деплой, обновления и откаты, чтобы релизы были управляемыми; 4️⃣ настроите масштабирование с помощью нативных инструментов Kubernetes; 5️⃣ свяжете платформу с реестром артефактов; 6️⃣ узнаете, как следить за метриками и логами приложения.

👉Зарегистрироваться👈

50 160

50 160

🤖 Palantir AI + Claude использовались для обнаружения, приоритизации и ударов по более чем 1000 целям в первые 24 часа операции против Ирана Результат оказался настолько мощным и прорывным, что Пентагон даже не стал ждать. То, что раньше было просто пилотным проектом и тестировалось в ограниченном режиме… в один момент стало официальным, постоянным и начало масштабироваться повсюду. Теперь Palantir - это ключевой “AI-мозг” всей армии США. Система уже внедряется во все роды войск. https://www.moneycontrol.com/world/how-palantir-and-anthropic-ai-helped-the-us-hit-1-000-iran-targets-in-24-hours-article-13853331.html 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml

50 160

Это уже не code review. Это distributed system из двух LLM, которые дебажат друг друга.

50 160

🔥 Очень любопытный проект: Supermemory показал 99% на SOTA-бенчмарке памяти • Supermemory набрал ~99% на LongMemEval_s с использованием экспериментальной техники ASMR (Agentic Search and Memory Retrieval) • Вместо классического vector search и embeddings используется система параллельных агентов-наблюдателей, которые извлекают структурированные знания из истории взаимодействий сразу по нескольким направлениям • Используются специализированные поисковые агенты: → для точных фактов → для связанного контекста → для восстановления временной последовательности • И самое интересное, никакой векторной базы данных не требуется 🚀 Проект станет open-source уже через 11 дней, следим: https://x.com/DhravyaShah/status/2035517012647272689 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml

50 160

⚡️ Андрей Карпаты: спрос на софт взлетит, но это временно Он отметил важный сдвиг: Теперь код стал ephemeral (эфемерным, временным). Его можно: — переписать за секунды — адаптировать под любого пользователя — менять прямо на лету Фактически весь digital-мир начинает пересобираться в реальном времени. Что это значит: • 📈 В краткосрочной перспективе Спрос на разработку резко растёт, потому что теперь можно сделать гораздо больше за то же время. • 🤯 В долгосрочной перспективе Даже те, кто создаёт AI, понимают: они могут автоматизировать собственную работу. Мы приходим к новой реальности: код больше не статичный продукт - это динамический поток, который постоянно меняется. Полное интервью: https://www.youtube.com/watch?v=kwSVtQ7dziU&t=1s 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml