Вже доступно! Дослідження Telegram за 2025 — головні інсайти року 
Математика Дата саентиста
Відкрити в Telegram
@workakkk - админ @data_analysis_ml - ds https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946
Показати більше📈 Аналітичний огляд Telegram-каналу Математика Дата саентиста
Канал Математика Дата саентиста (@data_math) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 14 054 підписників, посідаючи 9 178 місце в категорії Технології та додатки та 47 284 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 14 054 підписників.
За останніми даними від 20 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -44, а за останні 24 години на 2, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 18.28%. Протягом перших 24 годин після публікації контент зазвичай збирає 6.82% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 2 569 переглядів. Протягом першої доби публікація в середньому набирає 958 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 52.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як llm, программирование, параметр, визуализация, stepik.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“@workakkk - админ
@data_analysis_ml - ds
https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946”
Завдяки високій частоті оновлень (останні дані отримано 21 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.
14 054
Підписники
+224 години
+77 днів
-4430 день
Архів дописів
🧮Расчет косинусного сходства в Python
Косинусное сходство — это мера сходства между двумя векторами пространства внутреннего произведения.
Для двух векторов, A и B, косинусное сходство вычисляется как:
Подобие косинуса = ΣA i B i / (√ΣA i 2 √ΣB i 2 )
Объясним как вычислить косинусное сходство между векторами в Python с использованием функций из библиотеки NumPy.
Косинусное сходство между двумя векторами в Python
Данный код показывает, как вычислить косинусное сходство между двумя массивами в Python:
from numpy import dot
from numpy. linalg import norm
#define arrays
a = [23, 34, 44, 45, 42, 27, 33, 34]
b = [17, 18, 22, 26, 26, 29, 31, 30]
#calculate Cosine Similarity
cos_sim = dot (a, b)/( norm (a)\* norm (b))
cos_sim
0.965195008357566
Косинусное сходство между двумя массивами оказывается равным 0,965195 .
▪Обратите внимание, что этот метод будет работать с двумя массивами любой длины:
import numpy as np
from numpy import dot
from numpy. linalg import norm
#define arrays
a = np.random.randint(10, size= 100 )
b = np.random.randint(10, size= 100 )
#calculate Cosine Similarity
cos_sim = dot (a, b)/( norm (a)\* norm (b))
cos_sim
0.7340201613960431
▪Однако это работает только в том случае, если два массива имеют одинаковую длину:
import numpy as np
from numpy import dot
from numpy. linalg import norm
#define arrays
a = np.random.randint(10, size= 90 ) #length=90
b = np.random.randint(10, size= 100 ) #length=100
#calculate Cosine Similarity
cos_sim = dot (a, b)/( norm (a)\* norm (b))
cos_sim
ValueError : shapes (90,) and (100,) not aligned: 90 (dim 0) != 100 (dim 0)
🖥 Math — математические функции в Python
Эта статья посвящена математическим функциям в Python. Для выполнения математических операций необходим модуль math.
В C и C++ есть заголовочные файлы, в которых хранятся функции, переменные классов и так далее. При включении заголовочных файлов в код появляется возможность не писать лишние строки и не использовать одинаковые функции по несколько раз. Аналогично в Python для этого есть модули, которые включают функции, классы, переменные и скомпилированный код. Модуль содержит группу связанных функций, классов и переменных.
▪ Статья
@data_math
Как понять, что Data Science — это твое? Расскажет Ирина Скорынина, ведущий аналитик-исследователь Газпромбанка, на новой лекции Digital Лектория.
Когда: 21 июня, 18:00 (по МСК)
Где: Telegram-канал Digital Лектория
Что обсудим: кому будет интересно в сфере Data Science, как развиваться в DS с непрофильным образованием, какими навыками и компетенциями должен обладать Data Scientist и как выглядит roadmap специалиста в этой сфере.
Присоединяйся к лекции «Data Science: быть или не быть» — регистрация уже открыта: https://www.gpbspace.ru/digital-lectory-hall-form
Реклама Банк ГПБ (АО), ИНН: 7744001497 erid:LjN8Jste3
5 супер полезных математических Python библиотек
1. SymPy - это библиотека, которая может использоваться для выполнения символьных вычислений. Она позволяет создавать системы уравнений, получать значения, упрощать формулы и преобразовывать результаты вычислений в код LaTeX, который может быть полезен при написании научных докладов.
