uk
Feedback

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

Анализ данных (Data analysis)

Анализ данных (Data analysis)

Відкрити в Telegram

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

Показати більше

📈 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 51 911 підписників, посідаючи 2 581 місце в категорії Технології та додатки та 11 797 місце у регіоні Росія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 51 911 підписників.

За останніми даними від 16 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 444, а за останні 24 години на -8, загальне охоплення залишається високим.

  • Статус верифікації: Не верифікований
  • Рівень залученості (ER): Середній показник залученості аудиторії становить 11.63%. Протягом перших 24 годин після публікації контент зазвичай збирає 8.47% реакцій від загальної кількості підписників.
  • Охоплення публікацій: В середньому кожен допис отримує 6 040 переглядів. Протягом першої доби публікація в середньому набирає 4 397 переглядів.
  • Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 192.
  • 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 17 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.

51 911
Підписники
-824 години
+27 днів
+44430 днів
Архів дописів
❗️ Какие инструменты нужны для эффективного машинного обучения? 👉 Узнайте на бесплатном открытом уроке «Bagging, Random Fore
❗️ Какие инструменты нужны для эффективного машинного обучения? 👉 Узнайте на бесплатном открытом уроке «Bagging, Random Forest, стекинг - ансамбли моделей для решения ML-задач» от OTUS и Марии Тихоновой – Senior Data Scientist в «SberDevices» и преподавателя ВШЭ. 🔹 На вебинаре узнаете, как применять ансамбли моделей для решения задач ML и изучите основные подходы к ансамблированию моделей 🔹 Разберем методы ансамблирования Bagging, Random Forest и стекинг Занятие пройдёт 23 ноября в 18:00 мск и будет приурочено к старту курса «Machine Learning. Professional» 📌 Результаты урока: Вы освоите такие популярные методы как Bagging, Random Forest и Стекинг  👉 РЕГИСТРАЦИЯ https://otus.pw/AA7m/ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🔥 Используйте MLlib для решения задач распределенного машинного обучения и работы с большими массивами данных. MLlib предост
🔥 Используйте MLlib для решения задач распределенного машинного обучения и работы с большими массивами данных. MLlib предоставляет инструменты для: 🔹 Классификации, регрессии, кластеризации и коллаборативной фильтрации 🔹 Извлечения, преобразования данных и методы отбора признаков 🔹 Построение и настройка конвейеров ML и многое другое 📌 MLlib: https://spark.apache.org/docs/latest/ml-guide.html @data_analysis_ml

🔥 Дайджест полезных материалов из мира Data Science за неделю Почитать: — Разработка алгоритмов обработки данных в реальном времени на Python — Как автоматизировать проверки данных в Airflow с Great Expectations — Нейронные сети для новичков и профи: топ бесплатных курсов по ИИ — 5 уровней зрелости MLOps — Лучшие ресурсы чтобы выучить Git и Github — Парк юрского периода глазами нейросети: как развернуть Diffusers для генерации изображений за 10 минут — Как найти приватный ключ в бинарном коде от Bitcoin Lightning Wallet уязвимость в Quasar Framework — Использование Insightface для быстрого поиска и сравнения лиц на изображениях — OpenAI DevDay – ещё 5 видео про то, как работает компания, и как AI применять разработчикам — Understanding the Process of Running Metabase on Docker for the First Time 📊🐋 — What is the data science?And Why it is important ? — Equipping yourself with Excel increase job opportunities — Simplifying Data Streaming — Mastering data formatting in excel — Applications of Data Science in Cybersecurity — Introducing NumPy, a hero in Pythonland — Debugging Python Code in Amazon SageMaker Locally Using Visual Studio Code and PyCharm: A Step-by-Step Guide — How to Scrape Walmart Prices Easily — Unraveling the Power of Random Forest Algorithm in Data Science Посмотреть: 🌐 Пишем генератор Shorts видео на Python для заработка на YouTube. (⏱ 11:50) 🌐 Озвучка и генерации контента с помощью #Python и AI (⏱ 00:44) 🌐 Замена лица на любой фотографии с помощью #python БЕСПЛАТНО! (⏱ 00:59) 🌐 Lightning Interview “Large Language Models: Past, Present and Future” (⏱ 01:00:00) 🌐 Thomas Scialom, PhD - Large Language Models: Past, Present and Future (⏱ 34:45) 🌐 Leveraging Generative AI in Education - A M Aditya (⏱ 31:24) 🌐 AI Art: How is This Quality Even Possible? (⏱ 05:29) Хорошего дня! @data_analysis_ml

