Не попадись на ботовода! Telemetrio знаходить і позначає такі канали мітками 👉 Хочеш бачити мітку, оформляй підписку

Анализ данных (Data analysis)

Відкрити в Telegram

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

Сітка: MachinelearningРосія11 791Технології та додатки2 572...

📈 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 51 965 підписників, посідаючи 2 572 місце в категорії Технології та додатки та 11 791 місце у регіоні Росія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 51 965 підписників.

За останніми даними від 11 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 579, а за останні 24 години на 16, загальне охоплення залишається високим.

Статус верифікації: Не верифікований
Рівень залученості (ER): Середній показник залученості аудиторії становить 11.39%. Протягом перших 24 годин після публікації контент зазвичай збирає 8.64% реакцій від загальної кількості підписників.
Охоплення публікацій: В середньому кожен допис отримує 5 921 переглядів. Протягом першої доби публікація в середньому набирає 4 493 переглядів.
Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 242.
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 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.

51 965

Підписники

+1624 години

+557 днів

+57930 днів

5 921

Перегляди допису

~ 4 49324 години

~ 4 95548 годин

11.39%

Коефіцієнт залучення

~ 6

Дописів на день

Ads index

Архів дописів

51 968

СКУЧНО. ТАК БОЛЬШЕ НЕЛЬЗЯ! — подумала наша команда летом и создала новое реалити-шоу о Data-инженерах 🤯 «‎Где Data, Коль?» — это: ▶️5 разных участников из мира Big Data, прошедшие отбор; ▶️ментор — Николай Марков, Data Platform Lead в компании Altenar; ▶️участники строят пайплайны, осваивают Hadoop, Spark, Airflow и другие инструменты; ▶️реальный проект на собственных данных; ▶️секретное испытание в финале. ❗️Кто станет фаворитом зрителей? Кто дойдет до финала и получит заветный оффер?! 🔈Ссылка на первую серию уже в Telegram-канале «‎Где Data, Коль?» Вторая серия выйдет 5 июля. Подписывайся, чтобы не пропустить! Реклама ООО «Слёрм» ИНН 3652901451 erid: 2Vtzqviqabi

51 968

🔥Масштабируемое обучение MOE с помощью PyTorch В новом блоге Pytorch показано, как масштабировать до трех тысяч GPU, используя Distributed и MegaBlocks, эффективную реализацию MoE с открытым исходным кодом в PyTorch. https://pytorch.org/blog/training-moes/ @data_analysis_ml

51 968

🌟 Тонкая настройка + RAG с помощью MistralAI В этом Colab'е детально показывается, как тонко настроить Mistral-7B для соответствия уровня ответов Mistral-Large на RAG-конвейере обработки документов. Такая тонкая настройка стала возможной благодаря недавно вышедшему MistralAI Finetune Engine 🟡 Google Colab @data_analysis_ml

51 968

В нейросети GigaChat появился новый персонаж - Контент-мейкер. Теперь большинство ваших задач вы можете поручить ему — он подробно расспросит о деталях задачи, уточнит, какая ЦА креатива, поможет с генерацией разного рода контента - и многое другое. Контент-мейкер может: 🔹Помочь с написанием SMM-стратегии 🔹Решить проблему "белого листа" и нагенерить креативов 🔹Разработать контент-план 🔹Разработать УТП для вашего бренда 🔹Сформировать тональность коммуникации для вашего сообщества Персонаж Контент-мейкер в GigaChat отлично справится с каждой из этих задач. Попробуй пообщаться с ним уже сейчас! 🖥 доступен в веб-версии и в боте Telegram 🖥 находится в разделе «Персонажи» или «Выбрать персонажа GigaChat» 🆘 — Контент-мейкер, придумай смешную подпись к этому посту 📝 — надо было попросить Контент-мейкера придумать смешную подпись к посту

51 968

🌟 TorchMetrics — большой набор реализованных метрик для ML-систем — pip install torchmetrics TorchMetrics — это коллекция из 100+ реализаций метрик PyTorch и простой в использовании API для создания собственных метрик. Особенности API TorchMetrics: — стандартизированный интерфейс для воспроизводимости — можно использовать для распределенных ML-систем — автоматическая синхронизация между несколькими устройствами 🖥 GitHub 🟡 Доки 🟡 Все метрики @data_analysis_ml

