Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение

Kanalga Telegram’da o‘tish

Все самое полезное для дата сайентиста в одном канале. Курс по Ai-агентам: https://clc.to/9L0Tqg По рекламе: @proglib_adv Для обратной связи: @proglibrary_feeedback_bot РКН: https://gosuslugi.ru/snet/67a5b03124c8ba6dcaa121c9

Ko'proq ko'rsatish

Tarmoq:Книги для программистов Rossiya36 542 Texnologiyalar & Aralashmalar7 271...

📈 Telegram kanali Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение analitikasi

Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение (@dsproglib) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 18 479 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 7 271-o'rinni va Rossiya mintaqasida 36 542-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 18 479 obunachiga ega bo‘ldi.

14 Iyun, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -46 ga, so‘nggi 24 soatda esa -11 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.

Tasdiqlash holati: Tasdiqlanmagan
Jalb etish (ER): Auditoriya o‘rtacha 7.02% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 4.36% ini tashkil etuvchi reaksiyalarni to‘playdi.
Post qamrovi: Har bir post o‘rtacha 1 297 marta ko‘riladi; birinchi sutkada odatda 806 ta ko‘rish yig‘iladi.
Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 5 ta reaksiya keladi.
Tematik yo‘nalishlar: Kontent сайентиста, llm, буст, навигация, openai kabi asosiy mavzularga jamlangan.

📝 Tavsif va kontent siyosati

Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Все самое полезное для дата сайентиста в одном канале. Курс по Ai-агентам: https://clc.to/9L0Tqg По рекламе: @proglib_adv Для обратной связи: @proglibrary_feeedback_bot РКН: https://gosuslugi.ru/snet/67a5b03124c8ba6dcaa121c9”

Yuqori yangilanish chastotasi (oxirgi ma’lumot 15 Iyun, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.

18 479

Obunachilar

-1124 soatlar

-247 kunlar

-4630 kunlar

1 297

Post ko'rishlar

~ 80624 soatlar

~ 96448 soatlar

7.02%

Muloqot nisbati

~ 3

Kuniga postlar

Ads index

beta

Ma'lumot yuklanmoqda...