LangChain + Streamlit + LlaMA: установка диалогового бота с ИИ на локальный компьютер LLM — это модели машинного обучения, сп
LangChain + Streamlit + LlaMA: установка диалогового бота с ИИ на локальный компьютер LLM — это модели машинного обучения, способные создавать тексты на языке, близком к человеческому, и воспринимать промпты (запросы) естественным образом. Эти модели проходят обучение на обширных массивах данных, включающих книги, статьи, сайты и другие источники. Выявляя в предоставляемых данных статистические закономерности, LLM предсказывают наиболее вероятные слова и фразы, которые должны следовать за введенным текстом. LangChain — это фреймворк, находящийся в свободном доступе. Он помогает разработчикам создавать приложения на основе языковых моделей, в частности LLM. В данной статье мы рассмотрим пошаговый процесс создания с нуля личного помощника по работе с документами. Будем использовать LLaMA 7b и Langchain, библиотеку с открытым исходным кодом, специально разработанную для бесшовной интеграции с LLM. 📌 Читать @data_analysis_ml

Нижний Новгород, готовьтесь узнать всё о рекомендательных системах! Приглашаем на RecSys Meetup by Sber — будем много общатьс
Нижний Новгород, готовьтесь узнать всё о рекомендательных системах! Приглашаем на RecSys Meetup by Sber — будем много общаться, обмениваться опытом, ловить инсайты от экспертов и получать приятные подарки. Когда: 30 ноября, 18:30 Формат: офлайн Локация: коворкинг Гараж, г. Нижний Новгород, Октябрьская, 35 Мы расскажем, как устроены рекомендательные системы в e-commerce, раскроем секреты GPT-like трансформеров и поделимся опытом моделей рекомендаций от Мегамаркета. А ещё – пригласим вас тестировать наши ML-библиотеки! ● Алексей Васильев — исполнительный директор по исследованию данных Sber AI Lab — расскажет о рекомендациях на последовательностях: действительно ли BERT4Rec лучше SASRec? ● Александр Немальцев — руководитель направления по исследованию данных — поделится опытом улучшения качества рекомендаций и роста конверсии, а также деталями, как были устроены наши модели на разных этапах: от базовой коллаборативной фильтрации до нейросетевых подходов. ● Артём Хусаенов — руководитель направления по исследованию данных — рассмотрит кросс-доменные модели рекомендаций для «холодных» пользователей Мегамаркета. Будет интересно, приходите! Зарегистрироваться на RecSys Meetup by Sber

🔥Ускорение генеративного ИИ с помощью встроенного PyTorch. В этом посте рассказывается о новых возможностях производительнос
🔥Ускорение генеративного ИИ с помощью встроенного PyTorch. В этом посте рассказывается о новых возможностях производительности PyTorch и о том, как их можно использовать для создания в 8 раз более быстрой, PyTorch-реализации Segment Anything. ▪Читать @data_analysis_ml

OpenAI выложила на GitHub проект OpenCopilot - ИИ-помощник в ранней бета-версии. ➕ Интегрируется с базовыми API, использует б
OpenAI выложила на GitHub проект OpenCopilot - ИИ-помощник в ранней бета-версии. ➕ Интегрируется с базовыми API, использует большую языковую модель для определения вызовов API и их выполнения. ➕ Поддерживает Swagger OpenAPI 3.0. ➕ Позволяет взаимодействовать с платформами через текстовые промпты и обеспечивает 24/7 поддержку. ➕ Инструменты для настройки сложных сценариев и интеграция функций OpenChat. OpenAI представила также дорожную карту развития OpenCopilot. 🐱 GitHub @data_analysis_ml

Хотите разобраться в языковых моделях? Учитесь у профессионалов и получайте знания из первых рук — на интенсиве GPT Week Школ
Хотите разобраться в языковых моделях? Учитесь у профессионалов и получайте знания из первых рук — на интенсиве GPT Week Школы анализа данных Яндекса! Эксперты ШАДа, разрабатывающие YandexGPT, подготовили насыщенную 5-дневную программу. Вы узнаете, как запустить генеративную модель на ограниченных ресурсах, какие вызовы есть в сборе гигантских датасетов и в чём особенности предобучения и alignment. Каждый участник сможет задать вопросы спикерам, а также познакомиться с устройством YandexGPT — от деталей создания до сложных инженерных аспектов. Что ещё нужно знать? Интенсив пройдёт онлайн с 27 ноября по 1 декабря. Участие бесплатное, но потребуется регистрация. Записаться и посмотреть программу можно на сайте. Реклама. ООО «ЯНДЕКС», ИНН 7736207543