>>> from sympy import *
... x = Symbol('x')
... y, z = symbols('y, z')
... expr = (x**2 + y**2) * z
... expr
z*(x**2 + y**2)
>>> expr2 = expr.subs(x, 12)
... expr2.subs(y, 3)
153*z
2. SciPy больше расширяет возможности NumPy, предоставляя множество модулей для различных вычислений. Эта библиотека включает в себя модули, которые позволяют работать с пространственными данными, статистикой и распределениями вероятностей. Если вы работали с MATLAB, то вам не составит труда освоить SciPy.
from scipy import stats
# Берем 30 значений из нормального распределения
# со средним = 25 и стандартным отклонением = 10
a = stats.norm.rvs(size=30, loc=25, scale=10)
# Рассчитываем эксцесс полученной выборки
stats.kurtosis(a)
3. Math - это модуль, который может использоваться, когда необходимо выполнить математические операции, которые недоступны в стандартных операторах Python. Например, вы можете использовать Math для вычисления квадратного корня, логарифма или синуса.
>>> import math
>>> math.sqrt(17)
4.123105625617661
>>> math.sin(33)
0.9999118601072672
>>> math.log(15, 2)
3.9068905956085187
4. NumPy - библиотека, предназначенная для работы с n-мерными массивами, которые похожи на вложенные кортежи, но все элементы должны быть одного типа. NumPy позволяет проводить различные операции над массивами целиком и над их элементами, которые недоступны для стандартных типов данных.
>>> import numpy as np
>>> a = np.array([1, 0.5, -1.9], dtype=float)
>>> b = np.array([[10], [10], [10]], dtype=float)
c = np.array(a*b)
c
array([[ 10., 5., -19.],
[ 10., 5., -19.],
[ 10., 5., -19.]])
Также в этом пакете доступны продвинутые функции и методы для обработки массивов:
>>> # Ищем среднее по вертикали
>>> c.mean(axis=0)
array([ 10., 5., -19.])
>>> # Ищем среднее по горизонтали
>>> c.mean(axis=1)
array([-1.33333333, -1.33333333, -1.33333333])
5. Pandas - библиотека, также основана на NumPy и специализируется на работе с таблицами (DataFrame) и временными рядами (Series).
>>> import numpy as np
... import pandas as pd
... df = pd.DataFrame({
... 'name': ['Viktor', 'Ann', 'Kim'],
... 'age': [20, 35, np.nan],
... 'score': [81.17, 93.7, np.nan]
... })
... df
name age score
0 Viktor 20.0 81.17
1 Ann 35.0 93.70
2 Kim NaN NaN
Библиотека умеет обрабатывать таблицы не хуже полноценных табличных процессоров. Данные можно сортировать, фильтровать и группировать, загружать таблицы в разных форматах и объединять их.
>>> df[df['score'] > 90]
name age score
1 Ann 35.0 93.7🎲 Теория игр: самое начало, без которого дальше будет сложно
Начинаем разбирать теорию игр — это набор инструментов, которые помогают принимать взвешенные, рациональные и точные решения, а также понимать данные. Чем больше данных об игроках и ситуациях — тем точнее анализ и прогноз.
Сегодня будет простое введение — что это, для чего и что внутри. Дальше будем постепенно применять знания на практике.
https://thecode.media/game-theory-1/
@data_math
🔥 Полезные платформы: khanacademy.org - математика
Данная платформа является одним из самых старых и известных источником курсов по школьной (и базовой университетской) программам по математике и точным наукам. Если вы осознаете пробелы в математике - это один из тех ресурсов, который может быть полезен.
Однако, в последние годы, конкурирующие курсы на уровне школьной (high school) программы стали появляться и на coursera.org, и там, на мой взгляд, есть более качественные курсы. В том числе на coursera.org есть очень удачные курсы "математика для data science", которые неплохо подбирают самые важные темы для данной профессии. Единственным недостатком coursera.org является множество альтернативных курсов по одной и той же теме, между которыми придётся выбирать, и также плохо организованный каталог/поисковик курсов. Тем не менее, рекомендую инвестировать время в том, чтобы найти лучшее из доступного там.
Преимущества: khan academy - курсы составлены в учебную программу (как в школе) и нет их дублирования, бесплатность.
@data_math
📚 Название: Mathematical Foundations of Data Science
Автор: Tomas Hrycej, Bernhard Bermeitinger, Matthias Cetto, Siegfried Handschuh
Год: 2023
Страниц: 219
Язык: английский
Формат: pdf (true)
📌Скачать книгу
@data_math
Умеете строить линейную регрессию? Вы уже одной ногой в машинном обучении :)
Освоить всю необходимую базу для работы в одном из самых востребованных направлений можно за 7 месяцев на курсе Start ML.