Obunachilarni jalb qilish

Iyun '26

+46

0 kanalda

May '26

+142

1 kanalda

Get PRO

Aprel '26

+106

0 kanalda

Get PRO

Mart '26

+329

4 kanalda

Get PRO

Fevral '26

+154

5 kanalda

Get PRO

Yanvar '26

+212

4 kanalda

Get PRO

Dekabr '25

+211

3 kanalda

Get PRO

Noyabr '25

+101

1 kanalda

Get PRO

Oktabr '25

+148

5 kanalda

Get PRO

Sentabr '25

+105

2 kanalda

Get PRO

Avgust '25

+103

4 kanalda

Get PRO

Iyul '25

+171

2 kanalda

Get PRO

Iyun '25

+185

42 kanalda

Get PRO

May '25

+319

6 kanalda

Get PRO

Aprel '25

+206

18 kanalda

Get PRO

Mart '25

+247

53 kanalda

Get PRO

Fevral '25

+236

36 kanalda

Get PRO

Yanvar '25

+180

41 kanalda

Get PRO

Dekabr '24

+212

42 kanalda

Get PRO

Noyabr '24

+217

52 kanalda

Get PRO

Oktabr '24

+224

43 kanalda

Get PRO

Sentabr '24

+249

38 kanalda

Get PRO

Avgust '24

+269

37 kanalda

Get PRO

Iyul '24

+197

37 kanalda

Get PRO

Iyun '24

+257

31 kanalda

Get PRO

May '24

+429

38 kanalda

Get PRO

Aprel '24

+339

38 kanalda

Get PRO

Mart '24

+437

32 kanalda

Get PRO

Fevral '24

+426

32 kanalda

Get PRO

Yanvar '24

+473

28 kanalda

Get PRO

Dekabr '23

+604

34 kanalda

Get PRO

Noyabr '23

+289

13 kanalda

Get PRO

Oktabr '23

+462

22 kanalda

Get PRO

Sentabr '23

+631

0 kanalda

Get PRO

Avgust '23

+488

0 kanalda

Get PRO

Iyul '23

+420

0 kanalda

Get PRO

Iyun '23

+329

0 kanalda

Get PRO

May '23

+433

0 kanalda

Get PRO

Aprel '23

+224

0 kanalda

Get PRO

Mart '23

+712

0 kanalda

Get PRO

Fevral '23

+249

0 kanalda

Get PRO

Yanvar '23

+260

0 kanalda

Get PRO

Dekabr '22

+292

0 kanalda

Get PRO

Noyabr '22

+407

0 kanalda

Get PRO

Oktabr '22

+172

0 kanalda

Get PRO

Sentabr '22

+209

0 kanalda

Get PRO

Avgust '22

+287

0 kanalda

Get PRO

Iyul '22

+352

0 kanalda

Get PRO

Iyun '22

+407

0 kanalda

Get PRO

May '22

+166

0 kanalda

Get PRO

Aprel '22

+215

0 kanalda

Get PRO

Mart '22

+225

0 kanalda

Get PRO

Fevral '22

+129

0 kanalda

Get PRO

Yanvar '22

+250

0 kanalda

Get PRO

Dekabr '21

+203

0 kanalda

Get PRO

Noyabr '21

+253

0 kanalda

Get PRO

Oktabr '21

+237

0 kanalda

Get PRO

Sentabr '21

+208

0 kanalda

Get PRO

Avgust '21

+297

0 kanalda

Get PRO

Iyul '21

+312

0 kanalda

Get PRO

Iyun '21

+288

0 kanalda

Get PRO

May '21

+446

0 kanalda

Get PRO

Aprel '21

+446

0 kanalda

Get PRO

Mart '21

+429

0 kanalda

Get PRO

Fevral '21

+396

0 kanalda

Get PRO

Yanvar '21

+351

0 kanalda

Get PRO

Dekabr '20

+12 450

0 kanalda

Sana	Obunachilarni jalb qilish	Esdaliklar	Kanallar
15 Iyun	+4
14 Iyun	0
13 Iyun	+2
12 Iyun	+5
11 Iyun	+3
10 Iyun	+6
09 Iyun	+4
08 Iyun	+6
07 Iyun	+1
06 Iyun	+3
05 Iyun	0
04 Iyun	+8
03 Iyun	+2
02 Iyun	+2
01 Iyun	0

Kanal postlari

RAG from scratch: разбираемся в деталях Базовый RAG понятен: чанки → эмбеддинги → retrieval → generation. Но между «понял концепцию» и «работает в проде» — пропасть. LangChain выпустили серию «RAG from scratch» — ноутбуки с видео которые разбирают не только основы, но и то где обычно всё ломается. 🖥 Ссылка на ресурс 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст

2	💪 Paca: проджект-менеджмент для AI Jira даёт бэклог. ClickUp даёт автоматизации. Monday даёт дашборды. Все они добавляют AI как чатбот сбоку. Paca идёт дальше: AI агент получает место в Scrum-команде наравне с людьми. В Paca агент не отвечает на вопросы — он участвует в процессе: — появляется на Scrumban-доске рядом с людьми — берёт задачи из бэклога и обновляет статус в реальном времени — помогает писать BDD-спецификации и Gherkin-сценарии — участвует в System Design — архитектура видна всей команде При этом: — Self-hosted: данные остаются у вас — Бесплатно и open-source (Apache 2.0) — MCP Server из коробки — подключается к Claude, Cursor и другим агентам — Claude Code Skill — агент знает как работать с Paca — Полностью конфигурируемый через плагины 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	888
3	а что выбираешь ты 😁 Библиотека дата-сайентиста #развлекалово	874
4	🎥 До открытого урока — несколько дней. Подготовили небольшую подборку материалов от нашего спикера Дмитрия Юдина. Дмитрий руководит AI/ML-направлением в Сloud․ru и развивает Evolution AI Factory — среду для работы с GenAI: от инфраструктуры обучения LLM до внедрения интеллектуальных агентов. С чего начать: 📺 AI-инструменты для разработчиков — как код, автотесты и ассистенты меняют рутину инженера. 📺 AI-эволюция бизнеса в эпоху генеративных моделей — агентные системы в реальных продуктах. 📺 Разработка мертва? — дискуссия о будущем профессии и роли AI в ней. 📖 Применение LLM в бизнесе — статья Дмитрия о практике внедрения и роли облака. Одна из ключевых тем Дмитрия — практическое применение агентных систем и их ограничения. Именно об этом — бесплатный урок 18 июня в 19:00: «Мультиагентные системы: почему большинство архитектур переусложнены» 🔥 🎁 Для участников подготовили промокод на скидку 10 000 ₽ на курс «Разработка ИИ-агентов». 👉 Успей занять место на открытом уроке	840
5	🤖 Архитектуры нейросетей: объясняем на пальцах Разбираться в Data Science и Deep Learning становится проще! В одной картинке собрали 8 ключевых архитектур нейросетей, которые двигают вперед современный ИИ. 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	914
6	💻 3 курса по цене одного — собери стек для оффера в топовую IT-компанию Для следующего карьерного шага мало писать код. Работодатели ждут не только знания языка, но и понимания архитектуры, алгоритмов, автоматизации, AI-инструментов и агентных систем. Одно направление закрывает только часть задачи. Поэтому сейчас мы предлагаем освоить сразу несколько востребованных навыков — выбери любой курс и получи доступ еще к двум бесплатно 🔥 Собери стек навыков под свою цель: 🔹 подготовка к сильным компаниям (алгоритмы, архитектура); 🔹 переход в AI-направление (ИИ-агенты, AgentOps); 🔹 развитие в ML и Data Science (математика, основы ML); 🔹 новый оффер и рост дохода. Полученные знания применяешь в работе уже во время обучения. ⏳ Акция действует 48 часов — 13 и 14 июня. 👉 Переходи на сайт, выбирай курсы и оставляй заявку — за 10 минут поможем собрать комплект под твою цель.	908
7	Библиотека дата-сайентиста #развлекалово	974
8	✳️ 4 библиотеки для полного DS-пайплайна на Polars Polars набирает популярность стремительно — на PyCon US 2026 очередь на подпись книги по Polars растянулась на весь коридор. Но многие останавливаются на вопросе: «А поддерживают ли мои инструменты Polars?» Вот четыре библиотеки которые поддерживают — и закрывают весь пайплайн. 1. pointblank — валидация данных agent = ( pb.Validate(sales_data) .col_vals_not_null(columns="date") .col_vals_between(columns="sales", left=0, right=10000) .col_vals_in_set(columns="region", set=["North", "South", "East", "West"]) .interrogate() ) Проверяет качество данных прямо в Polars DataFrame. Никакого .to_pandas(). 2. Great Tables — публикационные таблицы GT(regional_summary) .fmt_currency(columns=["total_sales"]) .fmt_nanoplot(columns="sales_trend", plot_type="line") .data_color(columns="total_sales", palette=["#f0f0f0", "#447099"]) Форматирование, цвета, мини-графики прямо в таблице. Это дефолтный способ стилизации Polars DataFrame через df.style. 3. plotnine — ggplot2 для Python ggplot(sales_data, aes(x="region", y="sales", fill="product")) + geom_col(position=position_dodge(width=0.8)) + scale_fill_manual(values=product_colors) + theme_minimal() Grammar of graphics в Python. Работает с Polars напрямую — конвертация не нужна. 4. mall — LLM прямо в пайплайне sales_data.llm.use("ollama", "llama3.2") sales_data.llm.classify("sales", ["high", "medium", "low"]) sales_data.llm.sentiment("review_text") sales_data.llm.summarize("description") .llm accessor добавляет LLM-операции к любому Polars DataFrame. Работает с Ollama, OpenAI, Anthropic. 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	987