🚀 Команда разработчиков только что сделала OpenAI Whisper в 6 раз быстрее, на 49% меньше, сохранив при этом 99% точности. Модель уже доступна в библиотеке HuggingFace Transformers: model_id = "distil-whisper/distil-large-v2". Вы также можете попробовать демо в веб-интерфейсе. ⏩ Модель: https://huggingface.co/distil-whisper/distil-large-v2 🛠 Демо: https://huggingface.co/spaces/Xenova/distil-whisper-web 📕 Статья: https://arxiv.org/abs/2311.00430 @data_analysis_ml

🎮Одним из самых увлекательных направлений, в котором широко используется обучение с подкреплением, является киберспорт. 🔥В
🎮Одним из самых увлекательных направлений, в котором широко используется обучение с подкреплением, является киберспорт. 🔥В программе курса Reinforcement Learning в OTUS подробно разбираются одни из самых интересных кейсов применения RL в игровой индустрии. 21.11 в 20.00 мск. приглашаем на открытый урок “Игры c человеком и компьютером” 📌На занятии: - узнаем историю противостояния человека и компьютера в настольных и компьютерных играх; - познакомимся с основными идеями и подходами при создании игровых интеллектуальных агентов с помощью обучения с подкреплением; - покажем как обучить модель эффективно управлять группой юнитов в одной из популярных игр. После урока вы будете понимать как разрабатываются интеллектуальные агенты для различных игр и какие шаги необходимо пройти для реализации собственного игрового бота. 👉Регистрация https://otus.pw/tb0b/ При поступлении в группу возможны разные способы оплаты и рассрочка платежа. Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8K22Ec

⚡️ Data Warehouse vs Data Lake vs Data Mesh 📌Data Warehouse — это единое корпоративное хранилище архивных данных из разных источников (систем, департаментов и прочее). Цель Data Warehouse — обеспечить пользователя (компанию и ее ключевых лиц) возможностью принимать верные решения в ключе управления бизнесом на основе целостной информационной картины. DWH — не только склад важных данных компании, но еще и основа бизнес-аналитики (BI). Именно из корпоративного хранилища компания получает сведения, необходимые для принятия управленческих и стратегических решений. 📌Data Lake (Озеро данных) — это метод хранения данных системой или репозиторием в натуральном (RAW) формате, который предполагает одновременное хранение данных в различных схемах и форматах. Обычно используется blob-объект (binary large object) или файл. Идея озера данных в том чтобы иметь логически определенное, единое хранилище всех данных в организации (enterprise data) начиная от сырых, необработанных исходных данных (RAW data) до предварительно обработанных (transformed) данных, которые используются для различных задач: отчеты, визуализация, аналитика и мо. Data Lake включает структурированные данные из реляционных баз данных (строки и колонки), полуструктурированные данные (CSV, логи, XML, JSON), неструктурированные данные (почтовые сообщения, документы, pdf) и даже бинарные данные (видео, аудио, файлы). 📌Data Mesh - дословно можно перевести как «сеть данных», — это децентрализованный гибкий подход к работе распределенных команд и распространению информации. Главное в нем — междисциплинарные команды, которые публикуют и потребляют Data-продукты, благодаря чему существенно повышают эффективность использования данных. Традиционно архитектура данных монолитна. Потребление, хранение, преобразование и вывод управляются через одно центральное хранилище (как правило, озеро данных). Data Mesh же позволяет упростить работу с распределенными пайплайнами, поддерживая отдельных потребителей, рассматривающих данные как продукт. @data_analysis_ml

💡 Список самых популярных алгоритмов машинного обучения вместе с кодом на Python и R для их запуска. #python #r #MachineLear
💡 Список самых популярных алгоритмов машинного обучения вместе с кодом на Python и R для их запуска. #python #r #MachineLearning https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms @data_analysis_ml