Вы на практике узнаете как ML-алгоритмы работают под капотом, научитесь обучать
модели и нейронные сети, а также оценивать их влияние на бизнес и продукт с помощью статистики и A/B-тестов — всё под руководством опытных специалистов из Райффайзен и Яндекс.
Курс даст всё необходимое, чтобы уверенно пройти собеседование на позицию Junior ML-специалиста и уже с первых дней быстро расти и приносить компании пользу. С поиском вакансий и трудоустройством обязательно поможем.
Новый поток стартует уже 8 июня, а по промокоду MATHFORML21 для вас действует скидка 5%. Присоединяйтесь!
[Зарегистрироваться]
📚 Интегралы и ряды. В 3 томах - Прудников А.П., Брычков Ю.А., Маричев О.И.
📘 Интегралы и ряды. Элементарные функции [том 1] Прудников, Брычков, Маричев
Том 1. Книга содержит неопределенные и определенные (в том числе кратные) интегралы, конечные суммы, ряды и произведения с элементарными функциями. Она является наиболее полным справочным руководством, включает результаты, изложенные в аналогичных изданиях, а также в научной литературе.
📕 Интегралы и ряды. Специальные функции [том 2] Прудников, Брычков, Маричев
Том 2. Книга содержит неопределенные и определенные интегралы, конечные суммы и ряды со специальными функциями. Она является наиболее полным справочным руководством, включает результаты, изложенные в аналогичных изданиях, а также в научной и периодической литературе. Некоторые результаты публикуются впервые.
📓 Интегралы и ряды. Специальные функции дополнительные главы [том 3] Прудников, Брычков, Маричев
Том 3. Книга содержит неопределенные и определенные (в том числе кратные) интегралы, конечные суммы, ряды и произведения с элементарными функциями. Она является наиболее полным справочным руководством, включает результаты, изложенные в аналогичных изданиях, а также в научной литературе. Книга предназначена для широкого круга специалистов в различных областях знаний, а также для студентов вузов.
📚 Подборка книг для прокачки математического мышления [25 книг]
📔 Математическое мышление Сборник [1989] Вейль Г. (H.Weyl)
📙 Методологический анализ оснований математики [1989] Китчев, Федоров
📕 Механизм творчества решения нестандартных задач [2008] Дрозина В.В., Дильман В.Л.
📘 Построение треугольника [2015] Голубев В.И., Ерганжиева Л.Н., Мосевич К.К.
📗 Другая математика, или Как сформировать математическое мышление у детей 6-10 лет [2017] Лобок А.М.
📓 Математическое мышление [1989] Вейль Герман
📒 Математическое мышление. Книга для родителей и учителей [2019] Джо Боулер
📔 Начальное обучение: математика и логическое мышление [1997] Медведская В.Н., Вавренчук Н.А.
📕 Математика и криптография. Тайны шифров и логическое мышление [2018] Душкин Р.В.
📗 Модельное мышление. Как анализировать сложные явления с помощью математических моделей [2020] Пейдж Скотт
📘 Как не ошибаться. Сила математического мышления [2018] Джордан Элленберг
📙 От алгоритмов — к суждениям (Эксперименты по обучению элементам математического мышления) [1973] Шапиро
📔 От задачи к задаче - по аналогии. Развитие математического мышления [1998] Эрдниев О.П.
📕 Сферодинамика. Математические начала объёмного мышления [2010] Гладков Б.В.
📒 Теорема зонтика, или Искусство правильно смотреть на мир через призму математики [2022] Лонэ Микаэль
📗 Апология математика [2022] Харди Годфри Гарольд
📘 Предисловие к математике [2015] Успенский В. А.
📓 Просто арифметика [2013] Ахманов М. С.
📔 Математика – это просто 2.0. Думай математически [2015] Мэйсон Дж., Бёртон Л., Стэйси К.
📕 Что такое математика? [2015] Курант Р., Роббинс Г.
📒 Математика для взрослых. Лайфхаки для повседневных вычислений [2016] Поскитт К.
📜 Математическое мышление (+ комментарий С.С. Демидова) [1970] Гильберт Давид
#алгоритмы #математика #подборка_книг #math #maths
🎲 Теория вероятностей
Список полезных источников для погружения в теорию вероятностей.