9	🔥 Строишь ИИ-агентов? Руководитель AI/ML-направления Сloud․ru покажет, где большинство архитектур ломаются, и как этого избежать. 18 июня в 19:00 совместно с Сloud․ru проведём открытый урок «Мультиагентные системы: почему большинство архитектур переусложнены». Спикер — Дмитрий Юдин, эксперт по масштабированию и оптимизации вычислительных ресурсов для ML. Под его руководством развивается Evolution AI Factory — цифровая среда для работы с GenAI. Он занимается развитием сервисов генеративного ИИ, инфраструктуры для обучения больших языковых моделей и внедрением интеллектуальных агентов. Что получишь на уроке: — критерии выбора между одним агентом и мультиагентной системой; — разбор популярных архитектурных ошибок; — реальные ограничения современных ИИ-агентов; — практические рекомендации по проектированию агентных систем. 🎁 Для участников урока подготовили промокод на скидку 10 000 ₽. 🗓️ Когда: 18 июня, 19:00 (МСК) 👉 Занять место на открытом уроке	974
10	CVPR 2026: 16 000 заявок, 4 090 принято. Вот 5, которые стоит прочитать первыми Если вы работаете с VLM или мультимодальными пайплайнами — это ваш список на длинные выходные. 1. SAM 3D — лучшая работа конференции «Сегментируй что угодно» теперь в 3D из одного 2D изображения, за один проход. Год назад это назвали бы исследовательским демо. 2. Back to Basics — Tianhong Li & Kaiming He Когда Каiming He публикует «Назад к основам» — читаешь сразу. Оба предыдущих раза он переписывал то, что область считала устоявшимся. 3. TIPSv2 — vision-language pretraining с улучшенным patch-text alignment Поиск на уровне патчей — это следующее поколение image RAG. Здесь оно живёт. 4. INSID3 — сегментация по примерам без обучения, на DINOv3 Никакого файн-тюнинга, никаких меток, oral на CVPR. Training-free подход — тренд, которому поле долго сопротивлялось. 5. A Frame is Worth One Token — дельта-токены для генеративного моделирования мира Токенная эффективность которая изменила LLM-инференс теперь добралась до видео. 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	1 037
11	PyTorch custom operations: когда стандартных слоёв не хватает Иногда нужна операция, которой нет в PyTorch из коробки. Можно написать её на Python, но если нужна скорость — пишут на C++ и CUDA. Разбираем как это устроено. Два способа расширить PyTorch 1. Custom function — stateless операция Реализуется на C++/CUDA, регистрируется через TORCH_LIBRARY_IMPL. PyTorch сам выбирает CPU или CUDA реализацию в зависимости от устройства тензора: # После загрузки .so файла result = torch.ops.my_ops.identity_conv_op(tensor) 2. Custom class — операция с состоянием Если нужно хранить параметры (веса, конфиг) — используют torch::CustomClassHolder. Класс регистрируется и становится доступен из Python: conv = torch.classes.my_ops.IdentityConvClass(channels=3) output = conv.forward(input_tensor) Главная сложность — torch.export Когда модель компилируется для продакшена через torch.export, трассировщик работает с «фейковыми» тензорами — он не запускает реальный C++ код. Поэтому нужно зарегистрировать абстрактную Python-версию каждой операции: @torch.library.register_fake("my_ops::identity_conv_op") def _fake(x: torch.Tensor) -> torch.Tensor: return torch.empty_like(x) # только форма и тип, без вычислений Что в итоге Скомпилированная модель (.pt2 файл) запускается и из Python, и из чистого C++ без зависимости от libpython — удобно для деплоя в продакшен без Python окружения. Схема работы: C++/CUDA код → .so библиотека → регистрация в PyTorch ↓ torch.export → AOTInductor → model.pt2 ↓ Python inference или C++ inference (dlopen) Полный пример с Identity Convolution 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	1 066
12	✳️Шпаргалка: рабочая станция для AI/ML в 2026 Больше не нужен огромный бюджет на облако. Консьюмерское железо и open-source модели изменили правила. Но покупать нужно стратегически. 🖥 Железо: смотрите на VRAM, не на CPU GPU (RTX 5090): — лучший выбор для дообучения тяжёлых моделей — CUDA незаменима для full fine-tuning — дорого, шумно, энергозатратно NPU + unified memory (Apple M5 Max, Intel Panther Lake): — 64–128 ГБ RAM → большая часть уходит под VRAM — 70B+ моделей локально без облака — тихо, эффективно, достаточно для большинства DS-задач Правило: для инференса и экспериментов — unified memory. Для обучения с нуля — GPU. 📦 Локальные модели: уходите от API-зависимости Лучшие модели для локального запуска в 2026: — DeepSeek V4 — сильный reasoning, хорош для кода — Qwen3-Coder — отличный выбор для задач с данными — Llama 3.3 — универсальный вариант Запуск через Ollama: ollama run qwen3-coder ollama run deepseek-v4 Квантизация — ключевое понятие: Q8 — максимальное качество, нужно много VRAM Q4 — баланс качества и размера (рекомендуется) Q3 — минимум VRAM, качество падает заметно 🔍 Как выбрать модель для задачи — Анализ данных, код → Qwen3-Coder, DeepSeek V4 — Длинный контекст, документы → Gemini 3.1 Pro — Сложные агентные задачи → Claude Opus 4.7 — Быстрый инференс локально → Llama 3.3 Q4 Ориентир для сравнения моделей на реальных задачах с кодом — SWE-bench. ⚙️ Минимальный стек для старта Ollama — локальный запуск моделей LM Studio — GUI для экспериментов LangChain — оркестрация агентов ChromaDB — локальная векторная БД для RAG 💡 Правило выбора — Чувствительные данные → только локально — Разовые тяжёлые задачи → API — Повторяющиеся задачи → локально, окупается быстро 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	1 103