51 968

🌟 Модель gte-Qwen2-7B-instruct от Alibaba gte-Qwen2-7B-instruct — это новейшая модель из семейства моделей gte (General Text Embedding), которая занимает 1-е место по оценкам на английском и китайском языках в бенчмарке Massive Text Embedding Benchmark MTEB gte-Qwen2-7B-instruct имеет несколько особенностей: — механизм двунаправленного внимания, улучшающий её понимание контекста — модель была обучена на большом многоязычном датасете текстов, охватывающем различные области 🤗 Hugging Face @data_analysis_ml

51 968

🌟 Во время GigaConf представили инновационное ПО от Cloud.ru Модульная облачная платформа Cloud.ru Evolution Stack позволит заказчикам реализовать гибридные сценарии и гибко использовать собственные вычислительные ресурсы, а также ресурсы публичного облака. Ожидается, что ПО позволит улучшить распределение пиковых нагрузок между публичным и частным облаками для оптимизации расходов на IT-инфраструктуру. До внедрения Evolution Stack, эксперты определят архитектуру и подходящие платформенные сервисы, осуществят установку и пуско-наладочные работы и реализуют необходимые интеграции с существующим корпоративным ПО. Ожидается, что на реализацию проекта уйдет около четырех месяцев. 🖥 GitHub 🟡 Доки @data_analysis_ml

51 968

🔹 Как усилить технический анализ финансовых рынков методами машинного обучения? Рассмотрим, как современные технологии машинного обучения могут усилить и расширить классические подходы технического анализа на финансовых рынках на открытом уроке от Otus, посвященный курсу «ML для финансового анализа», 3 июля в 20:00. ✅ В течении часа рассмотрим реальные примеры и кейсы, демонстрирующие использование машинного обучения для улучшения торговых стратегий на основе технического анализа. Оставляйте заявку на курс «ML для финансового анализа» и создайте торгового робота для автоматического проведения операций с оценкой уровня риска 👉 Регистрация на урок и подробности: https://otus.pw/A44x/?erid=LjN8KATiv

51 968

🌟 DeepSeek-Coder-V2-Instruct-GGUF — квантизованные версии DeepSeek-Coder-V2-Instruct

pip install -U "huggingface_hub[cli]"
huggingface-cli download bartowski/DeepSeek-Coder-V2-Instruct-GGUF --include "DeepSeek-Coder-V2-Instruct-Q4_K_M.gguf" --local-dir ./

Представлены несколько моделей с разным уровнем сжатия, требуют от 142.45 Гб до 52.7 Гб (но последняя не рекомендуется, экстремально низкое качество) Квантизация выполнена с использованием опции imatrix, с использованием датасета отсюда Исходная, не квантизованная модель 🤗 Hugging Face @data_analysis_ml

51 968

level up вашей карьеры инженера данных У вас уже есть опыт работы, но вы хотите выделиться на фоне «джунов» и охватить всю архитектуру DWH целиком — тогда присоединяйтесь к курсу «Инженер данных» от karpov.courses и экспертов из Яндекса, Ozon, Vk и Сбера. За 5 месяцев вы освоите все актуальные технологии. А для большего погружения в работу, вы поработаете с ETL-процессами крупной двухуровневой платформы данных, закрепите понимание инструментов Airflow, Spark + S3 и Greenplum и поймёте, как использовать их в связке друг с другом. После обучения вы научитесь учитывать все взаимосвязи большого хранилища, понимать потребности заказчика и воспринимать данные как конечный продукт. Получите скидку 5% по промокоду DAMLL до 30.06.2024 и расширяйте свои навыки: https://clc.to/erid_LjN8K78jY

51 968

⚡️ OlympicArena — бенчмарк для оценки способностей LLM решать олимпийские задачи OlympicArena — это комплексный бенчмарк со сложным механизмом оценки LLM, предназначенный для определения возможностей AI в широком спектре задач олимпийского уровня. 🖥 GitHub 🟡 Страничка OlympicArena @data_analysis_ml