Задачник Шеня: https://www.mccme.ru/shen/proba.pdf
Хорошие задачи с разбором здесь, это мехматовские конспекты: http://dmvn.mexmat.net/content/ptms/pr-probabilitytheory-kondratenko.pdf
Веб-приложения, иллюстрирующие концепции вероятности: http://www.randomservices.org/random/apps/index.html
PCA наглядно - http://setosa.io/ev/principal-component-analysis/
@data_math
Repost from Анализ данных (Data analysis)
🖥 Подборка курсов по статистике и теории вероятностей
Математика — это краеугольный камень Data Science. Хотя некоторые теоремы, аксиомы и формулы кажутся слишком абстрактными и далекими от практики, на самом деле без них невозможно по-настоящему глубоко анализировать и систематизировать огромные массивы данных.
▪«Математическая статистика» курс CS центр.
▪«Основы статистики» курс Bioinformatics Institute.
▪Университетский курс математического анализа
▪«Основы статистики. Часть 2» курс Bioinformatics Institute.
▪«Основы статистики. Часть 3» курс Bioinformatics Institute.
▪Основы работы с векторными величинами в физике
▪«Современная комбинаторика» курс МФТИ.
▪«Теория вероятностей для начинающих» курс МФТИ.
«Теория вероятностей» курс CS центр.
▪«Теория вероятностей - II (дискретные случайные процессы)» курс CS центр.
▪«Теория вероятностей – наука о случайности» курс ТГУ.
▪«Дискретный анализ и теория вероятностей» курс А.М.Райгородского в Академии Яндекса.
@data_analysis_ml
Иногда аналитику или специалисту по DS нужно подтянуть что-то по математике, чтобы решать более сложные задачи на работе. На курсе Яндекс Практикума можно раз и навсегда разобраться с тервером, линалом, матаном и статистикой. А потом — расти в карьере.
Учёбу удобно совмещать с работой: теория и практика будут в интерактивном тренажёре, который можно скачать на смартфон. А опытные преподаватели математики всегда на связи в чате, чтобы объяснить непонятное.
За 4 месяца обучения вы:
→ решите более тысячи задач в онлайн-тренажёре,
→ создадите 4 проекта для своего портфолио,
→ подготовитесь к собеседованиям с помощью симулятора.
Оцените формат и пройдите бесплатный вводный урок: https://practicum.yandex.ru/math-for-da-ds/
Algebra for Beginners | Basics of Algebra
Полезный плейлист на 50 часов, обучающий некоторым базовым вещам, необходимым для понимания того, что происходит в алгоритмах и статьях по data science и не только. Матанализ, статистика, алгебра, линейная алгебра — всё это и ещё немного туториалов по Excel и SQL.
https://www.youtube.com/watch?v=PVoTRu3p6ug&list=PLwYvzp9lBJVmv6yLK1hDH_Hqosl-lzGOl
@data_math
Мы собрали для вас подборку свежих и актуальных книг, по всем языкам программирования.
В подборке не просто новые книги для программистов, но и те книги, которые дают практическую основу с задачами и решениями для получения реального полезных навыков.
🍍 Папка с книгами:
https://t.me/addlist/BkskQciUW_FhNjEy
Я подписан на многие каналы из подборки, но не на все, так что будет из чего выбрать – от глубоко технических авторов, до понятных всем и тп.
Настоящий кладезь книг и знаний здесь
Про неевклидову геометрию Лобачевского: https://postnauka.ru/video/84631
Про понятие числа от Евдокса до Клиффорда: https://postnauka.ru/video/84632
Про группы и алгебры Ли симметрий: https://postnauka.ru/video/73464
📘 Высшая математика в упражнениях и задачах, Часть 1, Данко П.Е., Попов А.Г., Кожевникова Т.Я., 2003.
Содержание первой части охватывает следующие разделы программы: аналитическую геометрию, основы линейной алгебры, дифференциальное исчисление функций одной и нескольких переменных, интегральное исчисление функций одной переменной, элементы линейного программирования. В каждом параграфе приводятся необходимые теоретические сведения. Типовые задачи даются с подробными решениями. Имеется большое количество задач для самостоятельной работы.
📗 Высшая математика в упражнениях и задачах, Часть 2, Данко П.Е., Попов А.Г., Кожевникова Т.Я., 2003.
Содержание II части охватывает следующие разделы программы: кратные и криволинейные интегралы, ряды, дифференциальные уравнения, теорию вероятностей, теорию функций комплексного переменного, операционное исчисление, методы вычислений, основы вариационного исчисления. В каждом параграфе приводятся необходимые теоретические сведения. Типовые задачи даются с подробными решениями. Имеется большое количество задач для самостоятельной работы.