13	🌳 SuperTree — интерактивная визуализация деревьев решений прямо в Jupyter Notebook Если вы работаете с деревьями решений и ансамблями, то наверняка сталкивались с тем, что стандартные визуализации быстро становятся неудобными для анализа. SuperTree решает эту проблему, добавляя полноценную интерактивность: ✅ Масштабирование и навигация по дереву ✅ Сворачивание и разворачивание узлов ✅ Отслеживание пути конкретного объекта через дерево ✅ Работа прямо в Jupyter Notebook, JupyterLab и Google Colab Установка: pip install supertree Пример использования: from sklearn.tree import DecisionTreeClassifier from sklearn.datasets import load_iris from supertree import SuperTree iris = load_iris() model = DecisionTreeClassifier(max_depth=3) model.fit(iris.data, iris.target) super_tree = SuperTree( model, iris.data, iris.target, iris.feature_names, iris.target_names ) super_tree.show_tree() 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	1 315
14	🧠 Google представила Memory-Cached RNN — возможного конкурента Transformers Последние 7 лет практически все крупные языковые модели — ChatGPT, Claude, Gemini, Llama — строились на архитектуре Transformer. Несмотря на впечатляющие результаты, у неё есть фундаментальная проблема: вычислительная сложность внимания растёт квадратично относительно длины контекста. До появления Transformers основой многих нейросетей были RNN (Recurrent Neural Networks). Они обрабатывают последовательности намного эффективнее, но страдают от другой проблемы — ограниченной памяти. При работе с длинными текстами модель постепенно «забывает» информацию из начала последовательности. Исследователи Google предложили новый подход в работе «Memory Caching: RNNs with Growing Memory». 💡 Ключевая идея — добавить RNN механизм кэширования промежуточных состояний. Вместо фиксированной памяти модель сохраняет важные «снимки» своего внутреннего состояния по мере чтения текста. По мере роста последовательности память также может расширяться. Что это даёт: • память растёт вместе с длиной контекста; • вычислительная стоимость остаётся значительно ниже, чем у Transformer; • улучшается работа с длинными документами и задачами на запоминание; • достигается качество, близкое к Transformer, без квадратичного роста вычислений. 🚀 Если результаты подтвердятся на больших языковых моделях промышленного масштаба, в ближайшие годы мы можем увидеть новый класс архитектур, где память растёт динамически, а вычисления остаются линейными по длине последовательности. 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	1 348
15	Библиотека дата-сайентиста #развлекалово	1 356
16	🖼️ Как работает сжатие изображений: взгляд Data Scientist Для дата-сайентиста изображение — это не картинка, а матрица чисел. Сжатие же изображений позволяет уменьшить объём данных, сохранив максимум полезной информации. Классный гид для быстрого понимания темы 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	1 410
17	🔥 Инженерная методичка по ИИ от Романа Барлоса (Team Lead в Yandex Cloud) Продолжаем делиться экспертизой команды курса «Разработка ИИ-агентов». Роман собрал мастхев-инструменты и ключевые работы для тех, кто хочет выйти за рамки вайбкодинга. 🛠️ Полезные инструменты: • Understand Anything — граф знаний по коду и зависимостям. • DeepTutor — open-source платформа для персонализированного обучения. • Superpowers — набор практик для системной разработки с ИИ. • Awesome Agent Skills — коллекция навыков для ИИ-агентов. 📚 Ключевые работы по LLM: • Attention Is All You Need (2017) — архитектура Transformer. • GPT-1 (2018) — начало эпохи GPT. • GPT-2 (2019) — решение новых задач без дообучения. • GPT-3 (2020) — обучение на примерах из запроса. • InstructGPT (2022) — RLHF и современные чат-боты. На курсе Роман выступает консультантом программы: помогает формировать содержание уроков с опорой на актуальные инженерные практики». Занять свое место на потоке: 👉 Курс «Разработка ИИ-агентов»	1 411
18	🤖 Материалы: Awesome Self-Evolving Agents Подборка материалов про самоэволюционирующих AI-агентов и их развитие в последние годы. Проект систематизирует исследования в области agentic AI и разбивает их на понятную структуру эволюции методов 📍 Навигация: Вакансии • Задачи • Собесы 📍 Как внедрять AI-логику в бэкенд и сохранять стабильность сервиса #буст	1 409
19	+3 🖼️ Как CNN «видят» изображения Сверточные нейронные сети (CNN) лежат в основе множества задач компьютерного зрения — от классификации изображений до детекции объектов и сегментации. 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	1 545
20	📘 Это классика: Dive into Deep Learning Один из самых популярных open-source учебников по deep learning — «Dive into Deep Learning» от Aston Zhang, Zachary C. Lipton, Mu Li и Alexander J. Smola. Это не просто теория, а практико-ориентированное пособие, которое объясняет ключевые идеи машинного обучения и нейросетей через код и интуицию. 📍 Навигация: Вакансии • Задачи • Собесы Библиотека дата-сайентиста #буст	1 361

Barcha postlarni ko‘rish