Не упустите возможность начать карьеру в одной из самых востребованных IT-профессий! На курсе Data Scientist с нуля до Junior
Не упустите возможность начать карьеру в одной из самых востребованных IT-профессий! На курсе Data Scientist с нуля до Junior с трудоустройством вы: ✅ Изучите одно из 3 востребованных направлений на выбор — дата-аналитику, дата-инженерию или машинное обучение. ✅ Освоите Python, библиотеки для анализа данных и машинного обучения, SQL, Git, научитесь работать с Power BI и другими актуальными для дата-сайентиста инструментами. ✅ Попрактикуетесь на задачах с реальными данными. ✅ Добавите до 9 проектов в портфолио. ✅ С вами будет работать личный наставник. Он не только укажет на ошибки, но и поможет разобраться в сложных темах и ответит на вопросы. Подробнее по ссылке https://epic.st/aiFvo Оставьте заявку на курс сейчас и получите 3 месяца бесплатного обучения и год английского в подарок! 🎁В ЧЕРНУЮ ПЯТНИЦУ на курс действует скидка до 60% и при покупке вы получаете ВТОРОЙ КУРС в подарок Реклама. ЧОУ ДПО «Образовательные технологии «Скилбокс (Коробка навыков)», ИНН: 9704088880

🛡 Как автоанализ кода с помощью ИИ повышает безопасность приложений AppSec-инженеры занимаются безопасностью приложений, но им приходится делать много работы. Они должны быть экспертами по разным приложениям и разбираться во всем коде. Они также должны встречаться с разработчиками, чтобы узнать о внесенных изменениях. В небольших организациях это возможно, но для крупных организаций это сложно. Мы считаем, что инструменты Gen AI, такие как ChatGPT, могут помочь AppSec-инженерам в их работе. Они могут помочь масштабировать работу и сделать ее более эффективной. В этой статье мы расскажем, как ChatGPT может повысить эффективность AppSec-инженеров. Начнем с главного Как уже было сказано, наиболее значимыми рабочими процессами, выполняемыми AppSec-инженерами, являются моделирование угроз и проверка безопасности кода. Оба этих процесса всегда были ручными, требующими участия разработчиков и приличного количества знаний/времени/мотивации. Это, на наш взгляд, реальная возможность для Gen AI. Чтобы не быть голословными, углубимся в детали и посмотрим, как это осуществить на практике. Обратим внимание на важнейшие сферы применения ИИ: 🟡Непрерывный анализ изменений кода приложений. 🟡Интерактивное моделирование и решение проблем, связанных с угрозами. 🟡Дополнительные области, на которые, по нашему мнению, инструменты ИИ могут повлиять в ближайшей перспективе. И последнее уточнение: для иллюстрации рабочих процессов будем использовать ChatGPT (3.5). Стоит отметить, что между версиями 3.5 и 4 существуют различия, поэтому советуем рассмотреть и альтернативные варианты. Итак, приступим к делу! 📌 Читать @data_analysis_ml

❗️Как эффективно развертывать модели в облаках? ▶️ Узнайте на практике на бесплатном открытом уроке «Deploy моделей в облаках
❗️Как эффективно развертывать модели в облаках?  ▶️ Узнайте на практике на бесплатном открытом уроке «Deploy моделей в облаках (MLOps в облаках)» от OTUS и Павла Филонова – Ex-Data Science Manager в Kaspersky. На открытом уроке:  🔹Рассмотрим вариант развертывания моделей в облачном kubernetes 🔹Куда складывать образы и как создавать и управлять кластером 🔹Как безопасно подключить развертывание к CI/CD ✅ Владение инструментами MLOps открывает новые карьерные горизонты специалистам ML, Data Scientist’ам и Software инженерам.  👉 РЕГИСТРАЦИЯ https://otus.pw/loVA/ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8Jvdcm

𝗣𝗿𝗮𝗰𝘁𝗶𝗰𝗮𝗹 𝗱𝗲𝗲𝗽 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴 𝗰𝗼𝘂𝗿𝘀𝗲🌻: 𝗭𝗲𝗿𝗼-𝘀𝗵𝗼𝘁 𝗰𝗹𝗮𝘀𝘀𝗶𝗳𝗶𝗰𝗮𝘁𝗶𝗼𝗻 𝘄𝗶𝘁𝗵 𝗖𝗟𝗜𝗣
𝗣𝗿𝗮𝗰𝘁𝗶𝗰𝗮𝗹 𝗱𝗲𝗲𝗽 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴 𝗰𝗼𝘂𝗿𝘀𝗲🌻: 𝗭𝗲𝗿𝗼-𝘀𝗵𝗼𝘁 𝗰𝗹𝗮𝘀𝘀𝗶𝗳𝗶𝗰𝗮𝘁𝗶𝗼𝗻 𝘄𝗶𝘁𝗵 𝗖𝗟𝗜𝗣 Узнайте, как промпт инжиниринг может помочь вам в классификации изображений в бесплатном курсе от dataflowr! 📋 курс: https://dataflowr.github.io/website/modules/19-clip/ 🤖 код: https://github.com/dataflowr/notebooks/blob/master/Module19/Zeroshot_with_CLIP.ipynb @data_analysis_ml