51 968

🌟 Evidently — фреймворк Python для оценки, тестирования и мониторинга ML-моделей в продакшене — pip install evidently Evidently помогает оценивать, тестировать и контролировать данные и ML-системы. Вот некоторые из решаемых Evidently задач: — прогностические: классификация, регрессия, ранжирование, рекомендации — генеративные: чат-боты, RAGs, вопросно-ответные системы — мониторинг данных: качество данных и дрейф данных для текстовых, табличных данных 🖥 GitHub 🟡 Доки @data_analysis_ml

51 968

🌟 Enzyme — высокопроизводительное автоматическое дифференцирование LLVM и MLIR — brew install enzyme Enzyme — это инструмент, который принимает произвольный код в виде LLVM IR и вычисляет производную (и градиент) этой функции. Это позволяет использовать Enzyme для автоматического создания градиентов своего исходного кода без лишней работы. Работая на уровне LLVM, Enzyme может дифференцировать программы на разных языках (C, C++, Swift, Julia, Rust, Fortran, TensorFlow и т. д.) с высокой производительностью. 🖥 GitHub 🟡 Доки @data_analysis_ml

51 968

По данным Yandex Cloud, в 2023 году спрос на инструменты аналитики данных вырос в 1,7 раза. Но если опираться на цифры из отчёта Chief Data Officer Study, то инвестиции в дата-проекты окупились лишь у 8% CDO. Одна из причин неудач — непонимание, как правильно оценивать эффективность таких проектов. Специалисты Yandex Cloud спросили об этом опытных CDO и директоров по данным. Своими советами о выборе метрик эффективности data-driven решений поделились эксперты Мосбиржи, УБРиР и «Альфа-Банка». Подробности ищите в статье.

51 968

⚡️ Cognitive Computations выпустиили dolphin-2.9.3-mistral-7B-32k В 2.9.3 включен многоязычный SystemChat 2.0 - 100 языков! Отличная базовая модель! https://huggingface.co/cognitivecomputations/dolphin-2.9.3-mistral-7B-32k @data_analysis_ml

51 968

🌟 4M-21 — open-source фреймворк от Apple для обучения мультимодальных моделей и решения множества задач Из-за CVPR релиз 4M-21 прошёл незаметно, а ведь фреймворк очень функциональный. 4M-21 позволяет обучать универсальные мультимодальные модели, способные выполнять разные задачи, связанные с CV. 4M-21 позволяет: — создавать подписи к изображениям — оценивать глубину — обнаруживать объекты на изображении — делать сегментацию объектов — генерировать изображения — и решать много других задач 🟡 Страничка 4M-21 🖥 GitHub 🟡 Arxiv 🟡 Hugging Face @data_analysis_ml

51 968

🌟 Создание text-to-SQL системы с Mistral AI, Neon, и LangChain Если использовать просто LLM для генерации SQL, то может получиться синтаксически неверный SQL, усугубляет ситуацию и масса диалектов SQL в разных БД. К тому же LLM не имеет доступа к полной схеме базы данных, именам таблиц и столбцов, а также индексам, что ограничивает его возможности по созданию точных/эффективных запросов. А передавать полную схему в промпте каждый раз дорого и неудобно. Ок, но ведь LLM отлично обучаются в контексте, поэтому, передавая релевантную информацию в промпте, можно улучшить их результаты — так мы приходим к RAG. И здесь по ссылке ниже разбирается построение системы RAG с использованием Mistral AI, Neon Postgres как векторной БД, и LangChain, чтобы связать всё это вместе. 🟡 Создание Text-to-SQL системы @data_analysis_ml

51 968

🔥 Последние новости с Chatbot Arena Claude 3.5 Sonnet только что совершила огромный скачок, заняв 1-е место в Coding Arena, Hard Prompts Arena и 2-е место в общей таблице лидеров. Новый Sonnet превзошел Opus с более низкими затратами в 5 раз и не уступает моделям frontier GPT-4o/Gemini 1.5 Pro . с этим знаменательным событием! Не терпится увидеть новый Opus & Haiku. https://chat.lmsys.org/ @data_analysis_ml

51 968

🖥 Mesop — Python фреймворк для быстрого создания UI для LLM-приложений и не только Особенности Mesop: — UI пишется очень идиоматично и лаконично — масса готовых компонентов, просто plug-and-play — поддержка горячей перезагрузки, когда браузер сам обновляет UI по мере написания; при этом сохраняется состояние — можно работать с готовым UI как с простым наборов функций Python 🖥 GitHub @data_analysis_ml

51 968