🤖Для обучения моделированию архитектуры на разных уровнях важно использовать инструмент, поддерживающий все основные элемент
🤖Для обучения моделированию архитектуры на разных уровнях важно использовать инструмент, поддерживающий все основные элементы и связи языка, и контролирующий правила их применения. В качестве такого инструмента мы используем Archi. Узнайте больше на бесплатном уроке онлайн-курса «Archimate». 👉Приглашаем на бесплатный вебинар: «Описание технологического и физического слоя на языке Архимейт»: регистрация На вебинаре мы: — изучим элементы и правила построения технического и физических слоев; — познакомимся с элементами слоёв; — рассмотрим, как элементы технологического и физического слоя связываются с другими слоями. Занятие проведет Максим Рогоза — руководитель курса и главный архитектор в крупнейшем IT-интеграторе. 🔥После вебинара вы сможете продолжить обучение на курсе по спеццене, в том числе, в рассрочку. Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8JxkX2

📕 Tutorial 2: Comparison to other methods of uncertainty quantification В популярный учебник по глубокому обучению добавляен целый большой раздел-учебник по Конформной классификацией. https://uvadlc-notebooks.readthedocs.io/en/latest/tutorial_notebooks/DL2/Bayesian_Neural_Networks/dl2_bnn_tut2_student_with_answers.html#Conformal-prediction @data_analysis_ml

🚀 Видеолекции, UC Berkeley Math 54 Линейная алгебра и дифференциальные уравнения ▪Курс ▪Лекции @data_analysis_ml

🔥 Дайджест полезных материалов из мира Data Science за неделю Почитать: — Введение в Apache Flink: осваиваем фреймворк на реальных примерах — Data Mesh – ячеистые топологии для работы с данными — XGBoost – один из наиболее эффективных алгоритмов прогнозирования временных рядов. — YOLO-NAS Pose: прорыв в технологии оценки позы — Подбираем параметры сессии в Apache Spark, чтобы не стоять в очереди — Milk Sad уязвимость в библиотеке Libbitcoin Explorer 3.x. Крупная кража на $ 900 000 у пользователей Биткоин Кошельков — Прогнозирование временных рядов с помощью библиотеки Skforecast — Руководство для начинающих по Spark UI: Как отслеживать и анализировать задания Spark — Знакомство с разработкой SAP Data Services — Easily Generate Mock Data with PostgreSQL — How to Scrape Amazon Product Reviews Behind a Login — The Future of Shopping: Innovative Startup with Robots for Automated Dark Stores — A Step-by-Step Roadmap to Data Engineering — Data Engineering for Beginners: Navigating the Foundations of a Data-Driven World — The Comprehensive Guide to Time Series Models: Navigating the Depths of Temporal Data — Looking for scam tokens using bubble charts in TON blockchain — Fine-Tuning or Not, That Is the Question — How Do I Build LLava AI ChatBot — Common Table Expressions in Postgresql Посмотреть: 🌐 Совет Python разработчикам - реши задачу Chain sum с реального собеседования. (⏱ 14:23) 🌐 Нейросеть для превращения #YouTube видео в презентацию (⏱ 00:28) 🌐 🔥 NVIDIA только что сделала Pandas в 150 раз быстрее без изменений кода. #python (⏱ 00:20) 🌐 Applied Reinforcement Learning for Online Ads/Recommender - Kevin Noel (⏱ 42:37) 🌐 Sarah Bird, PhD - Building and Using Generative AI Responsibly: Microsoft’s Journey (⏱ 30:11) 🌐 The Ethics Of Digital Minds with Professor Nick Bostrom (⏱ 57:03) 🌐 Nick Bostrom, PhD - The Ethics of Digital Minds: A baffling new frontier (⏱ 36:28) 🌐 ML on-device: Building Efficient Models - Danni Li (⏱ 34:00) 🌐 Creating Virtual Worlds 20x Faster! (⏱ 06:08) 🌐 NVIDIA’s New AI: Wow, 8x Better Text To 3D! (⏱ 04:27) 🌐 OpenAI's ChatGPT: 7 Unexpected Results! (⏱ 08:57) 🌐 Тренировки по ML. Лекция 2: Линейная регрессия и регуляризация (⏱ 1:46:36) Хорошего дня! @data_analysis_ml